AMESim 与 Python 联合仿真的核心在于利用 AMESim 的外部程序接口或标准数据交换格式，通过 Python 脚本实现参数化建模、自动化仿真、数据交互和结果后处理。虽然官方对 Python 的直接支持不如 Simulink，但可以通过多种灵活方式实现深度集成 [ref_3]。 ### **核心实现方案对比** 下表汇总了主要的实现技术路径、原理、关键工具与适用场景： | **技术路径** | **实现原理** | **关键工具/接口** | **主要优点** | **适用场景** | | :--- | :--- | :--- | :--- | :--- | | **基于 COM 接口** | 利用 AMESim 暴露的 COM（Component Object Model）自动化接口，通过 Python 的 `win32com` 库进行远程控制。 | AMESim COM API、Python `win32com.client` | 控制粒度最细，可实现从建模到仿真的全流程自动化，无需生成中间文件。 | 参数化研究、设计优化、批量仿真、自动化报告生成。 | | **基于 FMI/FMU 标准** | AMESim 模型导出为标准的功能 mock-up 单元（FMU），在 Python 环境中通过 FMI 兼容库进行 co-simulation 或 model exchange。 | AMESim 的 FMU 导出功能、Python `fmpy`/`pyfmi` 库 | 标准化程度高，实现软硬件解耦，可在不同支持 FMI 的工具间复用模型。 | 跨平台/跨工具模型集成、与控制算法（在 Python 中实现）的协同仿真。 | | **基于文件交互** | Python 脚本生成或修改 AMESim 模型参数文件（.ame）、仿真脚本（.script）或结果文件（.res/.plot），通过 AMESim 批处理模式调用。 | `.ame` 文件、`.script` 文件、AMESim 命令行 | 实现简单，无需依赖特定接口库，稳定性高。 | 简单的参数批量修改、仿真任务队列管理、历史数据处理。 | ### **详细实现步骤与代码示例** #### **方案一：基于 COM 接口的自动化控制** 这是功能最强大的集成方式。AMESim 提供了完整的 COM 自动化接口，允许外部程序（如 Python）启动、控制 AMESim 并与其交互。 **1. 环境配置** 确保 AMESim 已正确安装，并且 Python 环境中安装了 `pywin32` 库。 ```python # 安装必要的 Python 库 # pip install pywin32 ``` **2. Python 控制 AMESim 的核心流程与代码** 以下代码展示了从启动 AMESim、打开模型、设置参数、运行仿真到获取结果的全流程。 ```python import win32com.client import os # 1. 启动 AMESim 并获取其 COM 对象 amesim_app = win32com.client.Dispatch("AMESim.Application") # 使 AMESim 界面可见（调试时建议打开） amesim_app.Visible = True # 2. 打开指定的 AMESim 模型文件 (.ame) model_path = r"C:\MyModels\hydraulic_system.ame" # 使用 Open 方法打开模型，返回一个 Model 对象 model = amesim_app.Open(model_path) # 3. 获取子模型并设置参数 # 假设模型中有一个名为 “pump_speed” 的参数变量 # 首先获取参数所在的子模型（此处以 SuperComponent 为例） submodel = model.SubModels(1) # 索引从1开始，获取第一个子模型 # 设置该子模型下名为“pump_speed”的变量值为 1500.0 (rpm) submodel.SetVariable("pump_speed", 1500.0) # 4. 编译模型（生成可执行仿真代码） # 这是运行仿真前的必要步骤 model.Compile() # 5. 运行仿真 # 设置仿真停止时间为 10 秒 model.SetFinalTime(10.0) # 开始运行仿真 model.Run() # 6. 读取仿真结果 # 获取模型中名为 “pressure_sensor” 的变量数据 result_variable_name = "pressure_sensor" # GetVariableValues 方法返回一个包含 (时间数组, 数据数组) 的元组 times, values = model.GetVariableValues(result_variable_name) # 7. 在 Python 中进行数据处理 (示例：计算平均值) average_pressure = sum(values) / len(values) if len(values) > 0 else 0 print(f"平均压力: {average_pressure:.2f} Pa") # 8. 可选：导出结果到 CSV 文件 import csv output_file = "simulation_results.csv" with open(output_file, 'w', newline='') as csvfile: writer = csv.writer(csvfile) writer.writerow(['Time (s)', 'Pressure (Pa)']) writer.writerows(zip(times, values)) print(f"结果已导出至: {output_file}") # 9. 