abaqus operating on xy data

通过ABAQUS计算完，在historyoutput中绘制X-Y DATA。

大多数情况下，我们需要对得到的X-Y DATA再operate，这是我对一些operation函数自己的理解。首先保存X-YData，然后点击operate on XY data，对保存的数据进行操作。

必须遵守的语法规则为：

1，函数的多个参数必须用逗号隔开。

2，数据对象名称必须用引号包围。

3，功能参数必须使用括号。

下面说一下各个函数的使用方法

+在x y数据对象上使用加法

1，向x - y数据对象添加标量：如"XYData-1"+1，其意义为X值不变，每一点的Y值加上1。即：

XYData-1=[(1,1),(2,2),(3,3)]

"XYData-1"+1=[(1,2),(2,3),(3,4)]

2，将X - Y数据对象添加到另一个X-Y数据对象：有两组X-Y数据相加，得到相加后的X-Y数据，其意义为X值不变，每点的Y值相加。（前提是两组X-Y数据相对应）

-    在x y数据对象上使用减法

与加法的使用方法相似，就不再重复了

*    在x y数据对象上使用乘法

/    在x y数据对象上使用除法

同样，只对Y值进行计算，X值保持不变。如

XYData-1=[(1,1),(2,2),(3,3)]

XYData-2=[(1,4),(2,4),(3,4)]

则，"XYData-1"*2=[(1,2),(2,4),(3,6)]

"XYData-1"*"XYData-2"=[(1,4),(2,8),(3,12)]

abs(A)    获取一个X - Y数据对象的绝对值

如图所示，把X-Y数据的Y值全部变为正的

avg(X,X,...)    查找两个或多个x - y数据对象的平均值

可以对多个x - y数据使用，求的平均的Y值

currentAvg(X)查找x - y数据对象的当前平均值

这个函数的使用方法是这样的，对于一组x - y数据，使用该函数得到了一组新的x - y数据，新的x - y数据具有这样的特征：X值依旧保持不变，Y值为前面所有点与当前点的Y值的平均值。如：

XYData-1=[(1,1),(2,2),(3,3)]

currentAvg("XYData-1")=[(1,1),(2,.5),(3,2)]

differentiate(X)    对X - Y数据对象进行微分

如下图所示，对Y值进行数值微分计算

fit(X)在X - Y数据对象上执行曲线拟合

拟合函数提供了两种曲线拟合算法：线性最小二乘法和样条插值。

使用方法为:点击fit之后，会默认出现

fit ( xyData= , typeOfFit= LINEAR_LEAST_SQUARES )

拟合类型为线性最小二乘法，如果要执行样条插值，需要把类型改为SPLINE_INTERPOLATION。

integrate(X)    对X - Y数据对象进行积分

使用的方法为梯形法则，这等同将被积函数近似为直线函数，被积的部分近似为梯形。如下图所示：

interpolate(X)对x - y数据对象进行插值

找到interpolate并点击，然后选择一组x - y数据对象，可以指定x轴方向的增量，如上图所示，每隔一个增量，显示出一个点（未指定或指定值为负值，默认按照原始数据的最小增量来显示表达式为interpolate ( xyData="XYData-1" ,xIncrement=0.1)）。

Interpolation的表达式格式为，interpolate ( xyData="XYData-1" ,interpolation=QUADRATIC)。QUADRATIC：指定拉格朗日二阶插值格式；CUBIC_SPLINE：指定三次样条插值格式；LINEAR：指定线性插值方案。

normalize(X)规范化X - Y数据对象

使用normalize函数从原始X - Y数据得到新的数据，新产生的X - Y数据其功能为：每点的x值保持不变，y值为当前点与所有原始点y值的均方根（平方和的平方根）的比值。

sqrt(A)取X - Y数据对象的平方根

x值保持不变，新的y值是原始y值的平方根。如下图：

srss(X,X,...)取两个或多个X-Y数据对象的平方和的平方根

x值保持不变，新的y值为多个y值的平方和的平方根（同一x坐标下）。如下图所示

vectorMagnitude(X,X,X)    计算矢量的大小

该函数与srss(X,X,...)本质上是相同的，不同点在于该函数最多只能有3个数据对象，用于计算综合各个方向后矢量的大小。

butterworthFilter(X,F)将Butterworth滤波应用于x - y数据对象

这种滤波函数可以用于移除高频噪声，如下图所示：

butterworthFilter函数需要两个参数，x - y数据的名字和截止频率（cutoffFrequency），即高于该频率的输入信号至少被削减一半