一、可用的技术路线

技术路线图.png

• 通过com层操作。建议学习LMS帮助文档Automation.pdf，里面有示例和接口说明。~~
• 通过导出.mat文件，使用matlab进行操作。
• 通过导出.mat文件，使用python进行操作，本文使用的方法。

根据个人喜欢，选择对应方法。

使用LMS处理数据，每个人都有自己比较顺手的方法。因为我个人比较讨厌重复性工作以及抄数据，所以一直都在追求自动化的方法，哪怕只有点点都行。
自动化能够解放我的工作，同时能够减少出错率，废话不多说，直接上代码。

代码块

1. 导入包

import os #系统操作包，我主要用来操作文件夹与文件
import pandas as pd # 非常热门的数据处理工具
from scipy.io import loadmat #科学计算处理包，对标matlab
from scipy import signal #信号处理包，主要用了滤波功能
from scipy.fftpack import fft, fftfreq, fftshift #快速傅里叶变换
from scipy import math #数学计算包
import matplotlib.pyplot as plt # 画图包
import win32com.client #win32com包，这里用不到，因为我看不懂
import numpy as np # 矩阵计算工具，非常厉害
import pymongo #mongo数据库包

2. 定义常用的方法

 #求时域信号的有效值，不是均值
def get_rms(records):
    return math.sqrt(sum([x**2 for x in records]) / len(records))

def get_max_level(a_rms, a0=10**-6):
    # 求加速度振级
    return 20*math.log(a_rms/a0, 10)

 #求振级
def vibt_level_diff(lvf, lvr):
    deltav = lvf - lvr
    pj = ''
    if deltav>0:
        pj = '悬置有隔振效果'
    else:
        pj = '振动经悬置传递后被放大'
    return deltav, pj

# 滤波
#   wn = 2*1024/12800 # 采样率12800， 截止频率1024,
def mylowpass(data,wn = 2*1024/12800):
    b, a = signal.butter(10, wn, 'lowpass')
    filtedData = signal.filtfilt(b, a, data)
    return filtedData

# 傅里叶变换
def myfft(mydata, t, n):
    l_max_hz = []
    l_max_a = []
    n = fourier.size
    freq = fftfreq(n, t)
    freq = fftshift(freq)[int(freq.size/2.0): freq.size]
    fourier = fftshift(fourier)[int(fourier.size/2.0): fourier.size]
    fourier = 2/n*np.abs(fourier)
    max_three_index = fourier.argsort()[::-1][0:1] #最大的前三位数
    big1 = [[fourier[i], freq[i]] for i in max_three_index]
    l_max_a.append(big1[0][0])
    l_max_hz.append(big1[0][1])
    return l_max_a, l_max_hz

上述方法可以根据自己的需求添加。建议将方法设置在方法类中，需要什么就取什么。

3. 载入文件

os.chdir(r'E:\2020test\truck01_data\truck01_hulan') #切换到数据目录
print(f'已经切换到路径：{os.getcwd()}')
print('*'*50)
matdirs = [matdir for matdir in os.listdir() if matdir.endswith('.mat')] #读取目录下后缀是.mat的所有文件
print(f'当前路径下的文件有：{[x for x in os.listdir()]}')

4. 计算并输出数据

for matdir in matdirs:
    filename = matdir #需要把这个文件名也存到数据库重
    print(f'开始处理{matdir}')
  
    m = loadmat(filename) #读取mat文件

    if 'Signal' in m.keys():
        data1 = pd.DataFrame(m['Signal'][0])
    else:
        data1 = pd.DataFrame(m['Signal_0'][0])

    datay = pd.DataFrame(data1['y_values'][0][0])
    datay1 = pd.DataFrame(datay['values'][0]) #这里就是所有振动数据的合集了

    dataname1 = pd.DataFrame(data1['function_record'][0][0])
    dataname2 = pd.DataFrame(dataname1['name'][0]).T
    dataname2['测点位置'] = dataname2[0].apply(lambda a: ''.join(list(a))) # 包含测点的信息
    dataname2.drop(columns=[0], inplace=True)
    datay1.columns = list(dataname2['测点位置'])

