Upload 9 files

.gitattributes

@@ -33,3 +33,6 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+Frez.jpg filter=lfs diff=lfs merge=lfs -text
+Main.jpg filter=lfs diff=lfs merge=lfs -text
+Toch.jpg filter=lfs diff=lfs merge=lfs -text

Dockerfile

@@ -1,20 +1,21 @@
-FROM python:3.13.5-slim
-
-WORKDIR /app
-
-RUN apt-get update && apt-get install -y \
-    build-essential \
-    curl \
-    git \
-    && rm -rf /var/lib/apt/lists/*
-
-COPY requirements.txt ./
-COPY src/ ./src/
-
-RUN pip3 install -r requirements.txt
-
-EXPOSE 8501
-
-HEALTHCHECK CMD curl --fail http://localhost:8501/_stcore/health
-
-ENTRYPOINT ["streamlit", "run", "src/streamlit_app.py", "--server.port=8501", "--server.address=0.0.0.0"]
+FROM python:3.12-slim
+
+WORKDIR /LastProject
+
+COPY requirements.txt .
+
+RUN apt-get update && apt-get install -y libgomp1
+
+RUN pip install -r requirements.txt
+
+COPY Frez.jpg .
+COPY Main.jpg .
+COPY Toch.jpg .
+COPY model.pkl .
+COPY scaler.pkl .
+COPY df.csv .
+COPY ReadMe.md .
+
+COPY main.py .
+
+CMD ["streamlit","run","main.py"]

