impedance用于阻抗谱拟合的Python库,bode图的优化方法,impedance输出bode图的优化方法

2023-10-07 12:20

本文主要是介绍impedance用于阻抗谱拟合的Python库,bode图的优化方法,impedance输出bode图的优化方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

1、优化原因

2、异常原因分析

3、修改方法

1、优化原因

下面是一段用impedance拟合一条阻抗数据的代码示例

from impedance.preprocessing import readGamry
from impedance.preprocessing import ignoreBelowX
from impedance.models.circuits import CustomCircuit
import matplotlib.pyplot as pltf, Z = readGamry('171018-1247_#54.DTA')     #读取数据
f, Z = ignoreBelowX(f, Z)                      #整理数据initial_guess = [2.29e-10, 0.98, 3.08E+5, 4.63E+5, 1.12E+6,1.57E-16,9.8E-5,5.07E+9]         #给定电路元器件初值
circuit = CustomCircuit('p(CPE_0,R_0)-p(C_0,W_0-R_1)-p(C_1,R_2)',initial_guess=initial_guess)     #给定等效电路结构 'p(CPE_0,R_0)-p(Q_0,W_0-R_1)-p(Q_1,R_2)'circuit.fit(f, Z)                  #拟合等效电路参数
print(circuit)                     #输出拟合结果circuit.plot(f_data=f, Z_data=Z, kind='bode')          #拟合结果可视化
plt.show()

输出的bode图 

图一 impedance原始bode图

来对比一下普遍使用的阻抗谱bode图

图二 一般bode图

第一张图中的蓝色点是原始数据点,这两张图的数据是一样的,是不是看着这个图形差距很大,注意看图2中的红色框,纵坐标是对数轴,而图一纵坐标是以log为底的,显然坐标尺度不一样那图形可视化出来肯定不一样,

2、异常原因分析

为了改变这个图的坐标尺度,我看了circuit.plot这个函数的代码,代码如下,只需要改动bode图,我就只复制了其中bode图的代码

def plot(self, ax=None, f_data=None, Z_data=None, kind='altair', **kwargs):if kind == 'nyquist':#。。。。。略elif kind == 'bode':if ax is None:_, ax = plt.subplots(nrows=2, figsize=(5, 5))if f_data is not None:f_pred = f_dataelse:f_pred = np.logspace(5, -3)if Z_data is not None:if f_data is None:raise ValueError('f_data must be specified if' +' Z_data for a Bode plot')ax = plot_bode(f_data, Z_data, ls='', marker='s',axes=ax, **kwargs)if self._is_fit():Z_fit = self.predict(f_pred)ax = plot_bode(f_pred, Z_fit, ls='-', marker='',axes=ax, **kwargs)return ax

可以看到下面代码是画图的代码

ax = plot_bode(f_data, Z_data, ls='', marker='s',

                               axes=ax, **kwargs)

用到了plot_bode这个函数,在头文件中发现

from impedance.visualization import plot_altair, plot_bode, plot_nyquist

这个定义,下面就去找visualization.py这个文件,我图中显示出了这个文件的路径,可自行对应

图三 visualization.py路径

打开该文件后,找到plot_bode

def plot_bode(axes, f, Z, scale=1, units='Ohms', fmt='.-', **kwargs):ax_mag, ax_phs = axesax_mag.plot(f, np.abs(Z), fmt, **kwargs)ax_phs.plot(f, -np.angle(Z, deg=True), fmt, **kwargs)# Set the y-axis labelsax_mag.set_ylabel(r'$|Z(\omega)|$ ' +'$[{}]$'.format(units), fontsize=20)ax_phs.set_ylabel(r'$-\phi_Z(\omega)$ ' + r'$[^o]$', fontsize=20)for ax in axes:# Set the frequency axes title and make log scaleax.set_xlabel('f [Hz]', fontsize=20)ax.set_xscale('log')# Make the tick labels largerax.tick_params(axis='both', which='major', labelsize=14)# Change the number of labels on each axis to fiveax.locator_params(axis='y', nbins=5, tight=True)# Add a light gridax.grid(b=True, which='major', axis='both', alpha=.5)# Change axis units to 10**log10(scale) and resize the offset textlimits = -np.log10(scale)if limits != 0:ax_mag.ticklabel_format(style='sci', axis='y',scilimits=(limits, limits))y_offset = ax_mag.yaxis.get_offset_text()y_offset.set_size(18)return axes

