Rūpniecisko iekārtu nejaušu pārtraukumu simulāciju optimizēšana, izmantojot pandas

Rūpnīcas pārtraukumu simulāciju optimizēšana ar pandām

Python — Pandas izmantošana efektīvai laikrindu simulācijai

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())

Efektīva laikrindu ģenerēšana iekārtu pārtraukumiem

Python — optimizēšana ar Pandas labākai veiktspējai

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())

Bieži uzdotie jautājumi par efektīvu pārtraukumu simulāciju, izmantojot Pandas

1. Kādas ir Pandas izmantošanas priekšrocības pārtraukumu simulācijām?
2. Pandas piedāvā efektīvas datu manipulācijas un analīzes iespējas, ļaujot ātrāk simulēt lielas datu kopas, salīdzinot ar vietējām Python cilpām.
3. Kā vektorizācija uzlabo pārtraukumu simulāciju veiktspēju?
4. Vektorizācija veic darbības ar visiem masīviem vienlaikus, samazinot cilpu slodzi un izmantojot Pandas iekšējās optimizācijas priekšrocības.
5. Kāda ir loma np.log() simulācijas skriptā?
6. np.log() tiek izmantots, lai aprēķinātu naturālo logaritmu, kas palīdz ģenerēt paraugus no ģeometriskā sadalījuma pārtraukuma garumiem un intervāliem.
7. Kāpēc atmiņas pārvaldība ir svarīga liela mēroga simulācijās?
8. Efektīva atmiņas pārvaldība novērš atmiņas pārpildīšanu un nodrošina vienmērīgu izpildi, it īpaši, ja tiek simulētas daudzas iekārtas ilgākā laika posmā.
9. Kā kategoriski datu tipi Pandas var palīdzēt optimizēt simulācijas?
10. Kategoriskie datu veidi samazina atmiņas izmantošanu, efektīvāk attēlojot atkārtotas vērtības, kas ir izdevīgi rūpnīcas statusa datu apstrādei.
11. Kādas citas bibliotēkas var uzlabot pārtraukumu simulācijas?
12. Tādas bibliotēkas kā NumPy un SciPy nodrošina optimizētas funkcijas nejaušai izlasei un statistiskai analīzei, papildinot Pandas datu manipulācijas iespējas.
13. Vai sadalīšanu var izmantot lielu datu kopu pārvaldībai pārtraukumu simulācijās?
14. Jā, datu kopas apstrāde mazākos gabalos palīdz efektīvi pārvaldīt atmiņas lietojumu un nodrošina, ka simulācija var bez problēmām apstrādāt lielas datu kopas.
15. Kādas priekšrocības sniedz NumPy integrēšana ar Pandas simulācijām?
16. NumPy optimizētās nejaušās izlases funkcijas var efektīvāk ģenerēt pārtraukumu garumus un intervālus, uzlabojot kopējo simulācijas veiktspēju.

Efektīva pārtraukumu simulāciju optimizācija

Pandas iekļaušana nejaušu pārtraukumu modelēšanai rūpnieciskajās iekārtās ievērojami uzlabo procesa efektivitāti. Izmantojot Pandas jaudīgās datu manipulācijas iespējas, mēs varam ģenerēt precīzus laikrindu datus par rūpnīcas pieejamību. Šī pieeja ne tikai uzlabo simulācijas ātrumu, bet arī nodrošina labāku atmiņas pārvaldību un mērogojamību. Izmantojot vektorizāciju un integrējot bibliotēkas, piemēram, NumPy un SciPy, simulācija vēl vairāk optimizēta, padarot to stabilu un mērogojamu lielām datu kopām. Kopumā Pandas nodrošina visaptverošu risinājumu, lai efektīvi simulētu un analizētu iekārtas pārtraukumus, nodrošinot labāku darbības plānošanu un riska pārvaldību.