【2024泰迪杯】A 题：生产线的故障自动识别与人员配置 Python代码实现

news2024/11/18 23:48:47

【2024泰迪杯】A 题：生产线的故障自动识别与人员配置 Python代码实现

请添加图片描述

1 问题

一、问题背景

随着新兴信息技术的大规模应用，工业生产线的智能化控制技术日益成熟。自动生产线

可以自动完成物品传送、物料填装、产品包装和质量检测等过程，极大地提高了生产效率和产品质量，减少了生产成本。自动生产线融入故障智能报警技术，能避免因故障带来的生产中断和经济损失；同时合理的人员配置，能够减少资源浪费、提高生产效率。

二、解决问题

问题 1： 根据附件 1 中的数据，分析生产线中各装置故障的数据特征，构建故障报警模型，实现故障的自动即时报警。

问题 2： 应用问题 1 所建立的模型，对附件 2 中的数据进行分析判断，实现生产线中各装置故障的自动即时报警，给出故障报警的日期、开始时间与持续时长，将结果存放到result2.xlsx 中（格式见表 1，模板文件在附件 2 中），并在论文中给出每条生产线中各装置每月的故障总次数及最长与最短的持续时长。

表 1 result2.xlsx 的格式

故障编号10012001…6002
序号日期开始时间持续时长/秒日期开始时间持续时长/秒…日期开始时间持续时长/秒
13579671479298…1204751
24164810111837972…2948248
37209479631971122…3190358
……………………………

问题 3 ： 根据附件 3 中的数据，分析产品的产量、合格率与生产线、操作人员等因素的关系。

问题 4： 根据实际情况，现需要扩大生产规模，将生产线每天的运行时间从 8 小时增加到 24 小时不间断生产。针对问题 3 的 10 条生产线，结合问题 3 的分析结果，考虑生产线与操作人员的搭配，制定最佳的操作人员排班方案，将结果存放到 result4-1.xlsx 和result4-2.xlsx 中（格式见表 2 和表 3，模板文件在附件 4 中），并在论文中给出最佳的排班方案及相关结果。

要求排班满足如下条件：

(1) 各操作人员做五休二，尽量连休 2 天；

(2) 各操作人员每班连续工作 8 小时；

(3) 班次时间：早班（8:00-16:00）、中班（16:00-24:00）、晚班（0:00-8:00）；

(4) 各工龄操作人员的人数比例与问题 3 中的比例相同；各操作人员的班次安排尽量均衡。

2 问题分析

2.1 问题一

（1）分析故障数据特征，包括故障发生的时间分布、故障发生的频率、故障类型的分布等。

（2）构建故障报警模型，是多标签的分类问题，或者是针对每个故障编码建模，就是一个分类问题。分类算法包括决策树、随机森林、支持向量机、逻辑回归和神经网络等。也可以建立成一个时间序列问题，注意数据集给的日期和时间，格式不是标准的datetime格式，是1、2、3、4这样的格式。需要转换为datetime再去建模。

2.2 问题二

（1）故障识别

  • 如果建立成一个分类问题，针对每个生产线、每个故障编码的序列，分别训练一个分类模型。
  • 如果建立时间序列回归问题，可以采用ARIMA、LSTM等构建模型进行故障预测。

题目要求以附件一的数据作为训练集，预测附件2，然后生成result2.xlsx文件。但是目前还没有提供附件二的数据，就可以以附件一为训练集和测试集。跑通baseline模型。

（2）故障时长计算

  • 单次故障，不连续，持续时间为1
  • 连续两次故障，持续时间为2
  • 连续多次故障，持续时间为，开始时刻和结束时刻之间的时间差加1。

（3）每条生产线中各装置的每月统计数据

注意需要计算每个生产线的每个月统计数据，则需要使用分组操作来分析每条生产线中各装置的每月统计数据（故障次数、最长持续时长和最短持续时长）。

（4）输出结果

将每种类型的故障分析结果，横向排列，纵向是按故障发生的顺序排列，整理为dataframe格式，输出到result2.xlsx中。

2.3 问题三

（1） 产量分析

使用时间序列分析方法（如ARIMA模型）来预测产量随时间的变化趋势。

回归分析来探索产量与其他因素（如生产线编号、推送状态、装置故障等）的关系。

（2）合格率分析

逻辑回归分析来探索合格率与其他因素之间的关系；

使用决策树或随机森林等分类算法，寻找影响合格率的关键因素

（3） 故障分析

关联规则挖掘算法查找故障与其他因素（如操作人员、生产线编号）之间的关联性。

2.4 问题四

（1）在问题三的基础上，计算出每个生产线的生产效率和合格率，找出与操作人员、班次等因素的关系；

（2）根据生产效率和合格率的关系，制定最佳的操作人员排班方案；制定最佳的操作人员排班方案涉及到多个因素，包括但不限于：工作时间要求、人员能力匹配、轮班规则、休息时间安排、法定假期等。