main.py

@@ -0,0 +1,388 @@
+# Информация о модели и метриках
+MODEL_INFO = {
+    'type': 'Регрессионная модель',
+    'algorithm': 'LGBMRegressor',
+    'features': [
+        'Скорость_шпинделя',
+        'Подача',
+        'Глубина_резания',
+        'Длина_обработки',
+        'Операция',
+        'Материал',
+        'Тип_инструмента'
+    ],
+    'target': 'Время обработки (секунды)'
+}
+
+METRICS = {
+    'MSE': 379.5,
+    'RMSE': 19.4,
+    'MAE': 10.6,
+    'MAPE': 1.08,
+    'R2': 0.85
+}
+
+import streamlit as st
+import pandas as pd
+import matplotlib.pyplot as plt
+import pickle
+import os
+import seaborn as sns
+
+from matplotlib import gridspec
+from datetime import datetime
+
+
+# Инициализация session_state для хранения результатов
+if 'results' not in st.session_state:
+    st.session_state.results = []
+
+# Создаем структуру папок
+if not os.path.exists('pages'):
+    os.makedirs('pages')
+
+# Функция загрузки модели
+@st.cache_data
+def load_model(model_path):
+    if os.path.exists(model_path):
+        with open(model_path, 'rb') as f:
+            return pickle.load(f)
+    else:
+        st.error(f"Файл модели {model_path} не найден!")
+        return None
+
+# Функция загрузки скалера
+@st.cache_data
+def load_scaler(scaler_path):
+    if os.path.exists(scaler_path):
+        with open(scaler_path, 'rb') as f:
+            return pickle.load(f)
+    else:
+        st.error(f"Файл скалера {scaler_path} не найден!")
+        return None
+
+# Функция сохранения результатов
+def save_result(result):
+    st.session_state.results.append(result)  # Добавляем результат без сброса истории
+
+# Функция очистки истории
+def clear_results():
+    st.session_state.results = []
+
+# Функция визуализации зависимостей
+def plot_dependencies(df):
+    fig = plt.figure(figsize=(15, 12))
+    gs = gridspec.GridSpec(2, 2)
+
+    # График зависимости от скорости шпинделя
+    ax1 = fig.add_subplot(gs[0, 0])
+    sns.scatterplot(data=df, x='Скорость_шпинделя', y='Время_обработки', ax=ax1, alpha=0.6)
+    ax1.legend()
+    ax1.set_title('Зависимость от скорости шпинделя')
+
+    # График зависимости от подачи
+    ax2 = fig.add_subplot(gs[0, 1])
+    sns.scatterplot(data=df, x='Подача', y='Время_обработки', ax=ax2, alpha=0.6)
+    ax2.set_title('Зависимость от подачи')
+
+    # График зависимости от глубины резания
+    ax3 = fig.add_subplot(gs[1, 0])
+    sns.scatterplot(data=df, x='Глубина_резания', y='Время_обработки', ax=ax3, alpha=0.6)
+    ax3.set_title('Зависимость от глубины резания')
+
+    # График зависимости от длины обработки
+    ax4 = fig.add_subplot(gs[1, 1])
+    sns.scatterplot(data=df, x='Длина_обработки', y='Время_обработки', ax=ax4, alpha=0.6)
+    ax4.set_title('Зависимость от длины обработки')
+
+    plt.tight_layout()
+    st.pyplot(fig)
+
+df = pd.read_csv('df.csv')
+
+
+
+
+
+
+
+
+
+# Общие настройки приложения
+st.set_page_config(
+    page_title='Прогноз времени обработки',
+    layout='wide',
+    initial_sidebar_state='auto',
+    page_icon='⚙️'
+)
+
+# Создание навигационного меню
+st.sidebar.title('Навигация')
+page = st.sidebar.radio(
+    "Выберите страницу",
+    ('Главная', 'Расчет', 'История', 'О модели','Инструкция')
+)
+
+# Страница 1: Главная
+if page == 'Главная':
+    st.title('Добро пожаловать в приложение - "Прогноз времени обработки"')
+    st.markdown('''
+    Это веб-приложение поможет вам рассчитать время обработки деталей на станках при различных входных параметрах.
+    ''')
+    try:
+        st.image('Main.jpg', width=1000)
+    except Exception:
+        st.warning("Изображение Main.jpg не найдено")
+
+# Страница 2: Расчет
+elif page == 'Расчет':
+    st.title('Расчет времени обработки')
+
+    # Загрузка модели и скалера
+    model = load_model('model.pkl')
+    scaler = load_scaler('scaler.pkl')
+
+    if model is None or scaler is None:
+        st.stop()
+
+    # Словарь признаков
+    features = dict(
+        speed='Скорость_шпинделя',
+        feed='Подача',
+        depth='Глубина_резания',
+        length='Длина_обработки',
+        operation='Тип_операции',
+        material='Тип_материала',
+        tool='Тип_инструмента'
+    )
+
+    # Слайдеры и радиокнопки
+    speed = st.sidebar.number_input(
+        label=f"{features['speed']} (об/мин)",
+        min_value=245,
+        max_value=3270,
+        value=245,
