周三夜班，机器人焊接工作站。

"今晚又废了三个件，"夜班班长老赵指着废料筐，"机器人抓件的时候，吸盘没吸住——工件在夹具上歪了，焊枪一过去，直接焊偏。三个壳体，每个两百多，六百多块钱没了。"

我调出机器人工作站的 HMI 日志。屏幕上滚动着一行行记录：时间戳、机器人编号、工件编号、抓取结果（SUCCESS / FAIL）、失败原因代码（01=吸盘真空不足、02=工件位置偏移、03=夹具干涉、04=视觉定位超时）、循环时间（秒）。

"系统里不是有抓取记录吗？"我问。

"有，"老赵点开一页，"但它是按'次'记录的——每次抓取一行，一晚上几千行。我想知道的是：今天总共抓了多少次、成功了几次、失败了几次、失败率多少、主要是哪种原因导致的。系统没有'每日抓取统计'这个功能——它只会实时显示当前这一次抓没抓上。"

"所以你现在每次开班，都不知道昨晚的抓取情况？"

"对，"老赵苦笑，"第二天早上我来接班，看到废料筐里多了几个废件，才知道昨晚抓取有问题。但那时候夜班已经结束了，没法实时干预。厂长说必须搞一个'每日抓取统计报表'，每天早上贴在看板上——成功多少、失败多少、失败原因排名，一目了然。"

"明白了，"我打开 VS Code，"你需要一个程序：读取机器人工作站的生产记录 CSV，按日期分组，统计每天的抓取成功数和失败数，计算失败率，再按失败原因分类汇总。输出一张每日统计表和一张趋势图。这样每天早上，你直接把报表打印出来贴在看板上：昨天抓了 480 次，成功 465 次，失败 15 次，失败率 3.1%，主要原因是吸盘真空不足（9 次）。"

我敲了几行代码：

import pandas as pd

import matplotlib.pyplot as plt

 

# 读取抓取记录

df = pd.read_csv("robot_grasp_log.csv", parse_dates=["timestamp"])

# 提取日期

df["date"] = df["timestamp"].dt.date

# 按日期分组统计

daily = df.groupby("date").agg(

    total=("grasp_result", "count"),

    success=("grasp_result", lambda x: (x == "SUCCESS").sum()),

    fail=("grasp_result", lambda x: (x == "FAIL").sum()),

).reset_index()

daily["fail_rate"] = daily["fail"] / daily["total"] * 100

# 按失败原因统计

fail_reasons = df[df["grasp_result"] == "FAIL"]["fail_reason"].value_counts()

print(daily)

print(fail_reasons)

 

"这只是核心逻辑，"我说，"完整版会用 OOP 封装：一个类管数据加载（解析时间戳、统一结果编码），一个类管数据清洗（处理缺失值、异常时间戳），一个类管每日统计（成功/失败计数、失败率计算），一个类管失败原因分类汇总，一个类管可视化（每日成功/失败堆叠柱状图、失败率趋势图、失败原因饼图）。数据自包含——用 numpy 合成一份机器人抓取日志 CSV，读者下载就能跑。"

老赵凑近屏幕："所以你这东西，就是把几千行'每次抓了没抓上'的记录，按天汇总——成功多少、失败多少、失败原因是什么。一张表、一张图，早上看一眼就知道昨晚的抓取情况。"

"对。而且还能做趋势分析，"我补充，"比如连续三天失败率从 1% 升到 3% 又升到 5%——这说明吸盘系统在退化，不是偶发问题。可以提前安排维护，不等废件出来再处理。机器人工作站的管理不是'抓上了就行'，是'用数据看趋势，在废件出现之前就发现问题'。"

 

一、实际应用场景（真实痛点）

 

场景设定：机器人工作站（焊接/搬运/装配）每次执行工件抓取动作后，在日志中记录时间戳、机器人编号、工件编号、抓取结果（成功/失败）和失败原因代码。一个班次产生数千条抓取记录。现场管理者需要每日统计抓取成功数、失败数、失败率及失败原因分布，用于评估工作站稳定性和安排设备维护。常见痛点：日志按"次"逐条记录，行数庞大，系统不提供按日聚合的"每日抓取统计"报表，依赖次日人工查看废料筐来反推抓取质量。

 

现场原话（叙事化）：

 

