Optimiziranje simulacij naključnih izpadov za industrijske obrate, ki uporabljajo Pande

Optimiziranje simulacij izpada obrata s programom Pandas

Python - Uporaba Pand za učinkovito simulacijo časovnih vrst

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())

Učinkovito ustvarjanje časovnih vrst za izpade obratov

Python - Optimizacija s Pandas za boljšo zmogljivost

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())

Pogosta vprašanja o učinkoviti simulaciji izpadov z uporabo Pandas

1. Kakšne so prednosti uporabe Pandas za simulacije izpadov?
2. Pandas ponuja zmožnosti učinkovite manipulacije podatkov in analize, kar omogoča hitrejšo simulacijo velikih naborov podatkov v primerjavi z domačimi zankami Python.
3. Kako vektorizacija izboljša učinkovitost simulacij izpadov?
4. Vektorizacija izvaja operacije na celotnih nizih hkrati, s čimer zmanjša obremenitev zank in izkoristi notranje optimizacije v Pandas.
5. Kakšna je vloga np.log() v simulacijskem skriptu?
6. np.log() se uporablja za izračun naravnega logaritma, ki pomaga ustvariti vzorce iz geometrijske porazdelitve za dolžine in intervale izpadov.
7. Zakaj je upravljanje pomnilnika pomembno pri obsežnih simulacijah?
8. Učinkovito upravljanje pomnilnika preprečuje prelivanje pomnilnika in zagotavlja nemoteno izvajanje, zlasti pri simulaciji številnih obratov v daljših obdobjih.
9. Kako lahko kategorični tipi podatkov v Pandas pomagajo optimizirati simulacije?
10. Kategorični podatkovni tipi zmanjšajo porabo pomnilnika z učinkovitejšim predstavljanjem ponavljajočih se vrednosti, kar je koristno za obdelavo podatkov o stanju obrata.
11. Katere druge knjižnice lahko izboljšajo simulacije izpadov?
12. Knjižnice, kot sta NumPy in SciPy, zagotavljajo optimizirane funkcije za naključno vzorčenje in statistično analizo, ki dopolnjujejo zmožnosti obdelave podatkov Pandas.
13. Ali je mogoče uporabiti razdeljevanje za upravljanje velikih podatkovnih nizov v simulacijah izpadov?
14. Da, obdelava nabora podatkov v manjših kosih pomaga učinkovito upravljati porabo pomnilnika in zagotavlja, da lahko simulacija brez težav obravnava velike nabore podatkov.
15. Kakšne so prednosti integracije NumPy s Pandas za simulacije?
16. Optimizirane funkcije naključnega vzorčenja NumPy lahko učinkoviteje ustvarijo dolžine in intervale izpadov, s čimer izboljšajo celotno zmogljivost simulacije.

Učinkovita optimizacija simulacij izpadov

Vključitev Pand za simulacijo naključnih izpadov v industrijskih obratih znatno poveča učinkovitost procesa. Z izkoriščanjem zmogljivih zmožnosti obdelave podatkov Panda lahko ustvarimo natančne časovne vrste podatkov za razpoložljivost obrata. Ta pristop ne izboljša le hitrosti simulacije, temveč zagotavlja tudi boljše upravljanje pomnilnika in razširljivost. Uporaba vektorizacije in integracije knjižnic, kot sta NumPy in SciPy, dodatno optimizira simulacijo, zaradi česar je robustna in razširljiva za velike nabore podatkov. Na splošno Pandas zagotavlja celovito rešitev za učinkovito simulacijo in analizo izpadov obrata, kar omogoča boljše operativno načrtovanje in obvladovanje tveganja.