尧图网站建设 
简介面向汽车制造业工程师与管理人员这款基于Python与Qt框架开发的跨平台桌面应用提供了集成化数据分析解决方案。资源包围绕效率数据、NVH半消音室测试与EOL产线监控三大核心模块可实时统计生产效率指标集中管理噪声振动粗糙度数据追踪生产线末端质量检测结果帮助管理者精准定位瓶颈、优化流程并提升整车品质。压缩包共有六十二个文件包含二十一个Python源程序、十七个编译文件、八张界面展示图、三份表格数据、若干说明文档、配置文件及附赠资料整体大小约二十七兆目录结构划分清晰涵盖主程序入口、数据管理、可视化等模块便于直接运行、按需阅读和二次开发。附赠说明文档与辅助资源覆盖软件安装、模块功能讲解与实际应用案例可帮助用户快速上手。目前已有四十七人学习下载对汽车制造数字化人员及桌面开发人员均具有较高参考价值。1. 为什么汽车厂车间里的一线分析工具最后都落在 Python Tkinter/Qt 上很多工程师第一次看到这套源码时的反应是“怎么不用 Web”。但真正进过 NVH 半消音室和 EOL 下线工位的人清楚测试电脑经常不联网不允许开浏览器服务甚至不允许装 Node。用 Python 写桌面端Tkinter 负责快速生成表单和弹窗Qt 负责表格、图表和自定义控件既能稳定跑在 Windows 工控机上出了异常也能把整包拷到 Linux 分析机上复现。这套平台把效率数据、NVH 测试和 EOL 监控三类数据收在同一个壳子里对汽车厂工艺和设备工程师来说最有价值的不是界面多漂亮而是数据从哪来、怎么聚合、报表怎么出代码里每一步都能看到。2. 项目结构拆解从 main.py 到 data_management 的分层设计2.1 源码目录的职责划分哪些文件可以直接忽略解压 zip 后第一眼看到的目录结构是这样的root/ ├── __init__.py ├── main.py ├── config.py ├── requirements.txt ├── data_management/ ├── data_processing/ ├── visualization/ ├── gui/ ├── modal/ ├── reports/ ├── data/ ├── aniconda3.md ├── OriginalData.7z ├── README.md ├── 说明文件.txt └── 附赠资源.docxmain.py是入口文件config.py放全局配置项。data_management管数据加载和整理data_processing管计算逻辑visualization管绘图gui管窗口和交互modal目录名没有写错里面放的是弹窗基类对应 GUI 里的模态对话框。剩下几个文档和压缩包是环境笔记和样例数据reports则是程序跑完后输出报表的目录。这一层拆分很像实际项目里的“数据层-逻辑层-展示层”三件套。好处是哪怕你只把data_management拿出来单独写个命令行脚本也能完成数据清洗和统计不一定要启动界面。表 1 把主要目录的职责和替换建议列了出来。目录/文件职责常见替换方案main.py程序入口、参数解析可用 argparse 替换为 yaml 配置config.py路径、采样率、刷新时间可用 configparser 或环境变量data_management数据导入、字段标准化可替换为 pandas read_csv 封装data_processing业务计算可拆分到独立模块供测试visualization图表输出matplotlib 或 QtChartsgui主界面、标签页Tkinter 或 PyQt 单独实现modal弹窗、校验原目录名就是 modal写代码前我一般会先把目录看一遍重点看reports和data下有没有样例文件。这个包里带了OriginalData.7z说明作者预留了真实数据脱敏后的测试集直接用它能跳过接数据库的步骤。2.2 main.py 的入口写法与 config.py 的参数约定入口文件的写法比想象中还要常规。项目里main.py大约是这个骨架import sys import argparse from data_management.loader import DataLoader from gui.main_window import MainWindow def parse_args(): parser argparse.ArgumentParser(descriptionAuto Data Analysis Platform) parser.add_argument(--config, defaultconfig.py) parser.add_argument(--demo, actionstore_true, help使用 data 目录下的样例数据启动) return parser.parse_args() def main(): args parse_args() loader DataLoader(config_pathargs.config) app MainWindow(loader, demo_modeargs.demo) app.run() if __name__ __main__: main()parse_args把配置路径和演示模式拆成两个独立开关--demo会在MainWindow内部把数据源指向data而不是数据库。load动作在窗口创建之前完成如果数据源连不通界面就不会启动这个顺序能让错误更早暴露。config.py里的参数直接影响三个模块的刷新频率和计算精度常见的关键项包括DATA_ROOT data REPORT_ROOT reports REFRESH_INTERVAL_MS 5000 # 效率看板刷新间隔 NVH_SAMPLE_RATE 48000 # 半消音室采集设备的采样率 NVH_FFT_POINTS 8192 # FFT 点数是 2 的幂 EOL_POLL_INTERVAL 2 # EOL 工位状态轮询秒数 LOG_LEVEL INFONVH_SAMPLE_RATE和NVH_FFT_POINTS决定频域分析的频率分辨率和最高可分析频率如果把NVH_SAMPLE_RATE猜小了高频噪声会被混叠到低频段NVH 分析会得出错误结论。EOL_POLL_INTERVAL不要低于 1 秒测试工位的 PLC 和数据库扛不住毫秒级轮询。