周四下午FMS 車間調(diào)度室。這個(gè)月第三批訂單又延期了。生產(chǎn)主管老劉把工單 Excel 表甩到桌上轉(zhuǎn)頭沖著調(diào)度系統(tǒng)喊小王你那個(gè)排產(chǎn)軟件不是說能算出來嗎結(jié)果還是拖了兩天我拉過椅子坐下打開那份工單表。幾百行數(shù)據(jù)字段包括工單號(hào)、產(chǎn)品類型A型法蘭/B型殼體/C型軸套、計(jì)劃加工時(shí)長分鐘、實(shí)際加工時(shí)長分鐘、設(shè)備編號(hào)、操作員、完成狀態(tài)。問題一眼就看到了——小王你排產(chǎn)的時(shí)候A 型法蘭的計(jì)劃時(shí)長是按什么給的按經(jīng)驗(yàn)啊小王撓撓頭之前做的幾批差不多都是 90 分鐘一個(gè)。差不多我指著屏幕你看這組數(shù)據(jù)——A 型法蘭實(shí)際加工時(shí)長從 72 分鐘到 156 分鐘波動(dòng)快一倍了。你用 90 分鐘去排產(chǎn)遇到實(shí)際要 150 分鐘的批次整條線就堵死了。老劉湊過來那到底該用多少分鐘排產(chǎn)得按產(chǎn)品類型分組算每類工單的實(shí)際平均加工時(shí)長我說不是拍腦袋差不多是用歷史數(shù)據(jù)說話。我敲了幾行代碼import pandas as pdimport matplotlib.pyplot as plt# 加載工單數(shù)據(jù)df pd.read_excel(fms_workorders.xlsx)# 按產(chǎn)品類型分組計(jì)算平均實(shí)際加工時(shí)長avg_times df.groupby(product_type)[actual_time].mean()# 畫柱狀圖avg_times.plot(kindbar, color#3498DB)plt.ylabel(平均加工時(shí)長 (分鐘))plt.title(各類產(chǎn)品平均加工時(shí)長)plt.show()print(avg_times)# A型法蘭 112.3# B型殼體 87.6# C型軸套 54.2這只是核心邏輯我說完整版會(huì)用 OOP 封裝一個(gè)類管工單數(shù)據(jù)加載一個(gè)類管數(shù)據(jù)清洗處理空值、異常值一個(gè)類管分組統(tǒng)計(jì)按產(chǎn)品類型算平均/最大/最小加工時(shí)長一個(gè)類管可視化柱狀圖箱線圖。數(shù)據(jù)自包含——用 numpy 合成一份工單 CSV讀者下載就能跑。老劉盯著屏幕所以你這東西就是把幾百個(gè)工單按產(chǎn)品類型分堆每堆算一個(gè)靠譜的平均加工時(shí)間——以后排產(chǎn)就用這個(gè)數(shù)不用再差不多了。對。而且不光是平均我補(bǔ)充箱線圖還能看出每類產(chǎn)品的加工時(shí)長波動(dòng)范圍——波動(dòng)大的產(chǎn)品排產(chǎn)時(shí)要多留緩沖時(shí)間。小王點(diǎn)點(diǎn)頭那我明天就把這個(gè)數(shù)嵌進(jìn)排產(chǎn)邏輯里。一、實(shí)際應(yīng)用場景真實(shí)痛點(diǎn)場景設(shè)定柔性制造系統(tǒng)FMS車間承接多品種小批量訂單每種產(chǎn)品A型法蘭、B型殼體、C型軸套等的加工工藝路徑相似但參數(shù)不同歷史工單記錄了計(jì)劃加工時(shí)長和實(shí)際加工時(shí)長?，F(xiàn)場常見痛點(diǎn)排產(chǎn)時(shí)憑經(jīng)驗(yàn)估算加工時(shí)長未利用歷史工單數(shù)據(jù)計(jì)算各類產(chǎn)品的實(shí)際平均加工時(shí)長導(dǎo)致排產(chǎn)偏差大、訂單延期、設(shè)備利用率低。現(xiàn)場原話敘事化我不是沒有數(shù)據(jù)小王說工單系統(tǒng)里幾百條歷史記錄計(jì)劃時(shí)間和實(shí)際時(shí)間都有。但我從來沒認(rèn)真分析過——每次排產(chǎn)都是憑感覺給個(gè)數(shù)差不多就行。差不多就是差很多我說A 型法蘭你給 90 分鐘實(shí)際平均要 112 分鐘每批 10 個(gè)就是多出來將近 4 個(gè)小時(shí)。一天排三批直接拖到第二天。核心矛盾經(jīng)驗(yàn)估算的加工時(shí)長與基于歷史數(shù)據(jù)的實(shí)際平均加工時(shí)長之間的偏差。需要一個(gè)FMS 工單加工時(shí)長分析程序用pandas 加載工單數(shù)據(jù)按產(chǎn)品類型分組計(jì)算平均/統(tǒng)計(jì)加工時(shí)長用matplotlib 可視化對比為排產(chǎn)提供數(shù)據(jù)支撐。二、痛點(diǎn)分析映射到濱州職業(yè)學(xué)院《先進(jìn)制造技術(shù)》課程模型《先進(jìn)制造技術(shù)》模塊 本篇痛點(diǎn)對應(yīng)柔性制造系統(tǒng)FMS與先進(jìn)生產(chǎn)管理生產(chǎn)計(jì)劃與排程 工單加工時(shí)長統(tǒng)計(jì)排產(chǎn)的基礎(chǔ)輸入是準(zhǔn)確的工序時(shí)間經(jīng)驗(yàn)估算導(dǎo)致計(jì)劃偏差。先進(jìn)制造技術(shù)基礎(chǔ)制造系統(tǒng)性能評估 加工效率分析通過歷史數(shù)據(jù)統(tǒng)計(jì)各類產(chǎn)品的實(shí)際加工時(shí)長評估制造系統(tǒng)效率。