告别混沌！FMPy模型输出可视化全攻略：从基础图表到交互式仪表盘
项目地址: https://gitcode.com/gh_mirrors/fm/FMPy 你是否曾为FMU (Functional Mockup Unit，功能模型单元)仿真结果的杂乱可视化而困扰？是否在调试复杂模型时因图表表达不足而浪费数小时？本文将系统讲解FMPy (Functional Mockup Interface for Python)中模型输出可视化的优化技巧，通过12个实战案例和7种进阶方案，帮你将原始仿真数据转化为直观易懂的工程洞察。读完本文，你将掌握从基础图表定制到交互式仪表盘开发的全流程技能，让你的仿真结果传达更精准的工程含义。
一、FMPy可视化核心原理与痛点分析
FMPy作为Python生态中主流的FMI标准实现库，提供了从FMU加载、仿真到结果可视化的完整工具链。其可视化功能主要通过fmpy.util模块中的plot_result()函数实现，该函数基于Plotly库构建交互式图表，支持多变量对比、事件标记和单位自动转换等核心功能。
1.1 数据结构基础：SimulationResult对象
FMPy仿真结果通常以结构化NumPy数组形式返回，包含时间序列数据和变量元信息：
# 典型仿真结果数据结构
result = simulate_fmu(
filename='CoupledClutches.fmu',
start_time=0,
stop_time=1.5,
output=['outputs[1]', 'outputs[2]', 'outputs[3]', 'outputs[4]']
)
print(result.dtype.names) # 输出变量名称: ('time', 'outputs[1]', 'outputs[2]', ...)
print(result['time'].shape) # 时间轴数组: (150,)
print(result['outputs[1]'].dtype) # 变量数据类型: float64
这种结构将时间作为独立变量，所有仿真变量作为从属变量，形成典型的时间序列矩阵，为多变量对比可视化奠定基础。
1.2 默认可视化流程与局限
标准可视化调用通过plot_result()实现：
from fmpy.util import plot_result
plot_result(result=result, window_title="耦合离合器仿真结果")
这将生成包含所有输出变量的垂直排列子图，每个子图显示一个变量随时间的变化曲线。虽然便捷，但在工程实践中存在显著局限：
| 痛点 | 具体表现 | 影响 |
|---|---|---|
| 变量拥挤 | 超过5个变量时图表高度超过屏幕 | 无法直观比较变量关系 |
| 单位混乱 | 不同物理量使用默认单位显示 | 工程解读易产生误解 |
| 静态呈现 | 缺乏数据点交互查询功能 | 难以精确定位异常值 |
| 事件隐藏 | 仅通过垂直线标记事件点，无详细信息 | 事件与变量变化关联性不明确 |
| 导出限制 | 图表格式和分辨率难以定制 | 无法直接用于报告和论文 |
二、基础可视化优化：从默认到专业
2.1 变量筛选与布局控制
核心问题：默认显示所有输出变量导致信息过载
解决方案：通过names参数精确指定需可视化的变量，并优化子图布局
# 优化1: 筛选关键变量
plot_result(
result=result,
names=['outputs[1]', 'outputs[3]'], # 仅显示两个关键变量
height=600 # 固定图表高度
)
# 优化2: 自定义子图排列 (需直接调用create_plotly_figure)
from fmpy.util import create_plotly_figure
fig = create_plotly_figure(
result=result,
names=['outputs[1]', 'outputs[2]', 'outputs[3]', 'outputs[4]'],
height=800
)
fig.update_layout(grid={'rows': 2, 'columns': 2}) # 2x2网格布局
fig.show()
效果对比：
- 默认布局：4个变量垂直排列，高度超过1200px
- 优化布局：2x2网格排列，在800px高度内完整显示所有变量
2.2 单位系统与时间轴优化
FMPy的create_plotly_figure()函数内置了智能单位转换逻辑，可根据时间跨度自动选择合适的时间单位：
# 单位优化示例
fig = create_plotly_figure(
result=result,
time_unit='ms' # 强制使用毫秒单位
)
# 自定义时间轴范围 (聚焦关键时间段)
fig.update_xaxes(range=[0.5, 1.0]) # 仅显示0.5-1.0秒区间
fig.show()
时间单位自动转换规则：
| 时间跨度 | 自动选择单位 | 转换因子 | 适用场景 |
|---|---|---|---|
| <1ms | 'us' (微秒) | ×1e6 | 高频动态系统 |
| 1ms-1s | 'ms' (毫秒) | ×1e3 | 机电暂态过程 |
| 1s-10min | 's' (秒) | ×1 | 常规动态仿真 |
| 10min-24h | 'min' (分钟) | ÷60 | 长时间运行过程 |
| >24h | 'days' (天) | ÷86400 | 系统老化仿真 |
2.3 事件标记与异常突出
工程仿真中常需关注事件点（如状态切换、不连续点），FMPy通过events参数支持事件可视化：
# 事件可视化增强
plot_result(
result=result,