    testdata = pd.DataFrame(dataname1['creation_time'][0][0]) #获取文件创建时间
    dataname2['创建时间'] = testdata[0].apply(lambda a: ''.join(list(a)))
    testdata= pd.DataFrame(dataname1.last_modification_time[0][0]) #获取文件最后修改时间信息
    dataname2['修改时间'] = testdata[0].apply(lambda a: ''.join(list(a)))
    testdata= pd.DataFrame(dataname1.weighting[0][0]) #获取文件最后修改时间信息
    dataname2['加权函数'] = testdata[0].apply(lambda a: ''.join(list(a)))
    dataname2['数采通道'] = [x[0][0]for x in list(pd.DataFrame(pd.DataFrame(dataname1.primary_channel[0][0])['id'][0][0])[0])]
    dataname2['窗函数'] = pd.DataFrame(pd.DataFrame(pd.DataFrame(dataname1.energy_amplitude_transform[0][0])['windows'][0][0])['type'][0][0])[0].apply(lambda a: ''.join(list(a)))
    dataname2['项目文件'] = pd.DataFrame(pd.DataFrame(dataname1['TL_export_properties_annotation'][0][0])['project_name'][0][0])[0].apply(lambda a: ''.join(list(a)))
    dataname2['section文件'] = pd.DataFrame(pd.DataFrame(dataname1['TL_export_properties_annotation'][0][0])['section_name'][0][0])[0].apply(lambda a: ''.join(list(a)))
    dataname2['run目录'] = pd.DataFrame(pd.DataFrame(dataname1['TL_export_properties_annotation'][0][0])['run_name'][0][0])[0].apply(lambda a: ''.join(list(a)))
    dataname2['实际开始测时间'] = pd.DataFrame(pd.DataFrame(dataname1['TL_export_properties_annotation'][0][0])['absolute_time'][0][0])[0].apply(lambda a: ''.join(list(a)))
    dataname2['通道类型'] = pd.DataFrame(pd.DataFrame(dataname1['TL_export_properties_annotation'][0][0])['channel_group'][0][0])[0].apply(lambda a: ''.join(list(a)))
    dataname2['文件路径'] = pd.DataFrame(pd.DataFrame(dataname1['TL_export_properties_annotation'][0][0])['orig_location'][0][0])[0].apply(lambda a: ''.join(list(a)))


    datax = pd.DataFrame(data1['x_values'][0][0])
    startvalue = datax.start_value[0][0][0] #时域开始点
    increment = datax.increment[0][0][0] #步长
    datalen = datax.number_of_values[0][0][0] #时间长度，这个值也可以通过 len(datay1)求出
    t = len(datay1)*increment+startvalue #信号长度，这个可以用来校核信号是否取完整了
    datainfo = pd.DataFrame(datax.quantity[0][0])
    info = datainfo['info'][0][0] #这是显示data保存的信息

    dataname2['采集开始点'] = startvalue
    dataname2['步长'] = increment
    dataname2['采样频率'] = 1/increment
    dataname2['样本长度'] = datalen
    dataname2['官方信息'] = info


    ### 经纬度信息
    latlong = pd.DataFrame(m['Signal_1'][0][0][1][0][0][0], columns = ['维度', '精度']) # 经纬度信息
    factor = pd.DataFrame(m['Signal_1'][0][0][1][0][0][1][0][0][1][0])['factor'][0][0][0] #因子
    log_reference = pd.DataFrame(m['Signal_1'][0][0][1][0][0][1][0][0][1][0])['log_reference'][0][0][0] #我也不知道是啥
    offset = pd.DataFrame(m['Signal_1'][0][0][1][0][0][1][0][0][1][0])['offset'][0][0][0]
    unit = m['Signal_1'][0][0][1][0][0][1][0][0][0][0] #经纬度单位
    speed = pd.DataFrame(m['Signal_4'][0][0][1][0][0][0]*3.6, columns=['车速']) # gps车速，单位m/s
    altitude = pd.DataFrame(m['Signal_2'][0][0][1][0][0][0], columns = ['altitude'])# Altitulde 海拔信息
    data_lat_log_velocity = pd.concat([latlong, speed, altitude], axis=1)
    # m['Signal_3'] # 东速度 西速度 啥的 不用管它，不读
    # m['Signal_5'] #卫星数
    # m['Signal_6'] #can转速，导不出来


    # 进行低通滤波
    datay1_lp = datay1.apply(mylowpass, axis=0)

    # 计算常规评价指标如RMS等
    l_rms = [] # 求RMS值
    l_zj = [] # 求振级
    l_max = [] #求最大值
    l_mean = [] # 求均值
    l_std = [] # 求均方差
    l_min = [] # 求最小值
    l_true_max = [] #求绝对值最大值

    for col in datay1_lp.columns:
        data_describle = datay1_lp[col].describe()
        rms = get_rms(datay1_lp[col])
        l_rms.append(float('%.3f'%(rms)))
        l_zj.append(float('%.3f'%(get_max_level(rms))))
        l_max.append('%.3f'%data_describle['max'])
        l_mean.append('%.3f'%data_describle['mean'])
        l_std.append('%.3f'%data_describle['std'])
        l_min.append('%.3f'%data_describle['min'])
        l_true_max.append('%.3f'%abs(datay1_lp[col]).max())

    data_result = pd.DataFrame([list(dataname2['测点位置']), l_rms, l_zj, l_max, l_mean, l_std, l_min, l_true_max])
    data_result = data_result.T
    data_result.columns = ['测点', 'RMS', '振级','正向最大值','平均值','方差','最小值','绝对值最大值']

