周四下午FMS 車間調(diào)度室。這個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、產(chǎn)品類型A型法蘭/B型殼體/C型軸套、計劃加工時長分鐘、實際加工時長分鐘、設(shè)備編號、操作員、完成狀態(tài)。問題一眼就看到了——小王你排產(chǎn)的時候A 型法蘭的計劃時長是按什么給的按經(jīng)驗啊小王撓撓頭之前做的幾批差不多都是 90 分鐘一個。差不多我指著屏幕你看這組數(shù)據(jù)——A 型法蘭實際加工時長從 72 分鐘到 156 分鐘波動快一倍了。你用 90 分鐘去排產(chǎn)遇到實際要 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際平均加工時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)品類型分組計算平均實際加工時長avg_times df.groupby(product_type)[actual_time].mean()# 畫柱狀圖avg_times.plot(kindbar, color#3498DB)plt.ylabel(平均加工時長 (分鐘))plt.title(各類產(chǎn)品平均加工時長)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用 OOP 封裝一個類管工單數(shù)據(jù)加載一個類管數(shù)據(jù)清洗處理空值、異常值一個類管分組統(tǒng)計按產(chǎn)品類型算平均/最大/最小加工時長一個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工單按產(chǎn)品類型分堆每堆算一個靠譜的平均加工時間——以后排產(chǎn)就用這個數(shù)不用再差不多了。對。而且不光是平均我補充箱線圖還能看出每類產(chǎn)品的加工時長波動范圍——波動大的產(chǎn)品排產(chǎn)時要多留緩沖時間。小王點點頭那我明天就把這個數(shù)嵌進排產(chǎn)邏輯里。一、實際應(yīng)用場景真實痛點場景設(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劃加工時長和實際加工時長?，F(xiàn)場常見痛點排產(chǎn)時憑經(jīng)驗估算加工時長未利用歷史工單數(shù)據(jù)計算各類產(chǎn)品的實際平均加工時長導(dǎo)致排產(chǎn)偏差大、訂單延期、設(shè)備利用率低?，F(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劃時間和實際時間都有。但我從來沒認真分析過——每次排產(chǎn)都是憑感覺給個數(shù)差不多就行。差不多就是差很多我說A 型法蘭你給 90 分鐘實際平均要 112 分鐘每批 10 個就是多出來將近 4 個小時。一天排三批直接拖到第二天。核心矛盾經(jīng)驗估算的加工時長與基于歷史數(shù)據(jù)的實際平均加工時長之間的偏差。需要一個FMS 工單加工時長分析程序用pandas 加載工單數(shù)據(jù)按產(chǎn)品類型分組計算平均/統(tǒng)計加工時長用matplotlib 可視化對比為排產(chǎn)提供數(shù)據(jù)支撐。二、痛點分析映射到濱州職業(yè)學(xué)院《先進制造技術(shù)》課程模型《先進制造技術(shù)》模塊 本篇痛點對應(yīng)柔性制造系統(tǒng)FMS與先進生產(chǎn)管理生產(chǎn)計劃與排程 工單加工時長統(tǒng)計排產(chǎn)的基礎(chǔ)輸入是準確的工序時間經(jīng)驗估算導(dǎo)致計劃偏差。先進制造技術(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)計各類產(chǎn)品的實際加工時長評估制造系統(tǒng)效率。智能制造與數(shù)字孿生制造大數(shù)據(jù)驅(qū)動決策 數(shù)據(jù)驅(qū)動的排產(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)雜度不同加工時長存在差異。一句話總結(jié)我們需要構(gòu)建一個FMS 工單加工時長分析程序用pandas 加載和分組統(tǒng)計工單數(shù)據(jù)用numpy 計算統(tǒng)計指標用matplotlib 繪制柱狀圖和箱線圖輸出各類產(chǎn)品的平均加工時長及波動范圍為排產(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時把 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、計劃分揀時間、實際分揀時間。* 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。* 計算平均加工時長 算每堆的平均分揀時間小件平均 5 分鐘、中件平均 12 分鐘、大件平均 25 分鐘。* 排產(chǎn)用平均時長 按平均時間預(yù)估下次來 100 個小件按 5×100500 分鐘排計劃而不是憑感覺說大概兩小時。* 箱線圖 看波動范圍小件大部分在 4~6 分鐘偶爾有 10 分鐘的異常排產(chǎn)時多留點余量。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、標準差、最小、最大加工時長。* 異常值處理用numpy 結(jié)合箱線圖法則IQR識別異常工單如設(shè)備故障導(dǎo)致的異常長加工時間避免拉偏平均值。* matplotlib 可視化柱狀圖對比各類產(chǎn)品平均時長箱線圖展示每類產(chǎn)品的時長分布和波動。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、計劃時長、實際時長│▼ DataCleaner (pandas/numpy)數(shù)據(jù)清洗處理空值刪除或標記異常值檢測IQR 法則過濾未完成工單│▼ DurationAnalyzer (pandas/numpy)加工時長分析groupby(product_type).agg(mean(actual_time, mean),std(actual_time, std),min(actual_time, min),max(actual_time, max),count(actual_time, count),)計算計劃vs實際偏差│▼ Visualizer (matplotlib)可視化1. 柱狀圖各類產(chǎn)品平均加工時長2. 箱線圖每類產(chǎn)品的時長分布3. 