（3）根据实际数据进行生产效率和合格率的计算，然后根据操作人员的工作时间和班次对其进行排班。这可能涉及到安排不同技能水平的操作人员，以确保生产线能够在高效率和高合格率下运行。实时调整排班计划，随着生产线的运行，实时监控生产效率和合格率的变化，及时调整操作人员的排班计划以适应变化的生产需求。结合其他因素进行综合考虑，如在排班计划中、操作人员的休息时间、加班安排、交接班等，以确保生产线的持续稳定运行。

3 Python代码实现

3.1 问题一


import pandas as pd
import matplotlib.pyplot as plt
import warnings
import seaborn as sns
warnings.filterwarnings('ignore')
plt.rcParams['font.sans-serif'] = 'SimSun' # 换成自己环境下的中文字体，比如'SimHei'

df = pd.read_csv('A题-示例数据/附件1/M101.csv')

# 查看数据前几行
print(df.head())

# 故障数据分析
fault_columns = [col for col in df.columns if '故障' in col]
fault_counts = df[fault_columns].sum()
print(fault_counts)

# 可视化故障数据
plt.figure(figsize=(10, 6))
colors = sns.color_palette("hls", len(fault_counts))

fault_counts.plot(kind='bar', color=colors)
plt.title('Device Fault Counts')
plt.xlabel('Device')
plt.ylabel('Fault Count')
plt.savefig('img/1.png',dpi=100)
plt.show()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

# 生产线编号分析
line_counts = df['生产线编号'].value_counts()
print(line_counts)

# 可视化生产线编号分布
plt.figure(figsize=(10, 6))
colors = sns.color_palette("hls", len(line_counts))
line_counts.plot(kind='bar',color = colors)
plt.title('Production Line Distribution')
plt.xlabel('Production Line Number')
plt.ylabel('Count')
plt.tight_layout()
plt.savefig('img/2.png',dpi=100)
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import warnings
import seaborn as sns
warnings.filterwarnings('ignore')

df = pd.read_csv('A题-示例数据/附件1/M101.csv')
# 物料推送气缸状态分析
push_counts = df['物料推送气缸推送状态'].value_counts()
pull_counts = df['物料推送气缸收回状态'].value_counts()
push_pull_counts = pd.DataFrame({'Push': push_counts, 'Pull': pull_counts})
print(push_pull_counts)

plt.figure(figsize=(10, 6))
# 可视化物料推送气缸状态
colors = sns.color_palette("hls", len(push_pull_counts))

push_pull_counts.plot(kind='bar', stacked=True,color = colors)
plt.title('Material Push Cylinder State')
plt.xlabel('State')
plt.ylabel('Count')
plt.tight_layout()
plt.savefig('img/3.png',dpi=100)

plt.show()

在这里插入图片描述


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix, classification_report

# 统计各装置故障的情况
fault_columns = ['物料推送装置故障1001', '物料检测装置故障2001', '填装装置检测故障4001', '填装装置定位故障4002',
                 '填装装置填装故障4003', '加盖装置定位故障5001', '加盖装置加盖故障5002',
                 '拧盖装置定位故障6001', '拧盖装置拧盖故障6002']
# 加载数据
data = pd.read_csv('A题-示例数据/附件1/M101.csv')
#  构建故障报警模型
# 首先，选取特征和目标变量
feature_columns = ['时间', '物料推送气缸推送状态', '物料推送气缸收回状态', '物料推送数', '物料待抓取数',
                   '填装数', '加盖数', '拧盖数', '合格数', '不合格数']
target_columns = fault_columns

data_len = 10000
X = data[feature_columns][0:data_len]
# 多标签问题
y = data[target_columns][0:data_len]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用随机森林模型进行训练
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 评估模型性能
print('混淆矩阵：')
print(confusion_matrix(y_test.values.flatten(), y_pred.flatten()))
print('\n分类报告：')
print(classification_report(y_test.values.flatten(), y_pred.flatten()))

在这里插入图片描述

3.2 问题二


import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from datetime import datetime
from collections import defaultdict