智能制造與數(shù)字孿生制造大數(shù)據(jù)驅(qū)動(dòng)決策 數(shù)據(jù)驅(qū)動(dòng)的排產(chǎn)優(yōu)化從工單歷史數(shù)據(jù)中挖掘規(guī)律替代經(jīng)驗(yàn)判斷。數(shù)控加工與CAD/CAM技術(shù)數(shù)控加工工藝規(guī)劃 工藝參數(shù)與加工時(shí)間關(guān)聯(lián)不同產(chǎn)品的數(shù)控加工程序復(fù)雜度不同加工時(shí)長存在差異。一句話總結(jié)我們需要構(gòu)建一個(gè)FMS 工單加工時(shí)長分析程序用pandas 加載和分組統(tǒng)計(jì)工單數(shù)據(jù)用numpy 計(jì)算統(tǒng)計(jì)指標(biāo)用matplotlib 繪制柱狀圖和箱線圖輸出各類產(chǎn)品的平均加工時(shí)長及波動(dòng)范圍為排產(chǎn)決策提供數(shù)據(jù)依據(jù)。三、核心邏輯講解大白話3.1 問題本質(zhì)把工單分析想象成快遞分揀計(jì)時(shí)把 FMS 車間的工單數(shù)據(jù)想象成快遞分揀中心的歷史記錄* 工單數(shù)據(jù)表 快遞分揀記錄每次分揀一批包裹記錄包裹類型小件/中件/大件、計(jì)劃分揀時(shí)間、實(shí)際分揀時(shí)間。* 產(chǎn)品類型分組 按包裹大小分堆小件放一堆、中件放一堆、大件放一堆。* 計(jì)算平均加工時(shí)長 算每堆的平均分揀時(shí)間小件平均 5 分鐘、中件平均 12 分鐘、大件平均 25 分鐘。* 排產(chǎn)用平均時(shí)長 按平均時(shí)間預(yù)估下次來 100 個(gè)小件按 5×100500 分鐘排計(jì)劃而不是憑感覺說大概兩小時(shí)。* 箱線圖 看波動(dòng)范圍小件大部分在 4~6 分鐘偶爾有 10 分鐘的異常排產(chǎn)時(shí)多留點(diǎn)余量。工業(yè)應(yīng)用* pandas 加載read_csv() /read_excel() 讀取工單表。* 分組統(tǒng)計(jì)groupby(product_type)[actual_time].agg([mean, std, min, max]) 一行代碼算出每類產(chǎn)品的平均、標(biāo)準(zhǔn)差、最小、最大加工時(shí)長。* 異常值處理用numpy 結(jié)合箱線圖法則IQR識(shí)別異常工單如設(shè)備故障導(dǎo)致的異常長加工時(shí)間避免拉偏平均值。* matplotlib 可視化柱狀圖對比各類產(chǎn)品平均時(shí)長箱線圖展示每類產(chǎn)品的時(shí)長分布和波動(dòng)。3.2 業(yè)務(wù)邏輯 → 代碼映射定義工單數(shù)據(jù)模型│▼ WorkorderLoader (pandas)加載工單 CSV/Excelpd.read_csv(fms_workorders.csv)解析產(chǎn)品類型、計(jì)劃時(shí)長、實(shí)際時(shí)長│▼ DataCleaner (pandas/numpy)數(shù)據(jù)清洗處理空值刪除或標(biāo)記異常值檢測IQR 法則過濾未完成工單│▼ DurationAnalyzer (pandas/numpy)加工時(shí)長分析groupby(product_type).agg(mean(actual_time, mean),std(actual_time, std),min(actual_time, min),max(actual_time, max),count(actual_time, count),)計(jì)算計(jì)劃vs實(shí)際偏差│▼ Visualizer (matplotlib)可視化1. 柱狀圖各類產(chǎn)品平均加工時(shí)長2. 箱線圖每類產(chǎn)品的時(shí)長分布3. 對比圖計(jì)劃 vs 實(shí)際按產(chǎn)品類型│▼ SyntheticDataGenerator (numpy)合成數(shù)據(jù)生成用 numpy 按不同分布生成各類產(chǎn)品的加工時(shí)長包含正常波動(dòng)和少量異常值確保數(shù)據(jù)自包含、可復(fù)現(xiàn)3.3 為什么用分組統(tǒng)計(jì)而不是逐個(gè)看* 問題幾百條工單逐行翻看無法形成這類產(chǎn)品一般要多久的整體認(rèn)知。* 處理策略groupby 按產(chǎn)品類型分堆一次性算出每堆的統(tǒng)計(jì)指標(biāo)效率高且信息密度大。* 工程合理性FMS 車間產(chǎn)品種類可能多達(dá)幾十種分組統(tǒng)計(jì)是生產(chǎn)數(shù)據(jù)分析的標(biāo)準(zhǔn)方法。