    #计算RMS综合值
    data_result_v1 = data_result.copy()
    data_result_v1['RMS_综合'] = 0
    data_result_v1['振级_综合'] = 0
    for row in range(int(len(data_result) / 3)):
        data_result_v1.loc[3*row+2,['RMS_综合']] = '%.3f'%(np.sqrt(data_result.loc[3*row,'RMS']**2+data_result.loc[3*row+1,'RMS']**2+data_result.loc[3*row+2,'RMS']**2))
        data_result_v1.loc[3*row+2,['振级_综合']] = '%.3f'%(np.sqrt(data_result.loc[3*row,'振级']**2+data_result.loc[3*row+1,'振级']**2+data_result.loc[3*row+2,'振级']**2))

    # 做傅里叶变换
    # def myfft()
    datay1.apply(myfft, args=(dataname2.loc[0,'步长'], len(datay1),),axis=0)

    data_result_v1['平均车速'] = speed.mean()
    dataiii = pd.DataFrame(datay1.apply(myfft, args=(dataname2.loc[0,'步长'], len(datay1),),axis=0))
    data_result_v1['最大加速度_a'] = list(pd.DataFrame(dataiii)[0].apply(lambda a:a[0][0]))
    data_result_v1['最大加速度_Hz'] = list(pd.DataFrame(dataiii)[0].apply(lambda a:a[1][0]))
    
    #保存文件
    data_result_v1.to_excel(dataname2['section文件'][1]+'_'+dataname2['run目录'][1]+'.xlsx',index=False, dtype='float64')
    print(f'{matdir}已经处理完毕')
print('Successed!!')

• 振动时域信号放在datay1中
  
  datay1.PNG
• 信号相关信息存放在dataname2中
  
  dataname2.PNG
• 输出结果放在data_result_v1中
  
  data_result.PNG
  
  根据业务需求制定相关方法，代入脚本计算出相关结果。
  我个人认为上面的自动化脚本好处还是有的。
• 输出的三张表分别存储了时域数据，数据信息，输出结果。其中数据信息和输出结果的索引都是通道，所以他们可以直接关联的。
  时域数据列标签就是其他两张表的行标签，也可以关联。针对上述的数据，我大概做了两个数据库的存储模型，非常简陋。
• 数据库模型一

{
    "_id" : ObjectId("5e73f335d913cc99e304489d"),
    "测点" : "the test point",
    "RMS" : "2.323",
    "振级" : "127.321",
    "正向最大值" : "11.193",
    "平均值" : "-0.006",
    "方差" : "2.323",
    "最小值" : "-12.654",
    "绝对值最大值" : "12.654",
    "测点位置" : "the test point",
    "创建时间" : "2020/03/07 17:37:57",
    "修改时间" : "2020/03/07 17:37:57",
    "加权函数" : "NONE",
    "数采通道" : "3",
    "窗函数" : "UNKNOWN",
    "项目文件" : "Project1",
    "section文件" : "the  section name",
    "run目录" : "平直路40km_h 1",
    "实际开始测时间" : "2020-03-07 09:37:52 ms 726.999",
    "通道类型" : "Vibration",
    "文件路径" : "filepath" #
    "采集开始点" : "1.2251250597895408e-05",
    "步长" : "7.8125e-05",
    "采样频率" : "12800.0",
    "样本长度" : "301940",
    "官方信息" : "Data saved by Testlab in MKS",
    "mat文件地址" : "J:\\testlabfile", #对应输出的mat文件
    "mat文件" : "3.mat"
}

• 数据库模型二

"result" : [ 
        {
          resultinfo，
      
        },... ]
        ...
"info": {...}

存放在数据库中的好处有很多，比如方便crud(增删查改)，数据共享……等等。

5. 后续计划

• 共享数据
  后续主要是打算通过api的方式共享数据，可能选择flask，fastapi，echarts这些比较简单亲民的框架。
• 数据挖掘
  通过使用sklearn，XGBOOST，pytorch，paddlepaddle做一些数据分析。
  🤦‍😂😂🤦‍，求不要嘲笑。

附图：python处理的数据路线

python主要的包.png