# 读取数据
data = pd.read_csv('A题-示例数据/附件1/M101.csv')

# 定义故障字段
fault_columns = ['物料推送装置故障1001', '物料检测装置故障2001', 
                 '填装装置检测故障4001', '填装装置定位故障4002', '填装装置填装故障4003', 
                 '加盖装置定位故障5001', '加盖装置加盖故障5002', 
                 '拧盖装置定位故障6001', '拧盖装置拧盖故障6002']
data.replace({1001: 1, 2001: 1, 4001: 1, 4002: 1, 4003: 1, 5001: 1, 5002: 1, 6001: 1, 6002: 1}, inplace=True)
# 故障报警日期、开始时间与持续时长
fault_info = defaultdict(list)
# line_number = data.groupby(['生产线编号'])
for line_number,line_data in data.groupby(['生产线编号']):
    for label in fault_columns:
        # 训练数据集长度
        data_length = 10000 #只取部分数据，用于跑通baseline，应该为len(line_data)
        # 构建故障预警模型
        X = line_data[line_data.columns.difference(['日期', '时间','生产线编号'])][0:data_length]
        y = line_data[label][0:data_length]
        # 80%用于训练，20%用于测试
        # train_len = int(0.8*len(X))
        # X_train, X_test, y_train, y_test = X[0:train_len],X[train_len:],y[0:train_len],y[train_len:]
        # 假设100%用于训练，100%用于测试
        X_train, X_test, y_train, y_test = X,X,y,y

        print(f'生产线编号:{line_number},故障编码:{label},训练集样本数:{len(X_train)}，测试集样本数:{len(X_test)}')
    
        。。。略，请下载完整资料
        acc = accuracy_score(y_test, y_pred)
        print("模型准确率：", acc)
        # 预测故障报警,假设全部数据集为附件2数据
        file2_df = line_data[line_data.columns.difference(['日期', '时间','生产线编号'])]
        predictions = rf.predict(file2_df)
        # 用生产线编号和故障编号，组成唯一的键，来唯一表示某个生产线上的特定故障数据
        key = (line_number,label)

        # 统计故障发生的日期、开始时间、持续时长
        for i in range(len(predictions) - 1):
            if predictions[i] == 1 and predictions[i+1] == 0:
                # 只发生一次，持续时长为1
                ...略
                fault_info[key].append((happend_date,happend_time,happend_duration))
            if predictions[i] == 1 and predictions[i+1] == 1:
                if len(fault_info[key])==0:
                    # 连续两次发生，持续时长为2
                    ...略
                    fault_info[key].append((happend_date,happend_time,happend_duration))
                else:  
                    # 连续多次发生，持续时长为，当前时间-上一次发生时间
                    ...略
                    fault_info[key][-1] = ((happend_date,happend_time,happend_duration))
fault_info

在这里插入图片描述

# 将每条生产线，故障发生的日期、开始时间、持续时长数据，转为result2.xlsx格式
fault_info_new = defaultdict(list)
for key in fault_info.keys():
    if len(fault_info_new[key[1]])==0:
        fault_info_new[key[1]] = fault_info[key]
    else:
        fault_info_new[key[1]] += fault_info[key]
print(fault_info_new)

在这里插入图片描述

result_df_list = []
for df_cols in fault_info_new.keys():
    print(df_cols)
    # 将特定故障编号的数据，保存为单个表格
    temp_error_df = pd.DataFrame(fault_info_new[df_cols],columns=['日期', '开始时间', '持续时长/秒'])
    result_df_list.append(temp_error_df)
# 横向合并所有故障编号的数据
    
result2_df = pd.concat(result_df_list,axis=1)

result2_df.loc[-1] = [x for x in fault_info_new.keys() for _ in range(3)] # 添加故障编码到首行
result2_df.index = result2_df.index + 1  # 将索引整体后移
result2_df = result2_df.sort_index()  # 重新按索引排序

result2_df.to_excel('./提交数据/result2.xlsx',index=False)
print(result2_df)

在这里插入图片描述

# 统计每条生产线的数据，故障发生的日期、开始时间、持续时长数据
fault_info_new = defaultdict(list)
for key in fault_info.keys():
    if len(fault_info_new[key[0]])==0:
        fault_info_new[key[0]] = fault_info[key]
    else:
        fault_info_new[key[0]] += fault_info[key]
print(fault_info_new)

