Logica de ajuste

genCurvas.py

@@ -1,6 +1,6 @@
 import numpy as np
 import pandas as pd
-import json
+import random, os
 
 def valores_objetivo(archivo, material):
     carga = pd.read_excel(archivo, sheet_name='carga', engine='openpyxl').dropna()
@@ -11,6 +11,7 @@ def valores_objetivo(archivo, material):
     
     return E, I, f
 
+
 def generar_curva(offset):
     muVacio = 4 * np.pi * 1e-7
 
@@ -23,51 +24,33 @@ def generar_curva(offset):
     h = np.concatenate((hNeg, hPos))
     b = np.concatenate((bNeg, bPos))
 
-    
     datos = np.column_stack((h,b))
     np.savetxt('curva.csv', datos, delimiter=',')
 
-if __name__ == '__main__':
 
-    archivo = 'Ensayos.xlsx'
-    material = 'PLACOND'
+def logica_offset(offset, error, errorObjetivo):
+    '''
+    Coge el offset, error actual y lo analiza.
 
-    Eobjetivo, Iobjetivo, fObjetivo = valores_objetivo(archivo, material)
+    devuelve flag y offset nuevo
 
-    errorObjetivo = 0.01 # +- cuanto % puede haber de diferencia
-    errorCVobjetivo = 1
+    si se cumple la condicion devuelve 
+    un True y None para offset
+
+    '''
 
     limSup = 1 + errorObjetivo
-    limInf = errorObjetivo
+    limInf = 1 - errorObjetivo
 
-    offset = 0
+    delta = random.random()/100
 
-    flag = True
+    if error <= limSup and error >= limInf: return True, None
     
-    errorAnterior = 10000
+    if error > 1: offset = offset - delta
+    elif error < 1: offset = offset + delta
+
+    return False, offset
 
-    while flag:
-        generar_curva(offset)
-        ############################
-        '''
-        Logica de motorCAD-Pyhton, se sacaran unos vectores con 
-        corrientes, frecuencias y tensiones de operacion en 
-        distintos puntos con una curva dada. Esto se hara estableciendo
-        como fijo la frecuencia y la corriente, si se puede solo 
-        con frecuencia mejor. Se compara la tension (y corriente si no se fija)
-        con los valores objetivos.
-
-        '''
-        Ecalc = [1, 1, 1, 1, 1]
-
-        ############################
-
-        error = Ecalc / Eobjetivo
-        error = np.mean(Ecalc / Eobjetivo)
-
-        if error <= limSup and error >= limInf: flag = False
-
-        flag = False