events=True, # 标记事件点
markers=True # 显示数据点标记
)
# 自定义事件样式 (高级用法)
fig = create_plotly_figure(result=result, events=True)
# 修改事件线样式
for shape in fig.layout.shapes:
if shape['type'] == 'line': # 识别事件线
shape['line']['color'] = '#ff4444' # 红色事件线
shape['line']['width'] = 2
shape['line']['dash'] = 'dash'
fig.show()
事件点在时间轴上表现为重复的时间戳，create_plotly_figure()通过检测time数组中的重复值识别事件，并用黄色垂直线标记。通过自定义样式可增强事件的视觉辨识度。
三、进阶可视化技术：多维度分析与定制化
3.1 多变量相关性分析
对于多输入多输出系统，变量间的相关性分析至关重要。通过组合使用FMPy和Plotly的散点矩阵功能，可构建变量相关性分析面板：
import plotly.figure_factory as ff
import pandas as pd
# 转换为DataFrame便于分析
df = pd.DataFrame(result)
# 创建散点矩阵
fig = ff.create_scatterplotmatrix(
df[['outputs[1]', 'outputs[2]', 'outputs[3]']],
diag='kde', # 对角线显示核密度估计
height=800,
title='变量相关性分析'
)
fig.update_layout(showlegend=True)
fig.show()
这种可视化方法特别适合识别变量间的线性/非线性关系，例如机械系统中转速与扭矩的耦合特性。
3.2 动态范围调整与对数刻度
对于包含大幅值变化的变量（如电力系统中的电压暂态），线性刻度可能掩盖关键细节。FMPy支持通过Plotly的轴类型设置实现对数刻度：
fig = create_plotly_figure(result=result, names=['outputs[1]'])
# 设置Y轴为对数刻度
fig.update_yaxes(
type='log', # 对数刻度
exponentformat='E', # 科学计数法显示
title='电压 [V] (对数刻度)'
)
# 添加参考线
fig.add_hline(
y=220, line_dash="dash",
annotation_text="额定电压",
annotation_position="bottom right"
)
fig.show()
3.3 仿真结果与参考数据对比
工程验证中常需将仿真结果与实验数据或参考解对比，FMPy的plot_result()支持传入reference参数实现对比可视化：
# 加载参考数据
reference = np.genfromtxt('experimental_data.csv', delimiter=',', names=True)
# 对比可视化
plot_result(
result=result,
reference=reference,
names=['outputs[1]'] # 指定对比变量
)
# 高级对比：自定义误差带
fig = create_plotly_figure(result=result, names=['outputs[1]'])
# 添加参考数据
fig.add_trace(go.Scatter(
x=reference['time'],
y=reference['measured_value'],
name='实验数据',
mode='markers',
marker=dict(color='red', size=6)
))
# 添加误差带
fig.add_trace(go.Scatter(
x=reference['time'],
y=reference['measured_value'] + reference['uncertainty'],
name='上误差界',
mode='lines',
line=dict(width=0),
showlegend=False
))
fig.add_trace(go.Scatter(
x=reference['time'],
y=reference['measured_value'] - reference['uncertainty'],
fill='tonexty', # 填充到上误差界
fillcolor='rgba(255,0,0,0.2)',
line=dict(width=0),
name='测量不确定度',
))
fig.show()
四、批量可视化与报告自动化
4.1 多参数仿真结果对比
参数扫描分析（如不同设计参数下的系统响应）需要对比多个仿真结果。通过自定义函数可实现批量处理与可视化：
def compare_parameter_variations(parameters, results, variable='outputs[1]'):
"""对比不同参数下的仿真结果"""
fig = go.Figure()
for param_value, result in zip(parameters, results):
fig.add_trace(go.Scatter(
x=result['time'],
y=result[variable],
name=f'频率={param_value}Hz'
))
fig.update_layout(
title=f'{variable}随频率变化曲线',
xaxis_title='时间 [s]',