+        step=1,
+        format='%d'
+    )
+
+    feed = st.sidebar.number_input(
+        label=f"{features['feed']} (мм/об)",
+        min_value=0.007,
+        max_value=0.538,
+        value=0.007,
+        step=0.001,
+        format='%.3f'
+    )
+
+    depth = st.sidebar.number_input(
+        label=f"{features['depth']} (мм)",
+        min_value=0.001,
+        max_value=3.217,
+        value=0.001,
+        step=0.001,
+        format='%.3f'
+    )
+
+    length = st.sidebar.number_input(
+        label=f"{features['length']} (мм)",
+        min_value=1.0,
+        max_value=324.0,
+        value=1.0,
+        step=1.0,
+        format='%.0f'
+    )
+
+    operations = st.sidebar.radio(features['operation'], ['Фрезерование', 'Точение'], horizontal=True)
+    materials = st.sidebar.radio(features['material'], ['Латунь', 'Чугун', 'Низкоуглеродистая_сталь'], horizontal=True)
+    tools = st.sidebar.radio(features['tool'], ['Твердосплавный', 'Твердосплавный_с_покрытием', 'Быстрорежущий'], horizontal=True)
+
+    # Подготовка данных
+    operation_to_index = {'Фрезерование': 0, 'Точение': 1}
+    material_to_index = {'Латунь': 0, 'Чугун': 1, 'Низкоуглеродистая_сталь': 2}
+    tool_to_index = {'Твердосплавный': 0, 'Твердосплавный_с_покрытием': 1, 'Быстрорежущий': 2}
+
+    if operations == 'Фрезерование':
+        try:
+            st.image('Frez.jpg', width=600)
+        except Exception:
+            st.warning("Изображение Frez.jpg не найдено")
+    elif operations == 'Точение':
+        try:
+            st.image('Toch.jpg', width=600)
+        except Exception:
+            st.warning("Изображение Toch.jpg не найдено")
+
+    data_df = pd.DataFrame([dict(
+        Скорость_шпинделя=speed,
+        Подача=feed,
+        Глубина_резания=depth,
+        Длина_обработки=length,
+        Операция=operation_to_index[operations],
+        Материал=material_to_index[materials],
+        Тип_инструмента=tool_to_index[tools]
+    )])
+
+    # Вывод входных данных
+    st.write("##### Ваши данные")
+    st.write(data_df)
+
+    # Расчет
+    if st.button("Рассчитать"):
+        try:
+            s_data_df = scaler.transform(data_df)
+            time_prob = model.predict(s_data_df)
+
+            st.write("## Результаты расчета")
+            st.write(f"Время обработки: {time_prob[0]:.2f} секунд")
+
+            # Сохранение результата сразу после расчёта
+            save_result({
+                'timestamp': datetime.now(),
+                'data': data_df.to_dict(),
+                'time': time_prob[0]
+            })
+            st.success('Результат успешно сохранен!')
+
+        except Exception as e:
+            st.error(f"Ошибка при расчёте: {str(e)}")
+
+# Страница 3: История
+elif page == 'История':
+    st.title('История расчетов')
+
+    if not st.session_state.results:
+        st.info('История расчетов пуста')
+    else:
+        # Создаем DataFrame из сохраненных результатов
+        results_df = pd.DataFrame([
+            {
+                'Номер': idx + 1,
+                'Дата': result['timestamp'].strftime('%d.%m.%Y %H:%M'),
+                'Скорость шпинделя, (об/мин)': result['data']['Скорость_шпинделя'][0],
+                'Подача, (мм/об)': result['data']['Подача'][0],
+                'Глубина резания, (мм)': result['data']['Глубина_резания'][0],
+                'Длина обработки, (мм)': result['data']['Длина_обработки'][0],
+                'Тип операции': ['Фрезерование', 'Точение'][result['data']['Операция'][0]],
+                'Материал': ['Латунь', 'Чугун', 'Низкоугле��одистая_сталь'][result['data']['Материал'][0]],
+                'Инструмент': ['Твердосплавный', 'Твердосплавный_с_покрытием', 'Быстрорежущий'][result['data']['Тип_инструмента'][0]],
+                'Время обработки, (сек)': result['time']
+            }
+            for idx,result in enumerate(st.session_state.results)
+        ])
+
+        # Отображаем таблицу
+        st.dataframe(results_df)
+
+        # Кнопка для построения графика
+        if st.button('Построить график истории'):
+            try:
+                # Создаем график
+                fig, ax = plt.subplots(figsize=(12, 6))
+                plt.plot(
+                    results_df['Номер'],
+                    results_df['Время обработки, (сек)'],
+                    marker='o',
+                    linestyle='-',
