Jenga Dashibodi Shirikishi ya Uchanganuzi wa Kundi la Roboti kwa Python na Streamlit

Robot Fleet Analytics Hufanya Nini

Robot Fleet Analytics ni dashibodi shirikishi ya kufuatilia na kutathmini utendaji wa kundi la roboti zinazojitegemea. Hubadilisha rekodi za uendeshaji zilizohifadhiwa kwenye MySQL kuwa vipimo vilivyochujwa, chati shirikishi na maarifa ya kiutendaji.

Mradi huu unalenga data kama vile utekelezaji wa kazi, hitilafu, umbali uliosafiriwa, matumizi ya betri, muda wa kukamilisha kazi na muda wa kutofanya kazi. Kwa kuunganisha vipimo hivi, dashibodi huwasaidia timu kutathmini utegemezi wa kundi la roboti, kupata vikwazo na kutambua roboti au maeneo yenye hatari kubwa.

Jinsi Programu Inavyofanya Kazi

Programu hufuata mchakato rahisi wa uchanganuzi:

1. Rekodi za uendeshaji huhifadhiwa kwenye hifadhidata ya MySQL.
2. Programu ya Python huuliza data ya uendeshaji wa roboti.
3. Pandas huchakata na kujumlisha rekodi zilizorejeshwa.
4. NumPy husaidia uchanganuzi wa namba, ikiwemo kukokotoa mienendo ya matumizi ya betri.
5. Streamlit hutoa kiolesura shirikishi cha dashibodi.
6. Plotly huonyesha chati shirikishi za uchanganuzi wa kundi la roboti na roboti binafsi.

Watumiaji wanaweza kuchuja dashibodi kwa kipindi cha tarehe, roboti, eneo na aina ya kazi. KPI na vielelezo husasishwa moja kwa moja chaguo hizi zinapobadilika.

Maeneo Muhimu ya Dashibodi

Muhtasari wa Kundi la Roboti

Muhtasari wa kundi la roboti hutoa picha ya jumla ya utendaji wa sasa. Unajumuisha roboti zinazotumika, kazi zilizotekelezwa, viwango vya mafanikio na hitilafu, wastani wa muda wa kukamilisha kazi, utegemezi wa kundi la roboti, jumla ya umbali uliosafiriwa, jumla ya muda wa kutofanya kazi na wastani wa matumizi ya betri.

Utendaji wa Roboti

Ulinganisho wa roboti binafsi husaidia kutambua vitengo vinavyofanya vizuri na vile vinavyoweza kuhitaji uchunguzi. Dashibodi inalinganisha kiwango cha hitilafu za kazi, wastani wa muda wa kukamilisha, jumla ya muda wa kutofanya kazi, kiasi cha kazi na idadi ya hitilafu.

Uchanganuzi wa Uendeshaji

Uchanganuzi wa uendeshaji hufichua mienendo mipana katika kundi la roboti. Unajumuisha viwango vya kila mwezi vya hitilafu za kazi, uchanganuzi wa hitilafu kwa eneo na mienendo ya utekelezaji wa kazi.

Ufanisi wa Rasilimali

Sehemu ya rasilimali huchunguza uhusiano kati ya umbali uliosafiriwa na matumizi ya betri. Pia inajumuisha mienendo ya matumizi ya betri iliyokokotolewa kwa urejeshaji wa mstari wa NumPy na uchanganuzi wa kiwango cha hitilafu kwa aina ya kazi.

Vighairi vya Kundi la Roboti

Roboti huainishwa kulingana na viwango vilivyoonekana vya hitilafu za kazi kwa kutumia viwango vitatu vya vighairi: NORMAL, WATCH na ATTENTION. Makundi haya hurahisisha kuweka kipaumbele katika mapitio ya uendeshaji.

Maarifa ya Kiutendaji

Dashibodi huangazia roboti iliyo katika hatari kubwa zaidi, eneo lililo katika hatari kubwa zaidi na roboti inayofanya vizuri zaidi. Pia huonyesha viwango vya hitilafu, muda wa kutofanya kazi na wastani wa muda wa utekelezaji wa kazi ili kusaidia uchunguzi wa haraka.

