<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2301_82202864的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/2301_82202864</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; 2301_82202864]]></copyright><item><title><![CDATA[python的智能制造导论工业场景模拟第一百零六篇:搭建能耗仿真模型，模拟峰谷电价下设备启停策略，对比两种调度方案的总电费，实现绿色低碳仿真。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166578297</link><guid>https://blog.csdn.net/2301_82202864/article/details/166578297</guid><author>2301_82202864</author><pubDate>Thu, 24 Sep 2026 11:00:32 +0800</pubDate><description><![CDATA[report_lines.append(f" {'低谷用电量(kWh)':<16}{comparison['fixed_valley_energy']:<16.0f}{comparison['peak_valley_energy']:<16.0f}")'"小刘说，"但'省电'和'省钱'是两回事。report_lines.append(f" {'总电费(¥)':<16}{comparison['fixed_cost']:<16.2f}{comparison['peak_cost']:<16.2f}")]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第一百零五篇:离散仿真多工位并行产线，设置不同工位加工速率，定位生产瓶颈，支撑横向集成产线协同优化。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166576471</link><guid>https://blog.csdn.net/2301_82202864/article/details/166576471</guid><author>2301_82202864</author><pubDate>Thu, 24 Sep 2026 10:43:16 +0800</pubDate><description><![CDATA["老郑把报表推过来——上面列着5个工位的当日产出：工位1（上料）产出420件，工位2（粗加工）产出380件，工位3（精加工）产出310件，工位4（质检）产出305件，工位5（包装）产出290件。"我打开编辑器，"用Python建一个多工位并行产线模型，每个工位设不同的加工速率，模拟工件在工位间流转，看哪里堆积、哪里空闲，准确定位瓶颈。一句话总结：我们需要构建一个"多工位并行产线离散仿真程序"，用离散事件模拟工件在各工位的加工过程，统计利用率和队列长度，定位瓶颈工位，为横向集成协同优化提供数据支撑。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第一百零四篇:建立工艺自适应控制仿真，修改原料输入参数，观察系统自动调参，验证自适应能力对成品良率的提升。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166573094</link><guid>https://blog.csdn.net/2301_82202864/article/details/166573094</guid><author>2301_82202864</author><pubDate>Thu, 24 Sep 2026 10:11:15 +0800</pubDate><description><![CDATA[report_lines.append(f" {'平均良率':<12}{np.mean(fixed_yields)*100:<16.1f}{np.mean(adaptive_yields)*100:<16.1f}")report_lines.append(f" {'良率标准差':<12}{np.std(fixed_yields)*100:<16.1f}{np.std(adaptive_yields)*100:<16.1f}")这是一种合理的工程近似，重点在于对比"固定"与"自适应"的趋势差异。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第一百零三篇:使用Networkx搭建车间物流网络仿真，模拟AGV在节点间转运物料，计算物料送达平均等待时长。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166570732</link><guid>https://blog.csdn.net/2301_82202864/article/details/166570732</guid><author>2301_82202864</author><pubDate>Thu, 24 Sep 2026 09:46:39 +0800</pubDate><description><![CDATA['"小周说，"但'够不够'从来没人量化过。一句话总结：我们需要构建一个"车间物流网络仿真程序"，用 NetworkX 建模物流网络、模拟 AGV 转运过程，统计任务等待时长与 AGV 利用率，评估不同 AGV 规模下的策略效果。"小周摇头，"它记录的是'车干了啥'，不是'任务等了多久'。"我打开编辑器，"用 NetworkX 把车间画成一张图，AGV 在节点间跑，随机生成转运任务，统计等待时长，然后换个 AGV 数量再跑一遍。("充电点", "#F39C12"), ("路口", "#BDC3C7")]]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第一百零二篇:编写产线仿真程序，模拟设备随机故障场景，统计故障带来的停机时长，评估自决策维保策略效果。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166567492</link><guid>https://blog.csdn.net/2301_82202864/article/details/166567492</guid><author>2301_82202864</author><pubDate>Thu, 24 Sep 2026 09:14:56 +0800</pubDate><description><![CDATA[场景设定：制造企业面临设备维护策略选择——是采用"故障后维修"（Reactive Maintenance），还是"定期保养"（Preventive Maintenance），或是"预测性维护"（Predictive Maintenance）。我扫了一眼：记录上写着"9月5日，装配线A，电机故障，停机4.5小时""9月12日，包装线B，传送带卡死，停机2小时"……"我运行了一下，"但真正的价值在对比——用仿真跑1000次，分别模拟'坏了再修'和'每200小时保养'两种策略，看停机时长的分布。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第一百零一篇:读取工厂环境传感器数据(温湿度)，分析车间环境参数随班次的变化规律。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166488603</link><guid>https://blog.csdn.net/2301_82202864/article/details/166488603</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 17:23:33 +0800</pubDate><description><![CDATA[df["shift"] = df["hour"].apply(lambda h: "早班" if 8 <= h < 16 else ("中班" if 16 <= h < 24 else "夜班"))让我查查温湿度跟班次有没有关系。* 班次 = 一天的三个活动段：早班（8:00-16:00）是"白天工作"，中班（16:00-24:00）是"傍晚到深夜"，夜班（0:00-8:00）是"深夜到清晨"。"你看，"我指着图，"中班温度明显高于早晚班——因为下午车间设备全开，散热集中，加上日照，温度比夜班高3.7℃。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第一百篇:关联工单，质检，能耗三张表，统计不同工单的单位产品能耗与不良率。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166487772</link><guid>https://blog.csdn.net/2301_82202864/article/details/166487772</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 16:55:42 +0800</pubDate><description><![CDATA[生产管理人员需要将三张表关联，计算每个工单的单位产品能耗（kWh/件）和不良率（%），以评估不同工单的生产效率和质量水平，发现高能耗、高不良率的异常工单，为工艺优化提供数据支撑。'我看着这三张表，头都大了。一句话总结：我们需要构建一个"工单-质检-能耗三表关联分析程序"，通过多表关联计算每个工单的单位产品能耗和不良率，评估生产效率和质量水平，发现异常工单。"groupby("order_id").agg({"inspected": "sum", "defects": "sum"})"，然后再关联。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十九篇:Networkx筛选车间网络，只保留同一条产线内设备节点，单独绘制单产线拓扑。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166487142</link><guid>https://blog.csdn.net/2301_82202864/article/details/166487142</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 16:32:25 +0800</pubDate><description><![CDATA["我们车间有句行话：'全网拓扑是给网管看的，产线拓扑是给工程师用的。核心矛盾："网络管理需要清晰的单产线拓扑以实施隔离和排障"与"全车间拓扑数据混杂，缺乏按产线属性提取子图的能力"之间的冲突。ax.set_title(f"{target_line} 网络拓扑（{G.number_of_nodes()} 节点, {G.number_of_edges()} 条边）",。"小陈指着图的一角，"这条线有12台设备，我想单独画一张它的拓扑图，用来做网络隔离测试——把这条线的交换机端口单独划VLAN，跟其他线隔离。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十八篇:读取刀具使用台账，统计每把刀具加工产品数量，估算刀具平均使用寿命。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166486034</link><guid>https://blog.csdn.net/2301_82202864/article/details/166486034</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 15:52:58 +0800</pubDate><description><![CDATA["你看，"我指着直方图，"大部分刀具的寿命集中在1200到2200件之间，但有几把刀寿命特别短（左边的小柱子），也有几把特别长（右边的尾巴）。"有，但每台机床独立记录，格式还不一样。plt.axvline(avg_life, color="red", linestyle="--", label=f"平均: {avg_life:.0f}")]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十七篇:使用pandas将原始秒级传感数据聚合为5分钟均值数据，实现时序数据降采样。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166480526</link><guid>https://blog.csdn.net/2301_82202864/article/details/166480526</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 14:05:06 +0800</pubDate><description><![CDATA[需要一个"时序数据降采样程序"，自动将秒级数据聚合为指定时间窗口的统计值，为工艺分析提供"干净"的数据基础。”老李摇头，“我想按5分钟聚合，但系统只支持10分钟。“你看，”我指着降采样后的曲线，“原来每秒都在抖动的‘毛刺’被平滑掉了，现在这条线清晰地显示：凌晨2点到4点温度有个缓慢爬升，然后稳定在42℃左右——这正是发酵工艺要求的恒温区间。”老李补充，“有时候我需要看最大值（峰值有没有超工艺上限），有时候需要看最小值（有没有跌破下限），有时候需要看标准差（波动是不是变大了，可能预示设备不稳定）。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十六篇:读取产线视觉检测数据，统计各类外观缺陷的发生时段，绘制缺陷时序图。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166479010</link><guid>https://blog.csdn.net/2301_82202864/article/details/166479010</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 13:37:15 +0800</pubDate><description><![CDATA[核心矛盾："质量管理需要识别缺陷的时段规律以实施精准预防"与"视觉检测系统只记录单条结果，缺乏按时段聚合分析的能力"之间的冲突。"小杨指着标签上的时间戳，"但问题是，我只有这些纸质标签——检验员手写的时间、缺陷类型、工单号。"groupby(["hour", "defect_type"]).size().unstack()" 直接得到一个矩阵——行是小时，列是缺陷类型，值是计数。"你看，"我指着下午2点到3点那个区域，"划痕缺陷在14:00-15:00之间有一个明显的峰值，其他时段相对平稳。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十五篇:筛选设备超温记录，按设备分组统计超温发生次数，输出超温风险设备列表。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166473904</link><guid>https://blog.csdn.net/2301_82202864/article/details/166473904</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 12:25:32 +0800</pubDate><description><![CDATA[需要一个“设备超温风险统计程序”，自动筛选超温记录、按设备分组统计次数与频率、输出风险排行，为设备维护优先级提供数据支撑。"groupby("device_id").agg(count=("temperature", "count"), max_temp=("temperature", "max"))"，按设备统计超温次数和最高温度。一句话总结：我们需要构建一个“设备超温风险统计程序”，从全量温度日志中筛选超温记录，按设备分组统计超温次数与频率，输出风险设备列表，为设备健康管理提供数据基础。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十四篇:Networkx查找车间拓扑中，从原料入库节点到成品出库节点的全部连通路径。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166465341</link><guid>https://blog.csdn.net/2301_82202864/article/details/166465341</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 10:43:47 +0800</pubDate><description><![CDATA["小李指着图上密密麻麻的箭头，"你看，原料从入库区进来，要经过检验、缓存、上料、加工、装配、测试、包装，最后到成品出库。ax.axvline(np.mean(lengths), color="red", linestyle="--", linewidth=2, label=f"平均 {np.mean(lengths):.1f}min")我凑过去看了一眼他的图——十五个节点，节点之间有向箭头表示物流方向，有些节点之间有两条平行路径（比如"主通道"和"备用通道"）。'"小李说，"血管堵了，全身都不舒服。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十三篇:对生产数据做时间排序，计算相邻工单之间的产线换型等待时长。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166462847</link><guid>https://blog.csdn.net/2301_82202864/article/details/166462847</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 10:23:35 +0800</pubDate><description><![CDATA["我打开电脑，"你把工单数据导出来，我写个程序，按时间排序后，用当前工单的开始时间减去上一条工单的结束时间，差值就是换型等待时长。'"老赵说，"但换型的时候设备确实在转——空转、调试、试生产。一句话总结：我们需要构建一个"换型等待时长分析程序"，基于工单起止时间数据，自动计算相邻工单间的时间间隔，对比标准换型时间识别异常，为SMED改善提供数据基础。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十二篇:批量读取多个设备CSV传感文件，循环计算每台设备温度最大值，汇总结果。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166460329</link><guid>https://blog.csdn.net/2301_82202864/article/details/166460329</guid><author>2301_82202864</author><pubDate>Wed, 23 Sep 2026 10:03:09 +0800</pubDate><description><![CDATA[需要一个“批量设备温度统计程序”，自动遍历所有设备文件，计算每台设备的最高温度并汇总成一张表。一句话总结：我们需要构建一个“批量设备温度统计程序”，遍历设备 CSV 文件目录，对每台设备计算温度最大值，将结果汇总为一张结构化表格，为设备热状态评估提供数据基础。但我下周就要出报告。演进范式：人工抄写 → 单文件分析 → 批量自动处理 → 流式实时计算 从“逐台翻看”到“一键汇总”，实现从“重复劳动”到“自动化”的跨越。”科长把一叠U盘推过来，“三十台注塑机，每台都有个CSV文件，你从里面找出每台的最高温度。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十一篇:统计仓储物料出入库流水，计算每种物料的库存周转天数，识别呆滞物料。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166367835</link><guid>https://blog.csdn.net/2301_82202864/article/details/166367835</guid><author>2301_82202864</author><pubDate>Tue, 22 Sep 2026 16:45:58 +0800</pubDate><description><![CDATA[但ERP系统只能提供静态的"当前库存"和"最后一次入库时间"，无法基于消耗速度动态计算"库存还能用多少天"。"我打开电脑，"出入库流水是时序数据，你需要先按物料汇总'总入库量'和'总出库量'，然后算出'日均消耗量'，再用'当前库存 ÷ 日均消耗量'得到'库存还能用多少天'——这就是周转天数的核心逻辑。"老周摇头，"比如某个传感器，库存500个。演进范式：手工台账 → ERP静态报表 → 出入库流水分析 → 动态周转预警 从"看库存有多少"到"看库存能用多久"，实现从"静态管理"到"动态预测"的跨越。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第九十篇:读取烘箱工艺参数数据，分析温度波动和产品不良率之间的相关性。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166366824</link><guid>https://blog.csdn.net/2301_82202864/article/details/166366824</guid><author>2301_82202864</author><pubDate>Tue, 22 Sep 2026 16:12:20 +0800</pubDate><description><![CDATA["你看这张图，"我指着屏幕，"左下角的点——温度波动小（标准差<1℃），不良率都在1%以下，那是合格品。"小林说，"但数据在MES里，温度记录是每分钟一条，一天上万条；一句话总结：我们需要构建一个"温度波动-不良率相关性分析程序"，将高频温度数据按批次聚合为波动指标（标准差），与批次不良率做Pearson相关分析，量化温度稳定性对产品质量的影响程度。演进范式：人工巡检 → 自动记录 → 单参数监控 → 多参数相关性分析 → 质量预测 从"看绝对值"到"看波动"，从"凭经验判断"到"用相关系数说话"。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第八十九篇:Networkx给车间网络边增加权重，权重代表物料输送频次，绘制带权车间拓扑图。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166366435</link><guid>https://blog.csdn.net/2301_82202864/article/details/166366435</guid><author>2301_82202864</author><pubDate>Tue, 22 Sep 2026 15:55:39 +0800</pubDate><description><![CDATA["你看，"小赵指着屏幕对我说，"这就是我画的图。"nx.shortest_path(G, source, target, weight="weight")"计算最大权重路径（需将权重转换为"距离"的倒数，或直接用负权重）。演进范式：纸质布局图 → CAD图 → 无向拓扑图 → 带权拓扑图 → 路径优化 从"只画连接"到"量化强度"，实现从"定性描述"到"定量分析"的跨越。他之前用NetworkX画的车间拓扑图确实只有"连"和"不连"两种状态——节点是工位，边是物料输送路径，但所有边的粗细都一样。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第八十八篇:填充工单数据中的空值，对比均值填充，前向填充两种方式对比工单统计结果的影响。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166365342</link><guid>https://blog.csdn.net/2301_82202864/article/details/166365342</guid><author>2301_82202864</author><pubDate>Tue, 22 Sep 2026 15:15:00 +0800</pubDate><description><![CDATA[好处是"相邻的人水平可能差不多"（比如同一台设备连续出故障，修复时间可能相似），坏处是如果前面那个人考了满分（大修花了很久），后面的人也被"带飞"了。"我说，"如果你的工单是按时间顺序处理的，而且相邻工单的修复时间可能相似（比如同一台设备连续出故障），前向填充更合理。一句话总结：我们需要构建一个"空值填充对比分析程序"，对同一份工单数据分别应用均值填充和前向填充，对比两种方式对MTTR、停机总时长等关键指标的影响，为选择填充策略提供数据依据。"小王说，"我们设备管理系统导出的工单数据，有三百多条。]]></description><category></category></item><item><title><![CDATA[python的智能制造导论工业场景模拟第八十七篇:读取客户订单数据，按产品类别分组，统计各类产品月度订单需求变化趋势。]]></title><link>https://blog.csdn.net/2301_82202864/article/details/166363886</link><guid>https://blog.csdn.net/2301_82202864/article/details/166363886</guid><author>2301_82202864</author><pubDate>Tue, 22 Sep 2026 14:39:39 +0800</pubDate><description><![CDATA[需要一个"订单需求趋势分析程序"，自动从订单明细中按类别和月份分组聚合，输出趋势图表。演进范式：手工台账 → ERP系统 → 固定报表 → 自助式数据分析（Python脚本） 从"依赖IT部门定制报表"到"业务人员自助分析"，实现从"滞后响应"到"实时洞察"的跨越。一句话总结：我们需要构建一个"订单需求趋势分析程序"，从订单明细中按产品类别和月份分组聚合，用可视化展示需求变化趋势，为生产计划和物料采购提供数据支撑。”我打开电脑，“订单数据按产品类别分组，再按月份聚合，统计需求数量或金额，最后画成趋势图。]]></description><category></category></item></channel></rss>