可以看到这个函数是用plot来画bode图的,x为对数轴是因为ax.set_xscale('log')设置了x为对数轴,该函数是把模值和相角分开画的,for ax in axes:这个循环统一设置了两个图形的格式和图标等,想知道里面具体格式设置信息的可以自行对应查找for中每个函数的意义。

x轴被设置为了对数轴,y轴只是最后设置了一下科学计数法表示,其还是按等距显示

3、修改方法

该函数也是用matplotlib来画图的,在matplotlib中可以用loglog来画双对数轴的图,semilogx可以画X为对数轴的图形,将两个plot改成用loglog画模值图,semilogx画相角图,并且把循环中的set_xscale、ax.locator_params注释掉

def plot_bode(f, Z, scale=1, units='Ohms', fmt='.-', axes=None, labelsize=20,ticksize=14, **kwargs):Z = np.array(Z, dtype=complex)if axes is None:_, axes = plt.subplots(nrows=2)ax_mag, ax_phs = axes#old'''ax_mag.plot(f, np.abs(Z), fmt, **kwargs)                  ax_phs.plot(f, -np.angle(Z, deg=True), fmt, **kwargs)'''#新的ax_mag.loglog(f, np.abs(Z), fmt, **kwargs)                ax_phs.semilogx(f, -np.angle(Z, deg=True), fmt, **kwargs)# Set the y-axis labelsax_mag.set_ylabel(r'$|Z(\omega)|$ ' +'$[{}]$'.format(units), fontsize=labelsize)ax_phs.set_ylabel(r'$-\phi_Z(\omega)$ ' + r'$[^o]$', fontsize=labelsize)for ax in axes:# Set the frequency axes title and make log scaleax.set_xlabel('f [Hz]', fontsize=labelsize)#注释掉了#ax.set_xscale('log')# Make the tick labels largerax.tick_params(axis='both', which='major', labelsize=ticksize)# Change the number of labels on each axis to five#注释掉了#ax.locator_params(axis='y', nbins=5, tight=True)   # Add a light gridax.grid(visible=True, which='major', axis='both', alpha=.5)# Change axis units to 10**log10(scale) and resize the offset textlimits = -np.log10(scale)if limits != 0:ax_mag.ticklabel_format(style='sci', axis='y',scilimits=(limits, limits))y_offset = ax_mag.yaxis.get_offset_text()y_offset.set_size(18)return axes

再次运行输出图形如下 

图4 修改后bode图

 这个需要修改的py文件路径可以再图三看到,我的路径如下D:\work apps\ENVS\ANACONDA\envs\d2l\Lib\site-packages\impedance

这篇关于impedance用于阻抗谱拟合的Python库,bode图的优化方法,impedance输出bode图的优化方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/157732

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

浅谈主机加固,六种有效的主机加固方法

在数字化时代,数据的价值不言而喻,但随之而来的安全威胁也日益严峻。从勒索病毒到内部泄露,企业的数据安全面临着前所未有的挑战。为了应对这些挑战,一种全新的主机加固解决方案应运而生。 MCK主机加固解决方案,采用先进的安全容器中间件技术,构建起一套内核级的纵深立体防护体系。这一体系突破了传统安全防护的局限,即使在管理员权限被恶意利用的情况下,也能确保服务器的安全稳定运行。 普适主机加固措施:

webm怎么转换成mp4?这几种方法超多人在用!

webm怎么转换成mp4?WebM作为一种新兴的视频编码格式,近年来逐渐进入大众视野,其背后承载着诸多优势,但同时也伴随着不容忽视的局限性,首要挑战在于其兼容性边界,尽管WebM已广泛适应于众多网站与软件平台,但在特定应用环境或老旧设备上,其兼容难题依旧凸显,为用户体验带来不便,再者,WebM格式的非普适性也体现在编辑流程上,由于它并非行业内的通用标准,编辑过程中可能会遭遇格式不兼容的障碍,导致操

MySQL高性能优化规范

前言:      笔者最近上班途中突然想丰富下自己的数据库优化技能。于是在查阅了多篇文章后,总结出了这篇! 数据库命令规范 所有数据库对象名称必须使用小写字母并用下划线分割 所有数据库对象名称禁止使用mysql保留关键字(如果表名中包含关键字查询时,需要将其用单引号括起来) 数据库对象的命名要能做到见名识意,并且最后不要超过32个字符 临时库表必须以tmp_为前缀并以日期为后缀,备份

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss