Spaces:
Running
Running
| import streamlit as st | |
| import numpy as np | |
| import pandas as pd | |
| import pickle | |
| from sklearn.ensemble import RandomForestClassifier | |
| from sklearn.preprocessing import StandardScaler, OneHotEncoder | |
| st.set_page_config(page_title="# Оптимизация производственных расходов металлургического комбината.") | |
| st.markdown('# Оптимизация производственных расходов металлургического комбината.') | |
| with st.expander("Описание проекта"): | |
| st.write(""" | |
| Для оптимизации производственных расходов, металлургический комбинат решил уменьшить потребление электроэнергии на этапе обработки стали. | |
| Для этого нужно контролировать температуру сплава. | |
| Задача — построить модель, которая будет её предсказывать, заказчик хочет использовать разработанную модель для имитации технологического процесса. | |
| """) | |
| with st.expander("Описание процесса обработки"): | |
| st.write(""" | |
| Сталь обрабатывают в металлическом ковше вместимостью около 100 тонн. Чтобы ковш выдерживал высокие температуры, изнутри его облицовывают огнеупорным кирпичом. Расплавленную сталь заливают в ковш и подогревают до нужной температуры графитовыми электродами. Они установлены на крышке ковша. | |
| Сначала происходит десульфурация — из стали выводят серу и корректируют её химический состав добавлением примесей. Затем сталь легируют — добавляют в неё куски сплава из бункера для сыпучих материалов или порошковую проволоку через специальный трайб-аппарат. | |
| Прежде чем в первый раз ввести легирующие добавки, специалисты производят химический анализ стали и измеряют её температуру. Потом температуру на несколько минут повышают, уже после этого добавляют легирующие материалы и продувают сталь инертным газом, чтобы перемешать, а затем снова проводят измерения. Такой цикл повторяется до тех пор, пока не будут достигнуты нужный химический состав стали и оптимальная температура плавки. | |
| Дальше расплавленная сталь отправляется на доводку металла или поступает в машину непрерывной разливки. Оттуда готовый продукт выходит в виде заготовок-слябов (англ. slab, «плита»). | |
| """) | |
| with st.expander("Описание данных"): | |
| st.write(""" | |
| Данные хранятся в базе данных PostgreSQL. Она состоит из нескольких таблиц: | |
| - steel.data_arc — данные об электродах; | |
| - steel.data_bulk — данные об объёме сыпучих материалов; | |
| - steel.data_bulk_time — данные о времени подачи сыпучих материалов; | |
| - steel.data_gas — данные о продувке сплава газом; | |
| - steel.data_temp — данные об измерениях температуры; | |
| - steel.data_wire — данные об объёме проволочных материалов; | |
| - steel.data_wire_time — данные о времени подачи проволочных материалов. | |
| Таблица steel.data_arc: | |
| - key — номер партии; | |
| - BeginHeat — время начала нагрева; | |
| - EndHeat — время окончания нагрева; | |
| - ActivePower — значение активной мощности; | |
| - ReactivePower — значение реактивной мощности. | |
| Таблица steel.data_bulk: | |
| - key — номер партии; | |
| - Bulk1 … Bulk15 — объём подаваемого материала. | |
| Таблица steel.data_bulk_time: | |
| - key — номер партии; | |
| - Bulk1 … Bulk15 — время подачи материала. | |
| Таблица steel.data_gas: | |
| - key — номер партии; | |
| - gas — объём подаваемого газа. | |
| Таблица steel.data_temp: | |
| - key — номер партии; | |
| - MesaureTime — время замера; | |
| - Temperature — значение температуры. | |
| Таблица steel.data_wire: | |
| - key — номер партии; | |
| - Wire1 … Wire15 — объём подаваемых проволочных материалов. | |
| Таблица steel.data_wire_time: | |
| - key — номер партии; | |
| - Wire1 … Wire15 — время подачи проволочных материалов. | |
| Во всех файлах столбец key содержит номер партии. В таблицах может быть несколько строк с одинаковым значением key: они соответствуют разным итерациям обработки. | |
| """) | |
| st.sidebar.header("Признаки для модели машинного обучения") | |
| def changes(df): | |
| pass | |
| def user_input_features(): | |
| gas = st.sidebar.slider('объём подаваемого газа на продувку, м3/ч', 0, 100, 10) | |
| temp_first = st.sidebar.slider('значение температуры сплава первого замера, С', 1500, 1680, 1580) | |
| count = st.sidebar.slider('количество замеров температуры', 1, 20, 3) | |
| measure_time = st.sidebar.slider('длительность замера, с', 10, 2000, 80) | |
| Bulk_3 = st.sidebar.slider('объём подаваемого материала', 0, 450, 100) | |
| Bulk_4 = st.sidebar.slider('объём подаваемого материала', 0, 300, 100) | |
| Bulk_12 = st.sidebar.slider('объём подаваемого материала', 0, 2000, 500) | |
| Bulk_14 = st.sidebar.slider('объём подаваемого материала', 0, 650, 300) | |
| Bulk_15 = st.sidebar.slider('объём подаваемого материала', 0, 350, 100) | |
| Wire_1 = st.sidebar.slider('объём подаваемых проволочных материалов', 0.0, 22.0, 10.0) | |
| Wire_2 = st.sidebar.slider('объём подаваемых проволочных материалов', 0, 350, 100) | |
| full_power = st.sidebar.slider('полная мощность', 0.25, 21.5, 10.5) | |
| power_coef = st.sidebar.slider('коэффициент мощности', 0.50, 0.90, 0.60) | |
| data = {'gas': gas, | |
| 'temp_first': temp_first, | |
| 'count_x': count, | |
| 'measure_time': measure_time, | |
| 'Bulk 3': Bulk_3, | |
| 'Bulk 4': Bulk_4, | |
| 'Bulk 12': Bulk_12, | |
| 'Bulk 14': Bulk_14, | |
| 'Bulk 15': Bulk_15, | |
| 'Wire 1': Wire_1, | |
| 'Wire 2': Wire_2, | |
| 'full_power': full_power, | |
| 'power_coef': power_coef, | |
| } | |
| features = pd.DataFrame(data, index=[0]) | |
| return features | |
| df = user_input_features() | |
| df = df.sort_index(axis=1) | |
| st.subheader('Таблица с введенными вами параметрами:') | |
| st.write(df) | |
| def preprocessing_data(df, scaler): | |
| df = scaler.transform(df) | |
| return pd.DataFrame(df, index=[0]) | |
| def get_model(): | |
| load_model = pickle.load(open('models/power_forecasting.pkl', 'rb')) | |
| scaler_model = pickle.load(open('models/scaler_power_forecasting.pkl', 'rb')) | |
| return load_model, scaler_model | |
| model, sc_model = get_model() | |
| df_new = preprocessing_data(df, sc_model) | |
| prediction = model.predict(df_new) | |
| st.subheader('Температура сплава') | |
| rounded_prediction = np.around(prediction) | |
| st.write(str(rounded_prediction.item())) |