對比圖計劃 vs 實際按產(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)品的加工時長包含正常波動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)計而不是逐個看* 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)計指標效率高且信息密度大。* 工程合理性FMS 車間產(chǎn)品種類可能多達幾十種分組統(tǒng)計是生產(chǎn)數(shù)據(jù)分析的標準方法。3.4 分析前后對比維度 經(jīng)驗估算 數(shù)據(jù)驅(qū)動分析加工時長 差不多 90 分鐘 A型法蘭 112.3±18.5 分鐘排產(chǎn)準確性 偏差 20%~50% 偏差 10%異常處理 不知道有異常 IQR 識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 代碼實現(xiàn)4.1 項目結(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 # 平均加工時長柱狀圖│ ├── duration_boxplot.png # 加工時長箱線圖│ ├── plan_vs_actual.png # 計劃vs實際對比圖│ ├── duration_summary.csv # 加工時長匯總│ └── analysis_report.txt # 分析報告└── 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計劃加工時長列名actual_col : str實際加工時長列名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})# 列名標準化col_aliases {product_col: [產(chǎn)品類型, product, item_type, 型號],plan_col: [計劃時長, plan_duration, planned_time, 標準工時],actual_col: [實際時長, actual_duration, real_time, 實際工時],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計劃時長列名actual_col : str實際時長列名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加工時長分析器import numpy as npimport pandas as pdfrom typing import Dict, Optionalclass DurationAnalyzer:FMS 工單加工時長分析按產(chǎn)品類型分組計算統(tǒng)計指標。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)計指標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含異常標記的數(shù)據(jù)outlier_col : str異常標記列名Returns-------pd.DataFrame排除異常后的統(tǒng)計結(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)建議使用平均時長 1 個標準差作為安全時長Parameters----------summary : pd.DataFrame分析結(jié)果Returns-------pd.DataFrame含排產(chǎn)建議時長的數(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)品平均加工時長) - None:繪制平均加工時長柱狀圖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(平均加工時長 (分鐘), fontsize12)ax.set_title(title, fontsize14, fontweightbold)ax.tick_params(axisx, rotation30)# 標注數(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(加工時長 (分鐘), fontsize12)ax.set_title(各類產(chǎn)品加工時長分布, 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:繪制計劃 vs 實際對比圖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計劃時長, color#3498DB, alpha0.8)ax.bar(x width/2, summary[avg_actual], width,label實際時長, color#E74C3C, alpha0.8)ax.set_ylabel(時長 (分鐘), fontsize12)ax.set_title(計劃 vs 實際加工時長對比, 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、計劃/實際時長、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, 計劃時長均值, 實際時長均值, 標準差)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))]# 計劃時長略有波動plan_time max(10, plan_mean self.rng.normal(0, 5))# 實際時長正態(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 車間工單加工時長分析課程映射濱州職業(yè)學(xué)院《先進制造技術(shù)》柔性制造系統(tǒng)FMS與先進生產(chǎn)管理生產(chǎn)計劃與排程工單加工時長統(tǒng)計先進制造技術(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)動決策數(shù)據(jù)驅(qū)動的排產(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)與加工時間關(guān)聯(lián)技術(shù)棧嚴格pandas # 工單加載、分組統(tǒng)計numpy # 統(tǒng)計計算與合成數(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] 檢測異常加工時長...)df_with_outliers cleaner.detect_outliers(df_clean, group_colproduct_type, valu利用AI解決實際問題如果你覺得這個工具好用歡迎關(guān)注長安牧笛