Usakinishaji na Usanidi

README inataja Python, Streamlit, Pandas, NumPy, MySQL, MySQL Connector/Python na Plotly kama teknolojia kuu. Kwa kuwa jina halisi la faili ya kuanzisha hifadhi na muundo wa usanidi wa hifadhidata haujabainishwa, tumia faili za mradi kuthibitisha amri inayohitajika na mipangilio ya muunganisho.

1. Clone au pakua hifadhi ya mradi.
2. Unda na uwashe mazingira pepe ya Python.
3. Sakinisha vitegemezi vilivyoorodheshwa na mradi. Kwa kawaida mazingira huhitaji vifurushi kama streamlit, pandas, numpy, mysql-connector-python na plotly.
4. Andaa hifadhidata ya MySQL yenye data ya uendeshaji wa roboti inayotarajiwa na programu.
5. Sanidi muunganisho wa hifadhidata wa programu kwa kutumia njia iliyotolewa kwenye hifadhi, kama vile vigezo vya usanidi au siri za Streamlit.
6. Anzisha sehemu ya kuingilia ya Streamlit iliyoainishwa na mradi.

Amri ya kawaida ya kuanzisha Streamlit huwa na muundo ufuatao, ambapo app.py inapaswa kubadilishwa na faili halisi ya kuingilia ya hifadhi:

streamlit run app.py

Usiandike moja kwa moja kitambulisho cha uzalishaji cha hifadhidata katika msimbo wa chanzo wa programu. Tumia utaratibu wa usanidi unaoungwa mkono na hifadhi na uhifadhi vitambulisho nje ya udhibiti wa matoleo.

Matumizi ya Msingi ya Dashibodi

1. Anza na mwonekano wa kundi lote la roboti

Baada ya kuanzisha programu, kagua KPI za muhtasari ili kuelewa hali ya sasa ya kundi la roboti. Zingatia hasa kiwango cha mafanikio, kiwango cha hitilafu, wastani wa muda wa kukamilisha, muda wa kutofanya kazi, umbali na matumizi ya betri.

2. Punguza uchanganuzi kwa kutumia vichujio

Tumia kipindi cha tarehe kulinganisha vipindi tofauti vya uendeshaji. Kisha chagua roboti, eneo au aina mahususi ya kazi ili kutoka kwenye muhtasari wa kundi lote hadi uchunguzi maalum. Kwa kuwa dashibodi husasishwa moja kwa moja, chati na KPI zinazoonekana zinapaswa kuakisi mchanganyiko uliochaguliwa wa vichujio.

3. Linganisha roboti binafsi

Tumia sehemu ya utendaji wa roboti kulinganisha viwango vya hitilafu, idadi ya kazi, hitilafu, muda wa kutofanya kazi na muda wa kukamilisha. Roboti yenye kiwango kikubwa cha hitilafu na muda mwingi wa kutofanya kazi inaweza kuhitaji mapitio ya kina ya uendeshaji.

4. Chunguza maeneo na aina za kazi

Uchanganuzi wa hitilafu kwa eneo unaweza kufichua maeneo ambako roboti hukumbana na matatizo yanayojirudia. Viwango vya hitilafu kwa aina ya kazi vinaweza kuonyesha ikiwa aina fulani ya kazi inahusishwa na utegemezi mdogo.

5. Kagua uhusiano wa rasilimali

Chunguza umbali uliosafiriwa pamoja na matumizi ya betri. Uhusiano kati ya vipimo hivi unaweza kusaidia timu kugundua matumizi yasiyo ya kawaida ya nishati au kuelewa jinsi umbali wa uendeshaji unavyoathiri mahitaji ya betri.