"我不是不想管抓取质量，"老赵说，"每次抓没抓上，系统里都有记录。但它是流水账——一行一行滚过去，谁看得过来？我需要知道的是：今天总共抓了多少次、成功了几次、失败了几次、失败率多少、主要是哪种原因。这些系统给不了我。第二天早上我看到废料筐才知道昨晚有问题——但那时候已经废了三个件了。"

核心矛盾："逐次记录的抓取流水账"与"管理者需要的每日聚合统计"之间的汇总断层。需要一个"机器人工作站抓取记录统计程序"，用 

"pandas" 按日期分组聚合，用 

"numpy" 计算失败率和统计指标，用 

"matplotlib" 绘制每日趋势图和失败原因分布图，输出结构化的每日抓取统计报表。

 

二、痛点分析（映射到滨州职业学院《先进制造技术》课程模型）

 

《先进制造技术》模块 本篇痛点对应

工业机器人技术基础：机器人末端执行器与抓取策略 抓取可靠性评估：基于日志数据的抓取成功率统计与失败模式分析。

FMS与先进生产管理：FMS 的监控与数据采集（MDC） 生产数据采集：从机器人日志中提取结构化指标，支撑生产管理决策。

智能制造与数字孪生：生产过程的实时监控 质量趋势可视化：用趋势图反映抓取质量的时序变化，实现早期预警。

先进制造新模式：数据驱动的持续改进 根因分析：按失败原因分类汇总，定位系统性问题而非偶发故障。

 

一句话总结：我们需要构建一个"机器人工作站抓取记录统计程序"，用 

"pandas" 按日期分组聚合，用 

"numpy" 计算失败率，用 

"matplotlib" 绘制趋势图和分布图，实现从逐次流水账到每日质量报表的转化。

 

三、核心逻辑讲解（大白话）

 

3.1 问题本质：把抓取记录想象成"快递配送记录"

 

把机器人抓取日志想象成"快递配送的签收记录"：

 

* 每次抓取 = 一次配送：快递员每次送一个包裹，记录"送到了（成功）"或"没送到（失败）"。

* 失败原因 = 拒收原因："收件人不在"（吸盘真空不足）、"地址不对"（工件位置偏移）、"电话不通"（视觉定位超时）。

* 每日统计 = 快递站长的日报表：今天总共派了 480 单，成功 465 单，失败 15 单，失败率 3.1%——其中 9 单是"收件人不在"（吸盘问题），4 单是"地址不对"（定位偏移），2 单是"电话不通"（视觉超时）。

* 趋势图 = 配送质量走势：连续三天失败率从 1% → 3% → 5%，说明快递员可能车子出问题了——对应车间里"吸盘系统退化，需要维护"。

 

工业应用：

 

* pandas 日期分组：

"df["date"] = df["timestamp"].dt.date" 提取日期，

"groupby("date").agg(...)" 按天聚合——一行代码完成几千条记录的每日汇总。

* numpy 失败率计算：

"fail_rate = fails / total * 100"，向量化计算所有天的失败率，比逐天循环快几十倍。

* matplotlib 堆叠柱状图：横轴日期，柱子高度是总抓取次数，绿色部分是成功数，红色部分是失败数——一张图看清每天"抓了多少、废了多少"。

 

3.2 业务逻辑 → 代码映射

 

定义机器人抓取数据模型

   │

   ▼ GraspDataLoader (pandas)

读取抓取日志 CSV：

  pd.read_csv("robot_grasp_log.csv", parse_dates=["timestamp"])

  解析时间戳、机器人编号、工件编号、抓取结果、失败原因

   │

   ▼ DataCleaner (pandas)

数据清洗：

  处理缺失时间戳（删除或标记）

  统一结果编码（SUCCESS/FAIL → 1/0）

  解析失败原因代码（01→吸盘真空不足, 02→工件偏移, ...）

   │

   ▼ DailyStatistics (pandas/numpy)

每日统计：

  groupby("date").agg(

    total=count,

    success=sum(result==1),

    fail=sum(result==0)

  )

  fail_rate = fail / total * 100

   │

   ▼ ReasonAnalyzer (pandas)

失败原因分类汇总：

  fail_df.groupby("fail_reason").size()

  计算各原因占比

   │

   ▼ GraspVisualizer (matplotlib)

可视化：

  1. 每日成功/失败堆叠柱状图

  2. 每日失败率趋势折线图

  3. 失败原因饼图

   │

   ▼ SyntheticDataGenerator (numpy)