关闭模型（不保存）并退出 AMESim model.Close(False) # False 表示不保存更改 amesim_app.Quit() ``` **3. 高级应用：参数扫描与优化** 基于 COM 接口，可以轻松实现参数扫描，这是设计空间探索的基础。 ```python import numpy as np # 定义要扫描的参数及其范围 param_name = "orifice_diameter" diameters = np.linspace(0.001, 0.005, 10) # 生成10个直径值，单位：m max_pressures = [] # 用于存储每次仿真的最大压力结果 for d in diameters: # 重新打开模型以确保每次仿真独立（或使用模型副本） model = amesim_app.Open(model_path) submodel = model.SubModels(1) submodel.SetVariable(param_name, d) model.Compile() model.Run() # 读取并计算本次仿真的峰值压力 times, pressures = model.GetVariableValues("pressure_sensor") max_pressure = max(pressures) if pressures else 0 max_pressures.append(max_pressure) print(f"孔径 {d:.5f} m -> 峰值压力 {max_pressure:.2f} Pa") model.Close(False) # 在 Python 中分析并可视化结果 import matplotlib.pyplot as plt plt.plot(diameters, max_pressures, 'o-') plt.xlabel('Orifice Diameter (m)') plt.ylabel('Max Pressure (Pa)') plt.title('Parameter Sweep Results') plt.grid(True) plt.savefig('param_sweep.png') plt.show() ``` #### **方案二：基于 FMI/FMU 的协同仿真** 此方案遵循标准化流程，AMSsim 模型作为独立的 FMU 被 Python 环境调用。 **1. 从 AMESim 导出 FMU** * 在 AMESim 中完成模型搭建和参数设置。 * 点击菜单 `File` -> `Export` -> `FMU for Co-Simulation`。 * 选择 FMU 版本（如 2.0），设置输出目录和文件名，生成 `.fmu` 文件。`.fmu` 文件是一个 zip 压缩包，包含了模型描述文件 `modelDescription.xml`、编译后的二进制文件及资源 [ref_3]。 **2. Python 环境配置与 FMU 加载** ```python # 安装 FMI 兼容库，推荐使用 fmpy # pip install fmpy import fmpy import numpy as np from fmpy import read_model_description, extract, instantiate_fmu, simulate_fmu # 指定导出的 FMU 文件路径 fmu_filename = 'hydraulic_system.fmu' # 方法1：使用 fmpy 高级函数快速仿真 # 设置仿真参数：开始时间、停止时间、输出步长 start_time = 0.0 stop_time = 10.0 step_size = 0.01 # 定义输入信号：将 FMU 的输入变量“valve_input”与一个时间序列关联 inputs = { 'valve_input': np.column_stack([ np.arange(start_time, stop_time, step_size), # 时间点 0.5 + 0.3 * np.sin(np.arange(start_time, stop_time, step_size)) # 对应的输入值（正弦信号） ]) } # 运行协同仿真 result = simulate_fmu( fmu_filename, start_time=start_time, stop_time=stop_time, step_size=step_size, input=inputs, # 传入输入信号 output=['pressure_sensor', 'flow_rate'] # 指定需要输出的变量名 ) # `result` 是一个结构化数组（或字典，取决于版本），可直接用于分析 print(f"仿真完成。