Teollisuuslaitosten satunnaiskatkossimulaatioiden optimointi Pandaa käyttämällä

Tehdaskatkossimulaatioiden optimointi Pandan avulla

Python - Pandan käyttö tehokkaaseen aikasarjasimulaatioon

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())

Tehokas aikasarjatuotanto laitoskatkoksista

Python - Optimoi Pandalla paremman suorituskyvyn saavuttamiseksi

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())

Yleisiä kysymyksiä tehokkaasta katkossimulaatiosta Pandaa käyttämällä

1. Mitä etuja Pandasta on käyttökatkossimulaatioissa?
2. Pandas tarjoaa tehokkaita tiedonkäsittely- ja analysointiominaisuuksia, mikä mahdollistaa suurten tietojoukkojen nopeamman simuloinnin alkuperäisiin Python-silmukoihin verrattuna.
3. Miten vektorointi parantaa katkosimulaatioiden suorituskykyä?
4. Vektorisointi suorittaa operaatioita kokonaisille matriiseille kerralla, mikä vähentää silmukoiden kuormitusta ja hyödyntää Pandan sisäisiä optimointeja.
5. Mikä on rooli np.log() simulaation käsikirjoituksessa?
6. np.log() käytetään luonnollisen logaritmin laskemiseen, mikä auttaa generoimaan näytteitä katkosten pituuksien ja -välien geometrisesta jakaumasta.
7. Miksi muistinhallinta on tärkeää laajamittaisissa simulaatioissa?
8. Tehokas muistinhallinta estää muistin ylivuodon ja varmistaa sujuvan suorituskyvyn, varsinkin kun simuloidaan useita laitoksia pitkiä aikoja.
9. Kuinka kategoriset tietotyypit Pandassa voivat auttaa optimoimaan simulaatioita?
10. Kategoriset tietotyypit vähentävät muistin käyttöä esittämällä toistuvia arvoja tehokkaammin, mikä on hyödyllistä laitoksen tilatietojen käsittelyssä.
11. Mitkä ovat muut kirjastot, jotka voivat parantaa katkossimulaatioita?
12. Kirjastot, kuten NumPy ja SciPy, tarjoavat optimoituja toimintoja satunnaisotantaan ja tilastolliseen analysointiin, mikä täydentää Pandasin tiedonkäsittelyominaisuuksia.
13. Voidaanko paloittelulla hallita suuria tietojoukkoja katkossimulaatioissa?
14. Kyllä, tietojoukon käsittely pienemmissä osissa auttaa hallitsemaan muistin käyttöä tehokkaasti ja varmistaa, että simulaatio pystyy käsittelemään suuria tietojoukkoja ilman ongelmia.
15. Mitä etuja NumPyn integroimisesta Pandasiin on simulaatioita varten?
16. NumPyn optimoidut satunnaisnäytteenottotoiminnot voivat tuottaa käyttökatkoksia ja -välejä tehokkaammin, mikä parantaa simulaation yleistä suorituskykyä.

Katkosimulaatioiden tehokas optimointi

Pandojen sisällyttäminen satunnaisten seisokkien simulointiin teollisuuslaitoksissa parantaa merkittävästi prosessin tehokkuutta. Hyödyntämällä Pandasin tehokkaita tiedonkäsittelyominaisuuksia voimme tuottaa tarkkoja aikasarjatietoja tehtaiden saatavuudesta. Tämä lähestymistapa parantaa simuloinnin nopeutta, mutta myös varmistaa paremman muistinhallinnan ja skaalautuvuuden. Vektorisoinnin käyttö ja kirjastojen, kuten NumPy ja SciPy, integrointi optimoi simulaation entisestään tehden siitä vankan ja skaalautuvan suuria tietojoukkoja varten. Kaiken kaikkiaan Pandas tarjoaa kattavan ratkaisun laitoskatkojen tehokkaaseen simulointiin ja analysointiin, mikä mahdollistaa paremman toiminnan suunnittelun ja riskienhallinnan.