3.4 分析前后對比維度 經(jīng)驗(yàn)估算 數(shù)據(jù)驅(qū)動(dòng)分析加工時(shí)長 差不多 90 分鐘 A型法蘭 112.3±18.5 分鐘排產(chǎn)準(zhǔn)確性 偏差 20%~50% 偏差 10%異常處理 不知道有異常 IQR 識(shí)別異常工單排除后重算可視化 無 柱狀圖箱線圖一目了然四、OOP 代碼實(shí)現(xiàn)4.1 項(xiàng)目結(jié)構(gòu)fms_workorder_analysis/├── fms_workorder_analysis/│ ├── __init__.py│ ├── workorder_loader.py # 工單數(shù)據(jù)加載│ ├── data_cleaner.py # 數(shù)據(jù)清洗與異常檢測│ ├── duration_analyzer.py # 加工時(shí)長分析│ ├── visualizer.py # 可視化│ └── synthetic_data.py # 合成數(shù)據(jù)生成├── tests/│ ├── __init__.py│ └── test_workorder_analysis.py # 單元測試├── results/│ ├── avg_duration_bar.png # 平均加工時(shí)長柱狀圖│ ├── duration_boxplot.png # 加工時(shí)長箱線圖│ ├── plan_vs_actual.png # 計(jì)劃vs實(shí)際對比圖│ ├── duration_summary.csv # 加工時(shí)長匯總│ └── analysis_report.txt # 分析報(bào)告└── run_analysis.py # 主程序入口4.2 核心源碼detailssummary/summaryFMS 工單數(shù)據(jù)加載器import pandas as pdfrom pathlib import Pathfrom typing import Optionalclass WorkorderLoader:FMS 車間工單數(shù)據(jù)加載器支持 CSV 和 Excel 格式的工單數(shù)據(jù)。def __init__(self, filepath: str, encoding: str utf-8):self.filepath Path(filepath)self.encoding encodingself._raw_df: Optional[pd.DataFrame] Nonedef load(self,product_col: str product_type,plan_col: str plan_time,actual_col: str actual_time,status_col: str status) - pd.DataFrame:加載工單數(shù)據(jù)Parameters----------product_col : str產(chǎn)品類型列名plan_col : str計(jì)劃加工時(shí)長列名actual_col : str實(shí)際加工時(shí)長列名status_col : str工單狀態(tài)列名Returns-------pd.DataFrameif not self.filepath.exists():raise FileNotFoundError(f文件不存在: {self.filepath})suffix self.filepath.suffix.lower()if suffix .csv:self._raw_df pd.read_csv(self.filepath, encodingself.encoding)elif suffix in (.xlsx, .xls):self._raw_df pd.read_excel(self.filepath)else:raise ValueError(f不支持的文件格式: {suffix})# 列名標(biāo)準(zhǔn)化col_aliases {product_col: [產(chǎn)品類型, product, item_type, 型號(hào)],plan_col: [計(jì)劃時(shí)長, plan_duration, planned_time, 標(biāo)準(zhǔn)工時(shí)],actual_col: [實(shí)際時(shí)長, actual_duration, real_time, 實(shí)際工時(shí)],status_col: [狀態(tài), status, 完成狀態(tài), order_status],}rename_map {}for target, aliases in col_aliases.items():if target not in self._raw_df.columns:for alias in aliases:if alias in self._raw_df.columns:rename_map[alias] targetbreakif rename_map:self._raw_df self._raw_df.rename(columnsrename_map)return self._raw_df.copy()def get_raw_data(self) - Optional[pd.DataFrame]:return self._raw_df.copy() if self._raw_df is not None else None/detailsdetailssummary/summary工單數(shù)據(jù)清洗與異常檢測import numpy as npimport pandas as pdfrom typing import Tuple, Optionalclass DataCleaner:FMS 工單數(shù)據(jù)清洗器處理空值、過濾未完成工單、檢測異常加工時(shí)長。