Tööstusettevõtete juhuslike katkestuste simulatsioonide optimeerimine Pandasid kasutades

Tehase seisakute simulatsioonide optimeerimine Pandadega

Python – Pandade kasutamine tõhusaks aegridade simuleerimiseks

import pandas as pd
import numpy as np
import random
import math
from datetime import datetime, timedelta

# Constants
SIMULATION_START_DATE = datetime(2024, 1, 1)
SIMULATION_END_DATE = datetime(2025, 1, 1)
mean_outage_duration = 3
mean_fraction_offline = 0.05

# Simulation Parameters
days_in_simulation = (SIMULATION_END_DATE - SIMULATION_START_DATE).days
outage_length_mu = -1 / mean_outage_duration
between_outages_mu = -1 / (days_in_simulation * mean_fraction_offline)

# DataFrame to hold the time-series data
plants = 10  # Number of plants
data = pd.DataFrame({'day': pd.date_range(start=SIMULATION_START_DATE, end=SIMULATION_END_DATE)})
for plant in range(plants):
    status = []
    sum_of_days = 0
    while sum_of_days < days_in_simulation:
        outage_length = math.floor(np.log(1 - random.random()) / outage_length_mu)
        days_until_next_outage = math.ceil(np.log(1 - random.random()) / between_outages_mu)
        if random.random() > mean_fraction_offline:
            days_until_next_outage = 0
        sum_of_days += days_until_next_outage
        for _ in range(days_until_next_outage):
            if sum_of_days >= days_in_simulation:
                break
            status.append(1)
            sum_of_days += 1
        for _ in range(outage_length):
            if sum_of_days >= days_in_simulation:
                break
            status.append(0)
            sum_of_days += 1
    data[f'plant_{plant}'] = status[:days_in_simulation]

print(data.head())

Tõhus aegridade genereerimine jaama katkestuste jaoks

Python – optimeerimine Pandadega parema jõudluse saavutamiseks

import pandas as pd
import numpy as np
import random
from datetime import datetime, timedelta

# Constants
SIMULATION_START_DATE = datetime(2024, 1, 1)
SIMULATION_END_DATE = datetime(2025, 1, 1)
mean_outage_duration = 3
mean_fraction_offline = 0.05

# Simulation Parameters
days_in_simulation = (SIMULATION_END_DATE - SIMULATION_START_DATE).days
outage_length_mu = -1 / mean_outage_duration
between_outages_mu = -1 / (days_in_simulation * mean_fraction_offline)

# Function to generate a single plant's outage data
def generate_outages():
    status = []
    sum_of_days = 0
    while sum_of_days < days_in_simulation:
        outage_length = math.floor(np.log(1 - random.random()) / outage_length_mu)
        days_until_next_outage = math.ceil(np.log(1 - random.random()) / between_outages_mu)
        if random.random() > mean_fraction_offline:
            days_until_next_outage = 0
        sum_of_days += days_until_next_outage
        status.extend([1] * min(days_until_next_outage, days_in_simulation - sum_of_days))
        sum_of_days += outage_length
        status.extend([0] * min(outage_length, days_in_simulation - sum_of_days))
    return status[:days_in_simulation]

# Generate DataFrame for multiple plants
plants = 10
data = pd.DataFrame({'day': pd.date_range(start=SIMULATION_START_DATE, end=SIMULATION_END_DATE)})
for plant in range(plants):
    data[f'plant_{plant}'] = generate_outages()

print(data.head())

Levinud küsimused Pandasid kasutava tõhusa katkestuse simulatsiooni kohta

1. Millised on Pandade kasutamise eelised katkestuste simuleerimiseks?
2. Pandas pakub tõhusaid andmetega manipuleerimise ja analüüsi võimalusi, võimaldades suuri andmekogumeid kiiremini simuleerida võrreldes natiivsete Pythoni silmustega.
3. Kuidas vektoriseerimine parandab katkestuste simulatsiooni jõudlust?
4. Vektoriseerimine teostab toiminguid korraga tervete massiividega, vähendades silmuste üldkulusid ja kasutades ära Pandade sisemisi optimeerimisi.
5. Mis on roll np.log() simulatsiooni skriptis?
6. np.log() kasutatakse naturaalse logaritmi arvutamiseks, mis aitab genereerida geomeetrilisest jaotusest näidiseid katkestuste pikkuste ja intervallide jaoks.
7. Miks on mäluhaldus suuremahuliste simulatsioonide puhul oluline?
8. Tõhus mäluhaldus hoiab ära mälu ületäitumise ja tagab sujuva täitmise, eriti kui simuleerida arvukaid seadmeid pikema aja jooksul.
9. Kuidas saavad Pandade kategoorilised andmetüübid simulatsioone optimeerida?
10. Kategoorilised andmetüübid vähendavad mälukasutust, esitades korduvaid väärtusi tõhusamalt, mis on kasulik tehase olekuandmete käsitlemisel.
11. Millised on teised teegid, mis võivad katkestuste simulatsioone täiustada?
12. Teegid nagu NumPy ja SciPy pakuvad optimeeritud funktsioone juhusliku valimi võtmiseks ja statistiliseks analüüsiks, täiendades Pandase andmetega manipuleerimise võimalusi.
13. Kas tükeldamist saab kasutada suurte andmekogumite haldamiseks katkestuste simulatsioonides?
14. Jah, andmestiku töötlemine väiksemate tükkidena aitab mälukasutust tõhusalt hallata ja tagab, et simulatsioon suudab probleemideta käsitleda suuri andmekogumeid.
15. Mis kasu on NumPy integreerimisest Pandadega simulatsioonide jaoks?
16. NumPy optimeeritud juhusliku proovivõtu funktsioonid võivad genereerida katkestuste pikkusi ja intervalle tõhusamalt, parandades simulatsiooni üldist jõudlust.

Katkestuste simulatsioonide tõhus optimeerimine

Pandade kaasamine juhuslike katkestuste simuleerimiseks tööstusettevõtetes suurendab oluliselt protsessi efektiivsust. Kasutades Pandade võimsaid andmetöötlusvõimalusi, saame luua täpseid aegridade andmeid tehase saadavuse kohta. See lähenemisviis mitte ainult ei paranda simulatsiooni kiirust, vaid tagab ka parema mäluhalduse ja skaleeritavuse. Vektoriseerimise kasutamine ja teekide, nagu NumPy ja SciPy, integreerimine optimeerib simulatsiooni veelgi, muutes selle tugevaks ja skaleeritavaks suurte andmekogumite jaoks. Üldiselt pakub Pandas terviklikku lahendust jaama seisakute tõhusaks simuleerimiseks ja analüüsimiseks, võimaldades paremat operatiivplaneerimist ja riskijuhtimist.