yaxis_title='输出扭矩 [N·m]',
legend_title='参数设置'
)
return fig
# 批量仿真不同参数
parameters = [0.2, 0.4, 0.6, 0.8]
results = []
for freq in parameters:
result = simulate_fmu(
filename='CoupledClutches.fmu',
start_values={'CoupledClutches1_freqHz': freq},
output=['outputs[1]']
)
results.append(result)
# 生成对比图表
fig = compare_parameter_variations(parameters, results)
fig.show()
4.2 自动化报告生成
结合Jinja2模板引擎和FMPy可视化功能，可实现仿真报告的自动化生成：
from jinja2 import Template
import plotly.io as pio
# 1. 生成关键图表
fig1 = create_plotly_figure(result=result, names=['outputs[1]', 'outputs[2]'])
fig2 = create_plotly_figure(result=result, names=['outputs[3]', 'outputs[4]'])
# 2. 导出为HTML
chart1_html = pio.to_html(fig1, full_html=False)
chart2_html = pio.to_html(fig2, full_html=False)
# 3. 使用模板生成报告
template = Template("""
<h1>耦合离合器系统仿真报告</h1>
<p>仿真时间: {{ start_time }}至{{ stop_time }}秒</p>
<h2>主要输出特性</h2>
{{ chart1 }}
<h2>辅助变量响应</h2>
{{ chart2 }}
<h2>关键指标</h2>
<table>
<tr><th>指标</th><th>数值</th><th>单位</th></tr>
<tr><td>最大输出扭矩</td><td>{{ max_torque }}</td><td>N·m</td></tr>
<tr><td>稳态误差</td><td>{{ steady_state_error }}%</td><td></td></tr>
</table>
""")
# 4. 渲染模板
report_html = template.render(
start_time=0,
stop_time=1.5,
chart1=chart1_html,
chart2=chart2_html,
max_torque=np.max(result['outputs[1]']),
steady_state_error=0.8
)
# 5. 保存报告
with open('simulation_report.html', 'w') as f:
f.write(report_html)
五、性能优化与大型数据集可视化
5.1 数据降采样策略
对于高频仿真数据（如电力电子系统的微秒级仿真），原始数据点可能达数百万个，直接可视化会导致性能下降。FMPy提供间接支持通过数据降采样提升交互性能：
def downsample_result(result, max_points=1000):
"""智能降采样，保留关键特征点"""
n_samples = len(result)
if n_samples <= max_points:
return result
# 计算采样间隔
interval = max(1, n_samples // max_points)
# 保留事件点
time = result['time']
events = np.where(np.diff(time) == 0)[0] + 1 # 事件点索引
# 生成采样索引
indices = np.unique(np.concatenate([
np.arange(0, n_samples, interval), # 均匀采样
events # 事件点
]))
return result[np.sort(indices)]
# 降采样应用
downsampled = downsample_result(result, max_points=1000)
plot_result(result=downsampled)
5.2 3D可视化与参数空间探索
对于包含空间分布的模型（如温度场、应力分布），FMPy可结合Plotly的3D功能实现空间可视化：
# 假设result包含空间坐标数据
fig = go.Figure(data=[go.Scatter3d(
x=result['x_coord'],
y=result['y_coord'],
z=result['temperature'],
mode='markers',
marker=dict(
size=5,
color=result['temperature'], # 颜色映射温度值
colorscale='Viridis', # 温度色标
colorbar_title='温度 [°C]'
)
)])
fig.update_layout(
scene=dict(
xaxis_title='X坐标 [mm]',
yaxis_title='Y坐标 [mm]',
zaxis_title='温度 [°C]'
),
title='电机定子温度分布'
)
fig.show()
六、实战案例：耦合离合器系统动态特性分析