合成数据生成：

  用 numpy 按泊松分布生成每日抓取次数

  按概率分布模拟成功/失败和失败原因

  确保数据自包含、可复现

 

3.3 为什么用 groupby 聚合而不是逐行循环？

 

* 问题：30 天 × 每天 500 条 = 15000 行记录，逐行判断日期再累加——代码长、速度慢。

* 处理策略：

"pandas.groupby()" + 

"agg()" 向量化聚合，C 语言底层加速，毫秒级完成。

* 工程合理性：机器人工作站 7×24 小时运行，日志量可能达到百万级，向量化是唯一合理的选择。

 

3.4 分析前后对比

 

维度 人工查看废料筐 Python 程序统计

判断依据 废料筐里多了几个废件 日志中的 SUCCESS/FAIL 标记

时间粒度 次日才发现 实时/按班次统计

信息量 "废了几个" 成功数、失败数、失败率、原因分布

趋势感知 无 失败率连续上升 → 提前预警

根因定位 靠猜 失败原因排名 → 定位系统性问题

 

四、OOP 代码实现

 

4.1 项目结构

 

robot_grasp_analyzer/

├── robot_grasp_analyzer/

│ ├── __init__.py

│ ├── data_loader.py # 抓取日志数据加载

│ ├── data_cleaner.py # 数据清洗

│ ├── daily_statistics.py # 每日统计

│ ├── reason_analyzer.py # 失败原因分类

│ ├── visualizer.py # 可视化

│ └── synthetic_data.py # 合成数据生成

├── tests/

│ ├── __init__.py

│ └── test_grasp_analyzer.py # 单元测试

├── results/

│ ├── daily_report.csv # 每日统计报表

│ ├── reason_summary.csv # 失败原因汇总

│ ├── daily_stack.png # 每日堆叠柱状图

│ ├── fail_rate_trend.png # 失败率趋势图

│ ├── reason_pie.png # 失败原因饼图

│ └── grasp_report.txt # 文本分析报告

└── run_grasp.py # 主程序入口

 

4.2 核心源码

 

<details>

 

<summary></summary>

 

"""机器人抓取日志数据加载器"""

 

import pandas as pd

from pathlib import Path

from typing import Optional

 

 

class GraspDataLoader:

    """

    机器人抓取日志数据加载器

 

    支持 CSV 格式的抓取记录。

    """

 

    def __init__(self, filepath: str, encoding: str = "utf-8"):

        self.filepath = Path(filepath)

        self.encoding = encoding

        self._raw_df: Optional[pd.DataFrame] = None

 

    def load(self,

             timestamp_col: str = "timestamp",

             robot_col: str = "robot_id",

             workpiece_col: str = "workpiece_id",

             result_col: str = "grasp_result",

             reason_col: str = "fail_reason") -> pd.DataFrame:

        """

        加载抓取日志数据

 

        Parameters

        ----------

        timestamp_col : str

            时间戳列名

        robot_col : str

            机器人编号列名

        workpiece_col : str

            工件编号列名

        result_col : str

            抓取结果列名

        reason_col : str

            失败原因列名

 

        Returns

        -------

        pd.DataFrame

        """

        if not self.filepath.exists():

            raise FileNotFoundError(f"文件不存在: {self.filepath}")

 

        self._raw_df = pd.read_csv(

            self.filepath,

            encoding=self.encoding,

            parse_dates=[timestamp_col] if timestamp_col else None,

        )

 

        # 列名标准化

        col_aliases = {

            timestamp_col: ["时间", "timestamp", "time", "datetime"],

            robot_col: ["机器人", "robot_id", "robot", "station"],

            workpiece_col: ["工件", "workpiece_id", "part_id", "wp"],

            result_col: ["结果", "grasp_result", "result", "status"],

            reason_col: ["失败原因", "fail_reason", "reason", "error_code"],

        }

 

        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] = target

                        break

 

        if rename_map:

            self._raw_df = self._raw_df.rename(columns=rename_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

 

</details>

 

<details>

 

<summary></summary>

 

"""抓取数据清洗"""

 

import numpy as np

import pandas as pd

from typing import Dict, Optional

 

 

class DataCleaner:

    """

    机器人抓取数据清洗器

 

    处理缺失值、统一结果编码、解析失败原因。

    """

 

    # 结果编码映射

    RESULT_MAP = {

        "SUCCESS": 1, "成功": 1, "OK": 1, "Pass": 1, "1": 1,

        "FAIL": 0, "失败": 0, "NG": 0, "Fail": 0, "0": 0,

    }

 

    # 失败原因代码映射

    REASON_MAP = {

        "01": "吸盘真空不足",

        "02": "工件位置偏移",

        "03": "夹具干涉",

        "04": "视觉定位超时",

        "05": "气压不足",

        "06": "工件变形",

        "Unknown": "未知原因",

        "": "未知原因",

    }

 

    def __init__(self):

        pass

 

    def clean(self,

              df: pd.DataFrame,

              timestamp_col: str = "timestamp",

              result_col: str = "grasp_result",

              reason_col: str = "fail_reason") -> pd.DataFrame:

        """

        清洗抓取数据

 

        Parameters

        ----------

        df : pd.DataFrame

            原始数据

        timestamp_col : str

            时间戳列名

        result_col : str

            抓取结果列名

        reason_col : str

            失败原因列名

 

        Returns

        -------

        pd.DataFrame

        """

        result = df.copy()

 

        # 时间戳处理

        if timestamp_col in result.columns:

            result[timestamp_col] = pd.to_datetime(

                result[timestamp_col], errors="coerce"

            )

            # 删除无效时间戳

            result = result.dropna(subset=[timestamp_col])

            # 提取日期

            result["date"] = result[timestamp_col].dt.date.astype(str)

 

        # 统一结果编码

        if result_col in result.columns:

            result["result_code"] = result[result_col].map(

                lambda x: self.RESULT_MAP.get(str(x).strip(), -1)

            )

        else:

            result["result_code"] = -1

 

        # 解析失败原因

        if reason_col in result.columns:

            result["reason_text"] = result[reason_col].map(

                lambda x: self.REASON_MAP.get(str(x).strip(), str(x))

            )

        else:

            result["reason_text"] = "未知原因"

 

        return result.reset_index(drop=True)

 

</details>

 

<details>

 

<summary></summary>

 

"""每日抓取统计"""

 

import numpy as np

import pandas as pd

from typing import Dict, Optional

 

 

class DailyStatistics:

    """

    机器人每日抓取统计器

 

    按日期分组，统计成功数、失败数、失败率。

    """

 

    def __init__(self):

        pass

 

    def calculate(self,

                  df: pd.DataFrame,

                  date_col: str = "date",

                  result_col: str = "result_code") -> pd.DataFrame:

        """

        计算每日统计

 

        Parameters

        ----------

        df : pd.DataFrame

            清洗后的数据

        date_col : str

            日期列名

        result_col : str

            结果编码列名（1=成功, 0=失败）

 

        Returns

        -------

        pd.DataFrame

            每日统计表

        """

        if df.empty:

            return pd.DataFrame()

 

        # 按日期分组聚合

        daily = df.groupby(date_col).agg(

            total=(result_col, "count"),

            success=(result_col, lambda x: (x == 1).sum()),

            fail=(result_col, lambda x: (x == 0).sum()),

        ).reset_index()

 

        # 计算失败率

        daily["fail_rate"] = (daily["fail"] / daily["total"] * 100).round(2)

        daily["success_rate"] = (100 - daily["fail_rate"]).round(2)

 

        # 排序

        daily = daily.sort_values(date_col).reset_index(drop=True)

 

        return daily

 

    def get_overall_summary(self, daily_df: pd.DataFrame) -> Dict:

        """计算整体汇总"""

        if daily_df.empty:

            return {}

 

        return {

            "total_days": len(daily_df),

            "total_grasps": daily_df["total"].sum(),

            "total_success": daily_df["success"].sum(),

            "total_fail": daily_df["fail"].sum(),

            "overall_fail_rate": (

                daily_df["fail"].sum() / daily_df["total"].sum() * 100

            ).round(2),

            "avg_daily_grasps": daily_df["total"].mean().round(1),

            "max_daily_fail_rate": daily_df["fail_rate"].max(),

            "min_daily_fail_rate": daily_df["fail_rate"].min(),

        }

 

</details>

 

<details>

 

<summary></summary>

 

"""失败原因分类分析"""

 

import numpy as np

import pandas as pd

from typing import Dict, Optional

 

 

class ReasonAnalyzer:

    """

    机器人抓取失败原因分类分析器

 

    按失败原因分组汇总，计算各原因占比。

    """

 

    def __init__(self):

        pass

 

    def analyze(self,

                df: pd.DataFrame,

                reason_col: str = "reason_text") -> pd.DataFrame:

        """

        分析失败原因分布

 

        Parameters

        ----------

        df : pd.DataFrame

            清洗后的数据（含失败原因文本）

        reason_col : str

            失败原因列名

 

        Returns

        -------

        pd.DataFrame

            按数量降序排列的原因汇总表

        """

        # 只取失败记录

        fail_df = df[df["result_code"] == 0].copy()

 

        if fail_df.empty:

            return pd.DataFrame()

 

        # 按原因分组

        reason_counts = fail_df[reason_col].value_counts().reset_index()

        reason_counts.columns = ["fail_reason", "count"]

 

        # 计算占比

        total_fails = reason_counts["count"].sum()

        reason_counts["percentage"] = (

            reason_counts["count"] / total_fails * 100

        ).round(2)

 

        # 排序

        reason_counts = reason_counts.sort_values(

            "count", ascending=False

        ).reset_index(drop=True)

 

        return reason_counts

 

    def get_top_reason(self, reason_df: pd.DataFrame) -> Optional[str]:

        """获取最主要的失败原因"""

        if reason_df.empty:

            return None

        return reason_df.iloc[0]["fail_reason"]

 

</details>

 

<details>

 

<summary></summary>

 

"""抓取统计可视化"""

 

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from pathlib import Path

from typing import Optional

 

plt.rcParams["font.sans-serif"] = ["SimHei", "DejaVu Sans"]

plt.rcParams["axes.unicode_minus"] = False

 

 

class GraspVisualizer:

    """机器人抓取统计可视化"""

 

    COLORS = {

        "success": "#2ECC71",

        "fail": "#E74C3C",

        "warning": "#F39C12",

    }

 

    PIE_COLORS = [

        "#E74C3C", "#F39C12", "#3498DB", "#9B59B6",

        "#1ABC9C", "#34495E", "#E67E22", "#95A5A6",

    ]

 

    def __init__(self, results_dir: str = "results"):

        self.results_dir = Path(results_dir)

        self.results_dir.mkdir(exist_ok=True)

 

    def plot_daily_stack(self,

                         df: pd.DataFrame,

                         date_col: str = "date",

                         success_col: str = "success",

                         fail_col: str = "fail",

                         title: str = "每日抓取成功/失败统计") -> None:

        """绘制每日成功/失败堆叠柱状图"""

        fig, ax = plt.subplots(figsize=(14, 6))

 

        x = np.arange(len(df))

        width = 0.6

 

        bars_success = ax.bar(

            x, df[success_col], width,

            label="成功", color=self.COLORS["success"], alpha=0.85,

        )

        bars_fail = ax.bar(

            x, df[fail_col], width,

            bottom=df[success_col],

            label="失败", color=self.COLORS["fail"], alpha=0.85,

        )

 

        # 标注失败数

        for i, (s, f) in enumerate(zip(df[success_col], df[fail_col])):

            if f > 0:

                ax.text(

                    i, s + f / 2,

                    str(f), ha="center", va="center",

                    fontsize=8, fontweight="bold", color="white",

                )

 

        ax.set_xlabel("日期", fontsize=12)

        ax.set_ylabel("抓取次数", fontsize=12)

        ax.set_title(title, fontsize=14, fontweight="bold")

        ax.set_xticks(x)

        ax.set_xticklabels(df[date_col], rotation=45, ha="right")

        ax.legend()

        ax.grid(axis="y", alpha=0.3)

 

        plt.tight_layout()

        plt.savefig(self.results_dir / "daily_stack.png",

                     dpi=150, bbox_inches="tight")

        plt.close()

 

    def plot_fail_rate_trend(self,

                              df: pd.DataFrame,

                              date_col: str = "date",

                              fail_rate_col: str = "fail_rate",

                              title: str = "每日失败率趋势") -> None:

        """绘制每日失败率趋势折线图"""

        fig, ax = plt.subplots(figsize=(14, 6))

 

        ax.plot(

            df[date_col], df[fail_rate_col],

            marker="o", linewidth=2, color="#E74C3C", markersize=6,

        )

 

        # 参考线

        ax.axhline(y=5.0, color="#F39C12", linestyle="--",

                    linewidth=1.5, alpha=0.7, label="警告线 5%")

        ax.axhline(y=10.0, color="#E74C3C", linestyle="--",

                    linewidth=1.5, alpha=0.7, label="危险线 10%")