在这里插入图片描述

for line_n in fault_info_new.keys():
    line_fault_info = fault_info_new[line_n]
    third_elements = [x[2] for x in line_fault_info]
    monthly_fault = sum(third_elements)
    max_duration = max(third_elements)
    min_duration = min(third_elements)
    print(f"生产线:{line_n},每月故障总次数:{monthly_fault},最长时间:{max_duration},最短时间:{min_duration}")

在这里插入图片描述

3.3 问题三、四

请下载完整资料

4 完整资料

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1509148.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

js实现导出/下载excel文件

js实现导出/下载excel文件

js实现导出/下载excel文件 // response 为导出接口返回数据，如上图 const exportExcel (response, fileName:string) >{const blob new Blob([response.data], {type: response.headers[content-type] //使用获取的excel格式});const downloadElement documen…
阅读更多...
常见排序算法（C/C++）--- 动画演示

常见排序算法（C/C++）--- 动画演示

本篇将介绍一些常见的排序算法，如插入排序：直接插入排序、希尔排序；选择排序：选择排序、堆排序；交换排序：快速排序、冒泡排序；以及最后的归并排序。 对于以上的排序算法，我们总结了每…
阅读更多...
Spring基础——SpringMVC概述

Spring基础——SpringMVC概述

目录 MCV模式Spring MVCSrping MVC核心组件SpringMVC的Context域 参考资料 MCV模式 MVC模式是Java软件开发中非常常见的一种软件架构模式，该模式把项目开发分成三个基本组成部分，分别是Model（模型），View（视…
阅读更多...
电源模块测试项目解析：浪涌测试方法、测试标准、测试要求

电源模块测试项目解析：浪涌测试方法、测试标准、测试要求

浪涌测试是电源模块安全性测试方法之一，是对电源模块进行瞬态电压和电流测试的过程。通过模拟实际运行中可能遇到的电压和电流浪涌情况，来检测电源模块的耐受能力。 电源模块浪涌测试标准 1. IEC 61000-4-11：用来评估电源模块在电压变动时的抗…
阅读更多...
微信小程序云开发教程——墨刀原型工具入门（素材面板）

微信小程序云开发教程——墨刀原型工具入门（素材面板）

引言 作为一个小白，小北要怎么在短时间内快速学会微信小程序原型设计？ “时间紧，任务重”，这意味着学习时必须把握微信小程序原型设计中的重点、难点，而非面面俱到。 要在短时间内理解、掌握一个工具的使用&#xf…
阅读更多...
追寻工作与生活的和谐之道

追寻工作与生活的和谐之道

在现代社会，人们往往被快节奏的工作和生活所困扰，如何在这两者之间找到平衡点，成为许多人关注的焦点。本文将为您介绍一些实用的方法和建议，帮助您实现工作与生活的和谐共处。 一、合理规划时间，提高工作效率 时间是实…
阅读更多...
【Flutter 面试题】如何理解Flutter中的Widget、State、Context ，他们是为了解决什么问题？

【Flutter 面试题】如何理解Flutter中的Widget、State、Context ，他们是为了解决什么问题？

【Flutter 面试题】如何理解Flutter中的Widget、State、Context ，他们是为了解决什么问题？ 文章目录 写在前面解答补充说明完整代码示例运行结果如下详细说明 写在前面 🙋 关于我 ，小雨青年 👉 CSDN博客专家&#xff…
阅读更多...
集合框架（二）Map系列集合

集合框架（二）Map系列集合

概述 常用方法 遍历方式 Map集合的遍历方式 键找值：先获取Map集合全部的键，再通过遍历键来找值键值对：把“键值对“看成一个整体进行遍历(难度较大)Lambda：JDK1.8开始之后的新技术(非常的简单) 1.键找值 2.键值对 键值对是如何实…
阅读更多...
第100+1步 ChatGPT文献复现：ARIMAX预测肺结核 vol. 1

第100+1步 ChatGPT文献复现：ARIMAX预测肺结核 vol. 1

基于WIN10的64位系统演示 一、写在前面 各位大佬，好久不见。 《100步入门机器学习》肝完了，不懂大家学了多少了，默认你们都学完了吧。 今年我们换一个玩法（灌水）：一系列更接近实战的教程，复…
阅读更多...
js导出的excel文件无法打开/打开乱码，excel无法打开xxx.xlsx因为文件格式或文件扩展无效