def __init__(self, iqr_multiplier: float 1.5):self.iqr_multiplier iqr_multiplierdef clean(self,df: pd.DataFrame,product_col: str product_type,plan_col: str plan_time,actual_col: str actual_time,status_col: str status) - pd.DataFrame:清洗工單數(shù)據(jù)Parameters----------df : pd.DataFrame原始工單數(shù)據(jù)product_col : str產(chǎn)品類型列名plan_col : str計(jì)劃時(shí)長列名actual_col : str實(shí)際時(shí)長列名status_col : str狀態(tài)列名Returns-------pd.DataFrame清洗后的數(shù)據(jù)result df.copy()# 確保數(shù)值列是 floatresult[plan_col] pd.to_numeric(result[plan_col], errorscoerce)result[actual_col] pd.to_numeric(result[actual_col], errorscoerce)# 過濾未完成工單if status_col in result.columns:completed_mask result[status_col].astype(str).str.contains(完成|done|complete|closed, caseFalse, naFalse)result result[completed_mask]# 刪除關(guān)鍵字段為空的行result result.dropna(subset[product_col, actual_col])# 過濾非正數(shù)result result[(result[actual_col] 0) (result[plan_col] 0)]return result.reset_index(dropTrue)def detect_outliers(self,df: pd.DataFrame,group_col: str product_type,value_col: str actual_time) - pd.DataFrame:使用 IQR 法則檢測異常加工時(shí)長Parameters----------df : pd.DataFrame清洗后的數(shù)據(jù)group_col : str分組列名value_col : str數(shù)值列名Returns-------pd.DataFrame新增 is_outlier 列result df.copy()result[is_outlier] Falsefor group_name, group_df in result.groupby(group_col):values group_df[value_col].valuesq1, q3 np.percentile(values, [25, 75])iqr q3 - q1lower q1 - self.iqr_multiplier * iqrupper q3 self.iqr_multiplier * iqrmask (group_df.index.isin(group_df.index)) ((group_df[value_col] lower) |(group_df[value_col] upper))result.loc[group_df.index, is_outlier] maskreturn result/detailsdetailssummary/summary加工時(shí)長分析器import numpy as npimport pandas as pdfrom typing import Dict, Optionalclass DurationAnalyzer:FMS 工單加工時(shí)長分析按產(chǎn)品類型分組計(jì)算統(tǒng)計(jì)指標(biāo)。def __init__(self,product_col: str product_type,plan_col: str plan_time,actual_col: str actual_time):self.product_col product_colself.plan_col plan_colself.actual_col actual_coldef analyze(self, df: pd.DataFrame) - pd.DataFrame:按產(chǎn)品類型分析加工時(shí)長Parameters----------df : pd.DataFrame清洗后的數(shù)據(jù)Returns-------pd.DataFrame每種產(chǎn)品的統(tǒng)計(jì)指標(biāo)summary df.groupby(self.product_col).agg(count(self.actual_col, count),avg_actual(self.actual_col, mean),std_actual(self.actual_col, std),min_actual(self.actual_col, min),max_actual(self.actual_col, max),avg_plan(self.plan_col, mean),).reset_index()# 