正弦波高频注入仿真模型
最近在研究正弦波高频注入的仿真模型，感觉这东西挺有意思的。高频注入技术在很多领域都有应用，比如电机控制、电力系统等。今天就来聊聊怎么用Python实现一个简单的正弦波高频注入仿真模型。
首先，我们需要生成一个正弦波信号。Python的numpy库在这方面非常给力。下面这段代码可以生成一个频率为1kHz的正弦波信号：
import numpy as np import matplotlib.pyplot as plt sampling_rate = 10000 # 采样率 frequency = 1000 # 信号频率 duration = 1 # 信号持续时间 t = np.linspace(0, duration, int(sampling_rate * duration), endpoint=False) signal = np.sin(2 * np.pi * frequency * t) # 绘制信号 plt.plot(t, signal) plt.title('1kHz正弦波') plt.xlabel('时间 [s]') plt.ylabel('幅值') plt.show()这段代码生成了一个1kHz的正弦波信号，并且用matplotlib库绘制了出来。sampling_rate是采样率，frequency是信号频率，duration是信号持续时间。np.linspace生成了时间轴，np.sin生成了正弦波信号。
接下来，我们需要在这个正弦波信号上注入高频信号。假设我们要注入一个10kHz的高频信号，代码可以这样写：
high_frequency = 10000 # 高频信号频率 high_signal = np.sin(2 * np.pi * high_frequency * t) # 叠加信号 combined_signal = signal + high_signal # 绘制叠加后的信号 plt.plot(t, combined_signal) plt.title('1kHz正弦波 + 10kHz高频信号') plt.xlabel('时间 [s]') plt.ylabel('幅值') plt.show()这里我们生成了一个10kHz的高频信号，然后把它和之前的1kHz正弦波信号叠加在一起。combined_signal就是叠加后的信号。通过matplotlib绘制出来，可以看到信号中既有1kHz的成分，也有10kHz的成分。
为了更直观地观察高频注入的效果，我们可以对信号进行傅里叶变换，看看频谱分布：
from scipy.fft import fft, fftfreq # 计算FFT N = len(combined_signal) yf = fft(combined_signal) xf = fftfreq(N, 1 / sampling_rate) # 绘制频谱 plt.plot(xf[:N // 2], 2.0 / N * np.abs(yf[:N // 2])) plt.title('频谱') plt.xlabel('频率 [Hz]') plt.ylabel('幅值') plt.show()这段代码使用了scipy.fft库中的fft函数来计算信号的傅里叶变换，fftfreq函数生成频率轴。通过绘制频谱图，可以清晰地看到1kHz和10kHz两个频率成分。
最后，我们可以通过滤波器来提取出高频信号。这里我们使用scipy.signal库中的巴特沃斯滤波器：
from scipy import signal # 设计滤波器 sos = signal.butter(4, [9000, 11000], 'bandpass', fs=sampling_rate, output='sos') filtered_signal = signal.sosfilt(sos, combined_signal) # 绘制滤波后的信号 plt.plot(t, filtered_signal) plt.title('滤波后的10kHz高频信号') plt.xlabel('时间 [s]') plt.ylabel('幅值') plt.show()这段代码设计了一个4阶的巴特沃斯带通滤波器，通带范围是9kHz到11kHz。signal.sosfilt函数对叠加后的信号进行滤波，提取出10kHz的高频信号。通过matplotlib绘制出来，可以看到滤波后的信号基本只保留了10kHz的成分。
总的来说，正弦波高频注入的仿真模型实现起来并不复杂，Python的numpy、scipy和matplotlib库提供了强大的工具，可以轻松完成信号生成、叠加、频谱分析和滤波等操作。如果你对这方面感兴趣，不妨动手试试，说不定会有更多的发现。
