Atsitiktinių prastovų modeliavimo optimizavimas pramonės gamykloms naudojant Pandas

Gamyklos nutraukimo modeliavimo optimizavimas naudojant Pandas

Python – Pandų naudojimas efektyviam laiko eilučių modeliavimui

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())

Efektyvus laiko eilučių generavimas, kai įvyksta gamyklos nutraukimas

Python – optimizavimas naudojant Pandas, siekiant geresnio našumo

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())

Dažniausiai užduodami klausimai apie efektyvų išjungimo modeliavimą naudojant „Pandas“.

1. Kokie yra Pandas naudojimo gedimų modeliavimui pranašumai?
2. Pandas siūlo efektyvias duomenų manipuliavimo ir analizės galimybes, leidžiančias greičiau modeliuoti didelius duomenų rinkinius, palyginti su vietinėmis Python kilpomis.
3. Kaip vektorizavimas pagerina gedimų modeliavimo našumą?
4. Vektorizacija atlieka operacijas su visais masyvais vienu metu, sumažindama kilpų sąnaudas ir pasinaudodama vidiniu Pandas optimizavimu.
5. Koks yra vaidmuo np.log() modeliavimo scenarijuje?
6. np.log() naudojamas natūraliam logaritmui apskaičiuoti, kuris padeda generuoti pavyzdžius iš geometrinio skirstinio, skirto išjungimo trukmei ir intervalams.
7. Kodėl atminties valdymas yra svarbus didelio masto modeliavime?
8. Veiksmingas atminties valdymas apsaugo nuo atminties perpildymo ir užtikrina sklandų veikimą, ypač kai imituojama daug augalų ilgą laiką.
9. Kaip kategoriški Pandos duomenų tipai gali padėti optimizuoti modeliavimą?
10. Kategoriniai duomenų tipai sumažina atminties naudojimą, nes pasikartojančios reikšmės pateikiamos efektyviau, o tai naudinga tvarkant gamyklos būsenos duomenis.
11. Kokios kitos bibliotekos gali pagerinti gedimų modeliavimą?
12. Tokios bibliotekos kaip „NumPy“ ir „SciPy“ teikia optimizuotas atsitiktinės atrankos ir statistinės analizės funkcijas, kurios papildo „Pandas“ duomenų tvarkymo galimybes.
13. Ar gali būti naudojamas grupavimas dideliems duomenų rinkiniams tvarkyti atliekant gedimų modeliavimą?
14. Taip, duomenų rinkinio apdorojimas mažesniais gabalais padeda efektyviai valdyti atminties naudojimą ir užtikrina, kad modeliavimas gali be problemų apdoroti didelius duomenų rinkinius.
15. Kokie yra „NumPy“ integravimo su „Pandas“ pranašumai modeliavimui?
16. Optimizuotos „NumPy“ atsitiktinės atrankos funkcijos gali efektyviau generuoti nutraukimo trukmę ir intervalus, pagerindamos bendrą modeliavimo našumą.

Efektyvus gedimų modeliavimo optimizavimas

Įtraukus Pandas, skirtą atsitiktiniams pramonės įmonių gedimams imituoti, žymiai padidėja proceso efektyvumas. Išnaudodami galingas Pandas duomenų tvarkymo galimybes, galime generuoti tikslius laiko eilučių duomenis apie gamyklos prieinamumą. Šis metodas ne tik pagerina modeliavimo greitį, bet ir užtikrina geresnį atminties valdymą bei mastelio keitimą. Naudojant vektorizavimą ir integruojant bibliotekas, tokias kaip NumPy ir SciPy, modeliavimas dar labiau optimizuojamas, todėl jis yra patikimas ir keičiamas dideliems duomenų rinkiniams. Apskritai „Pandas“ siūlo visapusišką sprendimą, leidžiantį efektyviai modeliuoti ir analizuoti gamyklos gedimus, kad būtų galima geriau planuoti veiklą ir valdyti riziką.