+                    color='blue'
+                )
+
+                # Находим минимальное значение
+                min_time = results_df['Время обработки, (сек)'].min()
+                min_index = results_df[results_df['Время обработки, (сек)'] == min_time]['Номер'].values[0]
+
+                # Отмечаем минимальное значение
+                plt.plot(
+                    min_index,
+                    min_time,
+                    marker='o',
+                    color='red',
+                    markersize=10
+                )
+                plt.text(
+                    min_index,
+                    min_time,
+                    f'Минимум: {min_time:.2f} сек',
+                    verticalalignment='bottom',
+                    horizontalalignment='center'
+                )
+
+                # Форматируем оси
+                plt.title('Динамика времени обработки по истории расчетов')
+                plt.xlabel('Номер расчета')
+                plt.ylabel('Время обработки (сек)')
+                plt.grid(True)
+                plt.xticks(results_df['Номер'])  # Показываем все номера
+                plt.tight_layout()
+
+                st.pyplot(fig)
+
+            except Exception as e:
+                st.error(f"Ошибка при построении графика: {str(e)}")
+
+        # Добавляем кнопку очистки истории
+        if st.button('Очистить историю'):
+            clear_results()
+            st.success('История успешно очищена')
+
+# Страница 4: Информация о модели
+elif page == 'О модели':
+    st.title('О модели прогнозирования')
+
+    st.subheader('Информация о модели')
+    st.write(f"Тип модели: {MODEL_INFO['type']}")
+    st.write(f"Используемый алгоритм: {MODEL_INFO['algorithm']}")
+
+    st.subheader('Входные параметры')
+    st.write(MODEL_INFO['features'])
+
+    st.subheader('Целевая переменная')
+    st.write(MODEL_INFO['target'])
+
+    st.subheader('Метрики качества на тестовой выборке')
+    metrics_df = pd.DataFrame(METRICS.items(), columns=['Метрика', 'Значение'])
+    st.dataframe(metrics_df)
+
+    st.subheader('Важные характеристики')
+    st.markdown('''
+    * Модель обучена на наборе данных с 47553 наблюдений
+    * Данные прошли предварительную обработку (EDA)
+    * Использовано масштабирование признаков
+    * Модель показывает точность прогнозирования на тестовых данных ~85%
+    
+    # Далее представлены графики зависимости времени обработки от некоторых признаков, а также карта корреляций
+    ''')
+
+    plot_dependencies(df)
+
+    st.subheader('Корреляция параметров')
+    fig_corr = plt.figure(figsize=(5, 4))
+    sns.heatmap(df.corr(), annot=True, cmap='coolwarm', fmt=".2f")
+    st.pyplot(fig_corr)
+
+# Страница 5: Инструкция
+elif page == 'Инструкция':
+    st.title('Инструкция по работе с приложением')
+    st.markdown('''
+    * Страница "Расчёт". На данной странице требуется ввести в ручном режиме:
+        * Скорость шпинделя (об/мин)
+        * Подача (мм/об)
+        * Глубина резания (мм)
+        * Длина обработки (мм)
+        * Тип операции (категориальный)
+        * Материал (категориальный)
+        * Тип инструмента (категориальный)
+        
+        Далее требуется нажать кнопку "Рассчитать" -> Данный предикт модели будет рассчитан и автоматически сохранён (Его можно увидеть на странице "История").
+    
+    
+    
+    * Страница "История". На данной странице можно просматривать результаты расчётов модели.
+    
+    Также имеется возможность построить график с целью определения параметров обработки деталей с минимальным временем обработки.
+    
+    При необходимости нажав на кнопку "Очистить историю" можно удалить все результаты (на данный момент отсутствует возможность фильтрации и соответственно удалении только определенных результатов)
+    
+    
+    * Страница "О модели". Данная страница хранит информацию об используемой в приложении модели, параметрах обучения, графиков и т.д.
+    ''')

model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:fd0ca3cf60c79adb7e7cdbfa2660430f8533e11fbd4e8877ab8046c20317c8a2
+size 280843

requirements.txt

@@ -1,3 +1,7 @@
-altair
-pandas
-streamlit
+pandas
+streamlit
+lightgbm
+matplotlib
+seaborn
+numpy
+scikit-learn

scaler.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5a37b5df3041e5cc112d61de60b03177321a2ff19d56f14377b47a3a7b1911ed
+size 890