Как по таблице проб масла найти машину, которой пора в ремонт? Запусти настоящий Python в браузере: среднее, фильтр, скользящее среднее и поиск выброса с графиком.
Лаборатория присылает анализ масла по всему парку: железо, кремний, вязкость для каждой машины. Глазами в таблице из двадцати строк еще можно найти беду, а из двух тысяч уже нет. Программа на Python читает файл, считает среднее и разброс, отбирает машины выше порога и находит ту, что выбивается из общей картины. Если повторять это после каждой пробы, видно, у какой машины износ ускоряется, еще до поломки. Python здесь настоящий: он запускается прямо в браузере.
Собрать столбец, посчитать по нему и отобрать строки по условию. Числа ниже берутся из данных опыта.
Как достать столбец?
Это списковое включение: пройти по всем строкам таблицы и из каждой взять поле Fe. Получается обычный список чисел, по которому уже можно считать.
Что обычно и насколько разбросано?
Среднее складывает все и делит на число машин. Разброс показывает типичное отклонение от среднего; делят на n − 1, потому что среднее посчитано по тем же данным.
Как отобрать нужные строки?
То же включение, но с условием в конце: в новый список попадают только строки, где условие истинно. Так получают список машин на повторную пробу или в ремонт.
Каждую строку программы можно повторить формулой в таблице: среднее, разброс, фильтр. Для двадцати машин это удобно. Python выигрывает, когда данных тысячи строк, файлов десятки, а обработку нужно повторять каждую неделю одним запуском: программу написали один раз, а таблицу каждый раз собирают руками.
В настоящей работе к Python добавляют библиотеку pandas: таблица читается одной строкой pd.read_csv("пробы.csv"), а среднее по столбцу это df["Fe"].mean(). Здесь мы обошлись без нее, чтобы было видно, что внутри. О том, что означают железо и кремний в масле, рассказано в теме «Анализ масла», а как провести прямую тренда через точки, в математике в теме «Метод наименьших квадратов».
| Python | Excel |
|---|---|
| sum(fe) / len(fe) | =СРЗНАЧ(C2:C21) |
| σ по формуле | =СТАНДОТКЛОН.В(C2:C21) |
| [м for м in парк if м["Fe"] > 60] | =ФИЛЬТР(A2:E21; C2:C21>60) |
| скользящее по 3 | =СРЗНАЧ(C2:C4), протянуть вниз |
| наклон тренда | =НАКЛОН(C2:C13; B2:B13) |
| (x − x̄) / σ | =СТАНДАРТИЗАЦИЯ(C2; x̄; σ) |
Лаборатория присылает сотни проб в месяц. Скрипт сводит их в одну таблицу, отмечает выход за нормы и строит тренд по каждой машине.
Давление масла, температура, перегрузки пишутся каждую секунду. Python находит события: перегрев на подъеме, работу с низким давлением, удары подвески.
Из журнала смен скрипт считает коэффициент готовности, среднее время между отказами и время ремонта по каждой машине и показывает худшие.
Сравнение заправок с моточасами и пройденным путем выявляет машины с перерасходом: неисправная форсунка, утечка или слив.
По замерам протектора и давления строят прогноз замены и находят машины, у которых шины изнашиваются быстрее парка: признак плохой дороги или перегруза.
Еженедельный отчет, который собирали полдня, скрипт делает за секунды: читает выгрузки, считает показатели и рисует графики.
Данные придуманы для учебы, но порядок цифр правдоподобен для дизеля карьерного самосвала: железо обычно 10–50 ppm за срок масла, кремний выше 20 ppm говорит о пыли, вязкость моторного масла 15W-40 при 100 °C около 14 сСт. Пороги 60 ppm железа и 20 ppm кремния учебные. Выброс ищется по железу, пересчитанному на 100 часов работы масла, и по правилу «дальше 2σ от среднего». Python работает через Pyodide (версия 0.26.4) с сайта jsdelivr и загружается только по кнопке, около 10 МБ. Без загрузки показывается результат тех же программ, заранее посчитанный на JavaScript; если код изменен, без Python его не выполнить. Графики рисует сайт по данным, которые вернула программа в переменной график.