以下通过完整案例展示FMPy可视化优化的全流程，以CoupledClutches.fmu模型为例，分析不同输入频率下的系统动态响应。
6.1 基础仿真与默认可视化
from fmpy import simulate_fmu
from fmpy.util import plot_result
# 基础仿真
result = simulate_fmu(
filename='CoupledClutches.fmu',
start_time=0,
stop_time=1.5,
output=['outputs[1]', 'outputs[2]', 'outputs[3]', 'outputs[4]']
)
# 默认可视化
plot_result(result=result, window_title="耦合离合器默认仿真结果")
6.2 多参数扫描与对比可视化
# 定义参数扫描范围
frequencies = [0.2, 0.4, 0.6, 0.8] # 输入频率
results = []
# 批量仿真
for freq in frequencies:
res = simulate_fmu(
filename='CoupledClutches.fmu',
start_time=0,
stop_time=1.5,
start_values={'CoupledClutches1_freqHz': freq},
output=['outputs[1]']
)
results.append(res)
# 创建对比图表
import plotly.graph_objects as go
fig = go.Figure()
for freq, res in zip(frequencies, results):
fig.add_trace(go.Scatter(
x=res['time'],
y=res['outputs[1]'],
name=f'频率={freq}Hz'
))
fig.update_layout(
title='不同输入频率下的离合器输出扭矩',
xaxis_title='时间 [s]',
yaxis_title='输出扭矩 [N·m]',
legend_title='输入频率',
template='plotly_white'
)
# 添加关键点标注
fig.add_annotation(
x=0.8, y=12,
text="共振点",
showarrow=True,
arrowhead=1
)
fig.show()
6.3 事件分析与动态特性提取
# 识别事件点
time = result['time']
events = np.where(np.diff(time) == 0)[0] + 1 # 事件点索引
# 提取事件时刻的变量值
event_times = time[events]
event_values = result['outputs[1]'][events]
# 创建事件分析图表
fig = go.Figure()
# 主曲线
fig.add_trace(go.Scatter(
x=time, y=result['outputs[1]'],
name='输出扭矩', line=dict(width=2)
))
# 事件点标记
fig.add_trace(go.Scatter(
x=event_times, y=event_values,
name='事件点', mode='markers',
marker=dict(color='red', size=8, symbol='star')
))
# 事件统计
event_stats = pd.DataFrame({
'时间': event_times,
'扭矩值': event_values,
'变化率': np.diff(event_values, prepend=0)
})
# 在图表中嵌入统计表格
fig.add_annotation(
x=0.05, y=0.95, xref='paper', yref='paper',
text=event_stats.to_html(index=False),
showarrow=False,
bgcolor='white',
bordercolor='black',
borderwidth=1
)
fig.show()
七、总结与最佳实践
FMPy提供了强大而灵活的模型输出可视化工具，通过合理应用本文介绍的优化技巧，可显著提升仿真结果的表达力和工程洞察力。以下是关键最佳实践总结：
7.1 可视化工作流建议
- 数据准备阶段：明确可视化目标，筛选关键变量，避免信息过载
- 基础可视化：使用
plot_result()快速生成初始图表，识别主要特征 - 定制优化：根据数据特性选择合适的可视化类型（线性/对数刻度、2D/3D等）
- 对比分析：添加参考数据、事件标记和统计信息增强工程含义
- 报告输出：选择合适的导出格式（PNG/SVG/PDF），确保分辨率满足需求
7.2 性能与兼容性考虑
- 对于大型数据集（>10万点），始终应用降采样
- 为确保跨平台兼容性，优先使用SVG格式导出矢量图
- Web应用中考虑使用轻量化图表（通过
include_plotlyjs='cdn'减少加载时间）
7.3 进阶学习资源
- FMPy官方文档：https://fmpy.readthedocs.io
- Plotly图表库：https://plotly.com/python/
- FMI标准规范：https://fmi-standard.org/
通过掌握这些可视化技巧，你将能够更有效地从仿真数据中提取工程洞察，加速模型验证和设计优化过程。无论是学术研究、工程开发还是教学演示，高质量的可视化都将成为你传达复杂动态系统行为的强大工具。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