計(jì)算偏差summary[deviation] (summary[avg_actual] - summary[avg_plan])summary[deviation_pct] (summary[deviation] / summary[avg_plan] * 100)# 填充空值summary[std_actual] summary[std_actual].fillna(0)# 排序summary summary.sort_values(avg_actual, ascendingFalse)return summarydef analyze_excluding_outliers(self,df: pd.DataFrame,outlier_col: str is_outlier) - pd.DataFrame:排除異常值后重新分析Parameters----------df : pd.DataFrame含異常標(biāo)記的數(shù)據(jù)outlier_col : str異常標(biāo)記列名Returns-------pd.DataFrame排除異常后的統(tǒng)計(jì)結(jié)果clean_df df[~df[outlier_col]].copy()return self.analyze(clean_df)def get_recommendation(self, summary: pd.DataFrame) - pd.DataFrame:生成排產(chǎn)建議使用平均時(shí)長 1 個(gè)標(biāo)準(zhǔn)差作為安全時(shí)長Parameters----------summary : pd.DataFrame分析結(jié)果Returns-------pd.DataFrame含排產(chǎn)建議時(shí)長的數(shù)據(jù)rec summary.copy()rec[suggested_time] rec[avg_actual] rec[std_actual]return rec[[self.product_col, avg_actual, std_actual,suggested_time, count]]/detailsdetailssummary/summary可視化器import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom pathlib import Pathfrom typing import Optionalplt.rcParams[font.sans-serif] [SimHei, DejaVu Sans]plt.rcParams[axes.unicode_minus] Falseclass Visualizer:FMS 工單加工時(shí)長可視化def __init__(self, results_dir: str results):self.results_dir Path(results_dir)self.results_dir.mkdir(exist_okTrue)def plot_avg_duration_bar(self,summary: pd.DataFrame,product_col: str product_type,value_col: str avg_actual,title: str 各類產(chǎn)品平均加工時(shí)長) - None:繪制平均加工時(shí)長柱狀圖fig, ax plt.subplots(figsize(10, 5))products summary[product_col].tolist()values summary[value_col].tolist()colors plt.cm.Set3(np.linspace(0, 1, len(products)))bars ax.bar(products, values, colorcolors)ax.set_ylabel(平均加工時(shí)長 (分鐘), fontsize12)ax.set_title(title, fontsize14, fontweightbold)ax.tick_params(axisx, rotation30)# 標(biāo)注數(shù)值for bar, val in zip(bars, values):ax.text(bar.get_x() bar.get_width() / 2,bar.get_height() 1,f{val:.1f},hacenter,vabottom,fontsize9,)plt.tight_layout()plt.savefig(self.results_dir / avg_duration_bar.png,dpi150, bbox_inchestight)plt.close()def plot_duration_boxplot(self,df: pd.DataFrame,product_col: str product_type,value_col: str actual_time) - None:繪制加工時(shí)長箱線圖fig, ax plt.subplots(figsize(10, 5))products df[product_col].unique()data [df[df[product_col] p][value_col].valuesfor