# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 设置随机种子
np.random.seed(2023)

# 定义物料数量，测量次数，时间间隔
n_materials = 40
n_measurements = 10
time_interval = 6 # hours

# 定义物料的宽度，厚度，重量，车间温度，退火类型，冷却类型的范围和可能的值
width_range = (10, 20) # cm
thickness_range = (0.5, 1.5) # cm
weight_range = (100, 200) # g
workshop_temp_range = (20, 30) # °C
annealing_types = ["O", "H2"]
cooling_types = ["自然冷却", "单面风机", "双面风机"]

# 定义物料温度随时间指数衰减的函数
def decay_temp(t, t0, k):
    # t: 当前时间，单位小时
    # t0: 初始时间，单位小时
    # k: 衰减系数，单位1/小时
    return np.exp(-k * (t - t0))

# 定义物料温度的初始值和衰减系数的函数，根据物料的属性和环境因素进行计算
def calc_temp_params(width, thickness, weight, workshop_temp, annealing_type, cooling_type):
    # width: 物料的宽度，单位cm
    # thickness: 物料的厚度，单位cm
    # weight: 物料的重量，单位g
    # workshop_temp: 车间温度，单位°C
    # annealing_type: 退火类型，O或H2
    # cooling_type: 冷却类型，自然冷却，单面风机或双面风机
    
    # 计算物料温度的初始值，假设与退火类型有关，O态为800°C，H2态为600°C
    if annealing_type == "O":
        init_temp = 800
    elif annealing_type == "H2":
        init_temp = 600
    
    # 计算物料温度的衰减系数，假设与物料的宽度，厚度，重量，车间温度和冷却类型有关
    # 使用一个简单的线性模型：k = a + b * width + c * thickness + d * weight + e * workshop_temp + f * cooling_type_value
    # 其中a, b, c, d, e是随机生成的系数，f是根据冷却类型确定的系数，自然冷却为0.01，单面风机为0.02，双面风机为0.03
    # cooling_type_value是根据冷却类型对应的数值
    
    # 随机生成a, b, c, d, e的值，范围在[0, 0.01]之间
    a = np.random.uniform(0, 0.01)
    b = np.random.uniform(0, 0.01)
    c = np.random.uniform(0, 0.01)
    d = np.random.uniform(0, 0.01)
    e = np.random.uniform(0, 0.01)
    
    # 根据冷却类型确定f和cooling_type_value的值
    if cooling_type == "自然冷却":
        f = 0.01
        cooling_type_value = 1
    elif cooling_type == "单面风机":
        f = 0.02
        cooling_type_value = 2
    elif cooling_type == "双面风机":
        f = 0.03
        cooling_type_value = 3
    
    # 计算k的值
    k = a + b * width + c * thickness + d * weight + e * workshop_temp + f * cooling_type_value
    
    return init_temp, k

# 创建一个空的数据框来存储模拟数据
columns = ["物料编号", "宽度(cm)", "厚度(cm)", "重量(g)", "车间温度(°C)", "退火类型", "冷却类型"]
for i in range(n_measurements):
    columns.append(f"温度(°C)_{i+1}")
df = pd.DataFrame(columns=columns)

# 对每个物料进行模拟
for i in range(n_materials):
    # 随机生成物料的宽度，厚度，重量，车间温度，退火类型，冷却类型
    width = np.random.uniform(*width_range)
    thickness = np.random.uniform(*thickness_range)
    weight = np.random.uniform(*weight_range)
    workshop_temp = np.random.uniform(*workshop_temp_range)
    annealing_type = np.random.choice(annealing_types)
    cooling_type = np.random.choice(cooling_types)
    
    # 计算物料温度的初始值和衰减系数
    init_temp, k = calc_temp_params(width, thickness, weight, workshop_temp, annealing_type, cooling_type)
    
    # 创建一个空的列表来存储物料的数据
    data = [i+1, width, thickness, weight, workshop_temp, annealing_type, cooling_type]
    
    # 对每次测量进行模拟
    for j in range(n_measurements):
        # 计算当前时间
        t = j * time_interval
        
        # 计算物料温度，并加上一些随机噪声
        temp = decay_temp(t, 0, k) * (init_temp - workshop_temp) + workshop_temp + np.random.normal(0, 1)
        
        # 将温度数据添加到列表中
        data.append(temp)
    
    # 将列表转换为数据框的一行，并添加到数据框中
    row = pd.Series(data, index=columns)
    df = df.append(row, ignore_index=True)

# 显示数据框的前五行
print(df.head())

# 绘制物料温度随时间的变化曲线图
plt.figure(figsize=(10, 6))
for i in range(n_materials):
    plt.plot(np.arange(n_measurements) * time_interval, df.iloc[i, 7:], label=f"物料{i+1}")
plt.xlabel("时间(小时)")
plt.ylabel("温度(°C)")
plt.title("物料温度随时间的变化曲线图")
plt.legend()
plt.show()