 

        # 标注数值

        for _, row in df.iterrows():

            ax.annotate(

                f"{row[fail_rate_col]:.1f}%",

                (row[date_col], row[fail_rate_col]),

                textcoords="offset points", xytext=(0, 10),

                ha="center", fontsize=8,

            )

 

        ax.set_xlabel("日期", fontsize=12)

        ax.set_ylabel("失败率 (%)", fontsize=12)

        ax.set_title(title, fontsize=14, fontweight="bold")

        ax.legend()

        ax.grid(alpha=0.3)

        plt.xticks(rotation=45, ha="right")

 

        plt.tight_layout()

        plt.savefig(self.results_dir / "fail_rate_trend.png",

                     dpi=150, bbox_inches="tight")

        plt.close()

 

    def plot_reason_pie(self,

                        df: pd.DataFrame,

                        reason_col: str = "fail_reason",

                        count_col: str = "count",

                        title: str = "失败原因分布") -> None:

        """绘制失败原因饼图"""

        if df.empty:

            return

 

        fig, ax = plt.subplots(figsize=(10, 8))

 

        wedges, texts, autotexts = ax.pie(

            df[count_col],

            labels=df[reason_col],

            autopct="%1.1f%%",

            colors=self.PIE_COLORS[:len(df)],

            startangle=90,

            pctdistance=0.85,

        )

 

        # 美化

        for autotext in autotexts:

            autotext.set_color("white")

            autotext.set_fontsize(10)

            autotext.set_fontweight("bold")

 

        ax.set_title(title, fontsize=14, fontweight="bold")

 

        plt.tight_layout()

        plt.savefig(self.results_dir / "reason_pie.png",

                     dpi=150, bbox_inches="tight")

        plt.close()

 

</details>

 

<details>

 

<summary></summary>

 

"""合成数据生成器"""

 

import numpy as np

import pandas as pd

from pathlib import Path

from typing import Optional

 

 

class SyntheticDataGenerator:

    """

    机器人抓取日志合成数据生成器

 

    模拟多天、多机器人的抓取记录。

    """

 

    def __init__(self, rng: Optional[np.random.RandomState] = None):

        self.rng = rng or np.random.RandomState(42)

 

        self.robots = [f"Robot-{i}" for i in range(1, 4)] # 3 台机器人

 

        # 失败原因及概率分布

        self.fail_reasons = {

            "01": 0.40, # 吸盘真空不足（最常见）

            "02": 0.25, # 工件位置偏移

            "03": 0.15, # 夹具干涉

            "04": 0.10, # 视觉定位超时

            "05": 0.07, # 气压不足

            "06": 0.03, # 工件变形

        }

 

    def generate(self,

                 n_days: int = 30,

                 output_path: str = "robot_grasp_log.csv") -> pd.DataFrame:

        """

        生成合成抓取日志

 

        Parameters

        ----------

        n_days : int

            天数

        output_path : str

            输出路径

 

        Returns

        -------

        pd.DataFrame

        """

        records = []

        record_id = 0

 

        base_date = pd.Timestamp("2026-01-01")

 

        for day in range(n_days):

            current_date = base_date + pd.Timedelta(days=day)

 

            for robot in self.robots:

                # 每天每台机器人约 400-600 次抓取（泊松分布）

                daily_grasps = self.rng.poisson(lam=500)

 

                # 模拟失败率趋势（随时间略有上升，模拟设备退化）

                base_fail_rate = 0.02 + day * 0.001 # 从 2% 缓慢上升到 ~5%

 

                for _ in range(daily_grasps):

                    record_id += 1

 

                    # 时间戳（均匀分布在 8 小时班次内）

                    second_in_shift = self.rng.randint(0, 8 * 3600)

                    timestamp = current_date + pd.Timedelta(seconds=second_in_shift)

 

                    # 抓取结果

                    is_fail = self.rng.random() < base_fail_rate

                    grasp_result = "FAIL" if is_fail else "SUCCESS"

 

                    # 失败原因

                    fail_reason = ""

                    if is_fail:

                        # 按概率分布选择失败原因

                        rand = self.rng.random()

                        cumsum = 0

                        for reason, prob in self.fail_reasons.items():

                            cumsum += prob

                            if rand <= cumsum:

                                fail_reason = reason

                                break

                        if not fail_reason:

                            fail_reason = "Unknown"

 

                    # 工件编号

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！