p in products]bp ax.boxplot(data, labelsproducts, patch_artistTrue,showfliersTrue)ax.set_ylabel(加工時(shí)長 (分鐘), fontsize12)ax.set_title(各類產(chǎn)品加工時(shí)長分布, fontsize14, fontweightbold)ax.tick_params(axisx, rotation30)# 著色colors plt.cm.Set3(np.linspace(0, 1, len(products)))for patch, color in zip(bp[boxes], colors):patch.set_facecolor(color)plt.tight_layout()plt.savefig(self.results_dir / duration_boxplot.png,dpi150, bbox_inchestight)plt.close()def plot_plan_vs_actual(self,summary: pd.DataFrame,product_col: str product_type) - None:繪制計(jì)劃 vs 實(shí)際對比圖fig, ax plt.subplots(figsize(10, 5))products summary[product_col].tolist()x np.arange(len(products))width 0.35ax.bar(x - width/2, summary[avg_plan], width,label計(jì)劃時(shí)長, color#3498DB, alpha0.8)ax.bar(x width/2, summary[avg_actual], width,label實(shí)際時(shí)長, color#E74C3C, alpha0.8)ax.set_ylabel(時(shí)長 (分鐘), fontsize12)ax.set_title(計(jì)劃 vs 實(shí)際加工時(shí)長對比, fontsize14, fontweightbold)ax.set_xticks(x)ax.set_xticklabels(products, rotation30)ax.legend()plt.tight_layout()plt.savefig(self.results_dir / plan_vs_actual.png,dpi150, bbox_inchestight)plt.close()/detailsdetailssummary/summary合成數(shù)據(jù)生成器import numpy as npimport pandas as pdfrom pathlib import Pathfrom typing import Optionalfrom datetime import datetime, timedeltaclass SyntheticDataGenerator:FMS 工單合成數(shù)據(jù)生成器生成包含不同產(chǎn)品類型、計(jì)劃/實(shí)際時(shí)長、異常值的模擬工單數(shù)據(jù)。def __init__(self, rng: Optional[np.random.RandomState] None):self.rng rng or np.random.RandomState(42)def generate(self,n_records: int 400,start_date: str 2025-01-01,output_path: str fms_workorders.csv) - pd.DataFrame:生成合成工單數(shù)據(jù)Parameters----------n_records : int工單條數(shù)start_date : str起始日期output_path : str輸出路徑Returns-------pd.DataFrame# 產(chǎn)品類型配置(名稱, 計(jì)劃時(shí)長均值, 實(shí)際時(shí)長均值, 標(biāo)準(zhǔn)差)products [(A型法蘭, 90, 110, 18),(B型殼體, 70, 85, 12),(C型軸套, 45, 55, 8),(D型端蓋, 60, 72, 10),(E型支架, 100, 120, 22),]start datetime.strptime(start_date, %Y-%m-%d)records []for _ in range(n_records):prod_name, plan_mean, actual_mean, std products[self.rng.randint(0, len(products))]# 計(jì)劃時(shí)長略有波動(dòng)plan_time max(10, plan_mean self.rng.normal(0, 5))# 實(shí)際時(shí)長正態(tài)分布 少量異常值if self.rng.random() 0.05: # 5% 異常actual_time actual_mean self.rng.uniform(2, 4) * stdelse:actual_time max(5, self.rng.normal(actual_mean, std))# 狀態(tài)95% 完成status 完成 if