js导出的excel文件无法打开/打开乱码，excel无法打开xxx.xlsx因为文件格式或文件扩展无效

excel无法打开xxx.xlsx因为文件格式或文件扩展无效 使用 a 标签导出这里就不细说了，直接说上述问题解决方案 在调用导出接口的时候加上两个参数 responseType: “blob” responseEncoding: “utf8” export function test(data) {return util({url: /test,method: …
阅读更多...
javaScript | 练习：给出一个存储学生信息的对象数组，实现对每个对象的遍历,先输出每个对象的属性名，再输出对应的属性值

javaScript | 练习：给出一个存储学生信息的对象数组，实现对每个对象的遍历,先输出每个对象的属性名，再输出对应的属性值

考察的知识点包括： JavaScript 数组的遍历。JavaScript 对象的遍历，特别是使用 for...in 循环。如何使用方括号[]和点号 . 访问对象的属性和方法。控制台输出（console.log）的使用。 控制台输出结果如下： 参考代码如下…
阅读更多...
C++17中auto作为非类型模板参数

C++17中auto作为非类型模板参数

非类型模板参数是具有固定类型的模板参数，用作作为模板参数传入的constexpr值的占位符。非类型模板参数可以是以下类型： (1).整型； (2).枚举类型； (3).std::nullptr_t； (4).指向对象的指针或引…
阅读更多...
jpg图片格式转换怎么做？教你一种图片格式转换方法

jpg图片格式转换怎么做？教你一种图片格式转换方法

Jpg格式图片怎么快速转换？常见的图片格式有jpg、png等格式，当我们想要将常用的jpg格式图片转换成其他格式的时候，要怎么办呢？很简单通过使用图片转换器（https://www.yasuotu.com/geshi），无需下载…
阅读更多...
简单接入电商API接口|轻松实现实时采集淘宝、抖音、快手、1688商品，挖掘潜力款

简单接入电商API接口|轻松实现实时采集淘宝、抖音、快手、1688商品，挖掘潜力款

今天给大家带来一款非常实用的电商API接口，这款数据采集接口支持淘宝采集、抖音采集、快手采集、1688采集以及潜力款分析，功能强大，助您在电商领域更上一层楼。 首先，我们来了解一下淘宝采集功能。作为国内最大的电商平台&#xf…
阅读更多...
系统分析师论文总结【持续更新】

系统分析师论文总结【持续更新】

2024年3月4日，新的软考规则出来，高项改为一年一次，架构师改为一年两次。 下半年考试安排，如下图（来源官网） 收集整理系统分析师论文，方便备查。 一、2010年论文 1、论软件维护及软件课维护性…
阅读更多...
C++ 哈希

C++ 哈希

目录 1. 哈希概念 2. 哈希冲突 3. 哈希函数 4. 哈希冲突解决 4.1 闭散列 4.2 开散列 4.3 对于哈希表的补充 5. 开散列与闭散列比较 6. 哈希表的模拟实现以及unorder_set和unorder_map的封装 1. 哈希概念 顺序结构以及平衡树中，元素关键码与其存储位置之间…
阅读更多...
代码随想录刷题笔记 DAY 43 | 完全背包基础 | 零钱兑换 II No.518 | 组合总和 IV No.377

代码随想录刷题笔记 DAY 43 | 完全背包基础 | 零钱兑换 II No.518 | 组合总和 IV No.377

文章目录 Day 4401. 完全背包基础<1> 完全背包的区别<2> 案例 02. 零钱兑换 II&#xff08;No. 518&#xff09;<1> 题目<2> 笔记<3> 代码 03. 组合总和 IV&#xff08;No. 377&#xff09;<1> 题目<2> 笔记<3> 代码 Day 44 …
阅读更多...
three.js 相机跟着玩家走(第三人称漫游)

three.js 相机跟着玩家走(第三人称漫游)

<template><div><el-container><el-main><div class"box-card-left"><div id"threejs"></div></div></el-main></el-container></div> </template>s <script> // 引入轨道…
阅读更多...
实在TARS大模型斩获多项重磅大奖，AI领域实力认可

实在TARS大模型斩获多项重磅大奖，AI领域实力认可

近日&#xff0c;实在智能TARS&#xff08;塔斯&#xff09;大模型凭借在多个垂直行业场景的优秀落地应用案例&#xff0c;以及AIGC领域的深耕和技术积累&#xff0c;荣获多项重磅大奖。 TARS大模型是是实在智能基于在自然语言处理&#xff08;NLP&#xff09;领域深厚的技术积…
阅读更多...
高等数学常用公式

高等数学常用公式

高等数学常用公式 文章目录 内容大纲 内容 大纲 感谢观看 期待关注 有问题的小伙伴请在下方留言&#xff0c;喜欢就点个赞吧
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023