Mtiririko wa Mfano wa Uchanganuzi

Uchunguzi wa vitendo unaweza kufuata mfuatano huu:

1. Weka kipindi cha tarehe kinachojumuisha muda unaohusika.
2. Kagua viwango vya mafanikio na kushindwa vya kundi zima la roboti.
3. Tambua roboti zilizo katika kategoria za WATCH au ATTENTION.
4. Linganisha roboti hizo kwa kuzingatia muda wa kutofanya kazi, kiasi cha kazi, na wastani wa muda wa kukamilisha.
5. Chuja kwa eneo ili kubaini ikiwa kushindwa kumejikita katika eneo fulani.
6. Chuja kwa aina ya kazi ili kuangalia ikiwa operesheni moja inasababisha kushindwa huko.
7. Linganisha umbali uliosafiri na matumizi ya betri kabla ya kutoa hitimisho kuhusu ufanisi wa rasilimali.

Vidokezo vya Juu vya Uchambuzi

Unganisha vipimo badala ya kutegemea KPI moja

Kiwango cha juu cha kushindwa kwa kazi ni muhimu, lakini kinapaswa kutafsiriwa pamoja na kiasi cha kazi, muda wa kutofanya kazi, na wastani wa muda wa kukamilisha. Roboti yenye kazi nyingi inaweza kurekodi kushindwa zaidi kwa kawaida kuliko roboti inayotumika kidogo, hivyo kukagua viwango na hesabu kwa pamoja hutoa muktadha bora.

Tumia vichujio kutenga mifumo ya uendeshaji

Anza na kipindi kipana cha tarehe, kisha punguza data hatua kwa hatua kwa kuchuja kwa roboti, eneo, na aina ya kazi. Mbinu hii husaidia kutofautisha matatizo ya kundi zima na matatizo yanayohusiana na muktadha mahususi wa uendeshaji.

Tafsiri mwenendo wa betri kwa kuzingatia muktadha wa uendeshaji

Dawati hutumia urejeshaji wa mstari wa NumPy kukokotoa mwenendo wa matumizi ya betri. Chukulia hii kama ishara ya uchambuzi badala ya maelezo kamili: umbali, aina ya kazi, mzigo wa roboti, na eneo la uendeshaji vinaweza vyote kuathiri matumizi ya betri.

Weka kipaumbele kwa kategoria za kipekee

Tumia kategoria za NORMAL, WATCH, na ATTENTION kama utaratibu wa kupanga uchunguzi kwa kipaumbele. Chunguza roboti za ATTENTION kwanza, kisha linganisha mifumo yao ya kushindwa na matokeo ya eneo na aina ya kazi ili kupata sababu zinazowezekana.

Tumia mwingiliano wa Plotly wakati wa uchunguzi

Vielelezo vya Plotly vimeundwa kwa uchunguzi shirikishi. Elekeza kishale juu ya vipengele vya chati, linganisha kategoria, na tumia vichujio vya dawati kwa pamoja badala ya kukagua kila chati kivyake.

Majukumu ya Teknolojia

• Python: mantiki ya programu na uchanganuzi.
• Streamlit: kiolesura cha dawati shirikishi.
• Pandas: uchakataji na ujumlishaji wa data.
• NumPy: uchanganuzi wa nambari na ukokotoaji wa mienendo.
• MySQL: uhifadhi wa data za uendeshaji.
• MySQL Connector/Python: muunganisho wa hifadhidata.
• Plotly: vielelezo shirikishi vya data.

Hitimisho

Robot Fleet Analytics hutoa eneo moja la kazi la kuelewa utendaji wa kundi la roboti zinazojitegemea. Muundo wake wa MySQL, Python, Pandas, NumPy, Plotly, na Streamlit unaunga mkono ufuatiliaji wa kiwango cha juu pamoja na uchunguzi wa kina. Kwa kuchanganya vichujio vinavyobadilika na vipimo vya kutegemeka, ufanisi, muda wa kutofanya kazi, na hali za kipekee, timu zinaweza kubadilisha rekodi ghafi za roboti kuwa maamuzi yaliyo wazi zaidi ya uendeshaji.