self.rng.random() 0.95 else 進(jìn)行中# 日期date start timedelta(daysint(self.rng.randint(0, 60)))records.append({workorder_id: fWO{_1:05d},product_type: prod_name,plan_time: round(plan_time, 1),actual_time: round(actual_time, 1),status: status,operator: fOP{self.rng.randint(1, 8):02d},date: date.strftime(%Y-%m-%d),})df pd.DataFrame(records)output_path Path(output_path)output_path.parent.mkdir(parentsTrue, exist_okTrue)df.to_csv(output_path, indexFalse, encodingutf-8)return df/detailsdetailssummary/summaryFMS 車間工單加工時(shí)長分析課程映射濱州職業(yè)學(xué)院《先進(jìn)制造技術(shù)》柔性制造系統(tǒng)FMS與先進(jìn)生產(chǎn)管理生產(chǎn)計(jì)劃與排程工單加工時(shí)長統(tǒng)計(jì)先進(jìn)制造技術(shù)基礎(chǔ)制造系統(tǒng)性能評估加工效率分析智能制造與數(shù)字孿生制造大數(shù)據(jù)驅(qū)動(dòng)決策數(shù)據(jù)驅(qū)動(dòng)的排產(chǎn)優(yōu)化數(shù)控加工與CAD/CAM技術(shù)數(shù)控加工工藝規(guī)劃工藝參數(shù)與加工時(shí)間關(guān)聯(lián)技術(shù)棧嚴(yán)格pandas # 工單加載、分組統(tǒng)計(jì)numpy # 統(tǒng)計(jì)計(jì)算與合成數(shù)據(jù)生成matplotlib # 柱狀圖、箱線圖、對比圖可視化import sysimport ossys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))import numpy as npimport pandas as pdfrom pathlib import Pathfrom fms_workorder_analysis.workorder_loader import WorkorderLoaderfrom fms_workorder_analysis.data_cleaner import DataCleanerfrom fms_workorder_analysis.duration_analyzer import DurationAnalyzerfrom fms_workorder_analysis.visualizer import Visualizerfrom fms_workorder_analysis.synthetic_data import SyntheticDataGeneratordef main():主程序print( * 70)print(FMS 車間工單加工時(shí)長分析)print( * 70)results_dir Path(results)results_dir.mkdir(exist_okTrue)# 1. 生成合成數(shù)據(jù)print(\n[1/6] 生成合成工單數(shù)據(jù)...)generator SyntheticDataGenerator(rngnp.random.RandomState(42))csv_path fms_workorders.csvdf_raw generator.generate(n_records400,start_date2025-01-01,output_pathcsv_path,)print(f 生成 {len(df_raw)} 條工單記錄)# 2. 加載數(shù)據(jù)print(\n[2/6] 加載工單數(shù)據(jù)...)loader WorkorderLoader(csv_path)df loader.load()print(f 加載 {len(df)} 條記錄)print(f 產(chǎn)品類型: {df[product_type].unique().tolist()})# 3. 數(shù)據(jù)清洗print(\n[3/6] 清洗數(shù)據(jù)...)cleaner DataCleaner(iqr_multiplier1.5)df_clean cleaner.clean(df)print(f 清洗后: {len(df_clean)} 條有效記錄)print(f 各產(chǎn)品數(shù)量:)for prod, count in df_clean[product_type].value_counts().items():print(f {prod}: {count})# 4. 異常檢測print(\n[4/6] 檢測異常加工時(shí)長...)df_with_outliers cleaner.detect_outliers(df_clean, group_colproduct_type, valu利用AI解決實(shí)際問題如果你覺得這個(gè)工具好用歡迎關(guān)注長安牧笛