最后时刻的压力为: {result['pressure_sensor'][-1]}") # 方法2：使用 fmpy 低级 API 进行更精细的控制（例如：实现PID控制闭环） model_description = read_model_description(fmu_filename) # 读取模型描述 unzipdir = extract(fmu_filename) # 解压 FMU fmu = instantiate_fmu(unzipdir, model_description) # 实例化 FMU fmu.initialize(start_time) # 初始化 FMU time = start_time outputs = [] while time < stop_time: # 在 Python 中实时计算控制量（例如 PID 控制器输出） # 假设需要读取当前压力来计算阀门开度 pressure = fmu.getReal([fmu.getVariableValueReference('pressure_sensor')])[0] valve_command = calculate_pid_output(pressure, setpoint=1e6) # 用户自定义的控制函数 # 将控制量设置回 FMU fmu.setReal([fmu.getVariableValueReference('valve_input')], [valve_command]) # 执行一个步长的协同仿真 fmu.doStep(currentCommunicationPoint=time, communicationStepSize=step_size) time += step_size # 记录输出 outputs.append([time, pressure, valve_command]) fmu.terminate() # 终止仿真 fmu.freeInstance() # 释放实例 ``` #### **方案三：基于文件交互的批处理** 对于不要求实时交互的场景，这是一种稳定可靠的方法。 **1. 准备 AMESim 仿真脚本 (`.script`)** 首先在 AMESim GUI 中录制或手动编写一个脚本文件 `run_simulation.script`，内容如下： ``` // AMESim 仿真脚本 load hydraulic_system.ame // 加载模型 set final time 10 // 设置仿真停止时间 run // 运行仿真 export curves "pressure_sensor" to “result.csv” format CSV // 导出结果到CSV quit // 退出 AMESim ``` **2. Python 脚本驱动批处理** ```python import subprocess import os import pandas as pd # AMESim 可执行文件路径 (以 Windows 为例) amesim_exe = r"C:\Program Files\Siemens\Amesim\v1900\scripting\bin\amesim.exe" # 仿真脚本路径 script_file = r"C:\MyModels\run_simulation.script" # 通过命令行调用 AMESim 执行脚本 # “-script” 参数指定要运行的脚本 cmd = [amesim_exe, '-script', script_file] try: result = subprocess.run(cmd, capture_output=True, text=True, check=True, cwd=os.path.dirname(script_file)) print("仿真成功完成。") print("STDOUT:", result.stdout) except subprocess.CalledProcessError as e: print("仿真执行失败。") print("STDERR:", e.stderr) # 读取 AMESim 生成的 CSV 结果文件 result_file = os.path.join(os.path.dirname(script_file), "result.csv") if os.path.exists(result_file): df = pd.read_csv(result_file) print("仿真结果摘要：") print(df.describe()) ``` ### **方案选择与注意事项** * **精度与速度**：COM 接口和 FMI 协同仿真支持变步长求解器，能保证仿真精度；文件批处理方式依赖于 AMESim 内部求解器的设置。 * **开发复杂度**：COM 接口功能最全但需要深入了解 AMESim 对象模型；FMI 是标准接口，使用相对简单；文件交互最易实现但灵活性最低。 * **错误处理**：在 COM 和 FMI 方案中，务必在 Python 代码中加入异常处理（`try...except`），以应对模型编译失败、仿真发散等情况。 * **版本兼容性**：不同版本的 AMESim 其 COM 接口可能略有差异，FMI 导出功能也需确认支持。实施前应查阅对应版本的 AMESim 接口文档 [ref_1][ref_2]。 * **应用场景**：若目标是**在 Python 中实现高级控制算法（如 MPC、强化学习控制器）并实时与 AMESim 物理模型交互**，**基于 FMI 的协同仿真（Co-Simulation）是最推荐的标准化方案** [ref_3]。若目标是实现**全自动化的建模-仿真-优化工作流**，则基于 COM 接口的方案更为强大。 总而言之，AMESim 与 Python 的联合仿真可通过 COM 自动化、FMI 标准或文件批处理三种主要路径实现。选择哪种方案取决于具体的应用需求：追求深度控制和自动化选 COM；强调模型互换和跨平台协同选 FMI；实现简单的批量任务则选文件交互。成功实施的关键在于明确仿真目的，并据此配置好相应的软件环境和接口。