2.3 把数据层单独拆出来到底解决什么问题很多入门项目喜欢把读文件、算指标、画图全部写在按钮回调里那样做的问题在于当 NVH 工程师需要单独验证某个算法时必须把界面一起跑起来。这里把数据管理抽成data_management后你可以用三行代码先看数据质量from data_management.loader import DataLoader loader DataLoader(config_pathconfig.py) df loader.load(efficiency, start2025-06-01, end2025-06-07) print(df.columns, df.shape, df.isna().sum())load的第一个参数是业务类型内部会根据类型去对应目录或表start和end会拼成时间过滤条件。这个封装带来的直接收益是后面接 SQLite、接 MySQL 甚至工厂里的 MES 接口时只要改loader和config界面层和计算层不用动。这也是为什么把“读数据”和“画界面”解耦永远值得多做一步。3. 效率、NVH 与 EOL三大模块的实现逻辑和关键代码3.1 效率数据模块从原始产量到 OEE 三个乘数效率数据模块在汽车制造业里最常见的出口就是 OEE设备综合效率和单位小时产量UPH。它先把各工位上报的plan_time、run_time、ideal_cycle、good_count、total_count汇总到班次粒度再算。import pandas as pd def calculate_oee(df: pd.DataFrame) - pd.DataFrame: df df.groupby([shift, station]).sum(numeric_onlyTrue) df[availability] df[run_time] / df[plan_time] df[performance] df[ideal_cycle] * df[good_count] / df[run_time] df[quality] df[good_count] / df[total_count] df[oee] df[availability] * df[performance] * df[quality] return df.sort_values(oee)availability表示时间利用率performance表示生产节拍的达成程度quality是一次性良率。三个数相乘后任何一项偏低都会把 OEE 拉下来所以排序后第一个生产批次就是最应该去查瓶颈的位置。实际使用中要注意ideal_cycle的单位必须和run_time保持一致是秒就全部用秒不要混进分钟。界面上这个模块一般会在表格上方放REFRESH_INTERVAL_MS对应的刷新按钮和一个 Tkinter 的ttk.Progressbar进度条表示当前轮询是否结束避免操作员重复点按钮。看到瓶颈站下一步打开reports/oeepareto.csv里面按损失时间排序导出能够直接贴进生产例会 PPT。3.2 NVH 半消音室测试模块时域波形到 1/3 倍频程NVH 半消音室测试的数据量通常是三个模块里最大的测试电脑会把加速度计和麦克风信号存成多列 CSV每列代表一个测点。模块的处理思路是先做去直流和加窗再做 FFT最后按频带合并。import numpy as np def to_spectrum(signal: np.ndarray, sample_rate: int, points: int 8192): signal signal - np.mean(signal) # 去直流 window np.hanning(points) segment signal[:points] * window spectrum np.fft.rfft(segment) freqs np.fft.rfftfreq(points, d1.0 / sample_rate) return freqs, 20 * np.log10(np.abs(spectrum) 1e-12)points取 8192 是考虑到采样率 48 kHz能够把频率分辨率做到约 5.86 Hz既不太粗也不至于把低频段数据撑爆。np.hanning加窗是为了抑制频谱泄漏。界面端使用 Qt 的QChart或 matplotlib 嵌进窗口横轴用对数坐标这样驱动轴 50 Hz 的电磁噪声和齿轮啮合频率能肉眼分离出来。半消音室测试有一个特殊点环境底噪很低所以软件里必须做“背景噪声扣除”。常见做法是在测试前采集一段不上电的底噪谱然后在每个频段做能量相减。如果模块输出里保留了background_spectrum参数就可以用10*log10(10**(signal/10) - 10**(noise/10))做修正。提示没有提前采底噪的数据宁可不扣也不要硬减某些频段会算出负能量报表里会出现空值。3.3 EOL 产线监控模块末端工位的状态轮询与告警合并EOL 是车辆下线前的最后一道质量闸门负责把前序所有检测结果汇总成一份“放行/不放行”结论。监控模块在这个阶段要做的不是数据分析而是稳定采集和多源状态合并。import threading import time def poll_eol_status(station_id: str, interval: int, callback): while True: status read_station_status(station_id) callback(station_id, status) time.sleep(interval) def start_polling(stations: list[str], interval: int, callback): for sid in stations: t threading.Thread(targetpoll_eol_status, args(sid, interval, callback), daemonTrue) t.start()read_station_status在真实环境里是读 PLC 寄存器或读 MES 的接口项目源码中用了一个 mock 函数返回PASS/FAIL/RUNNING三种状态。callback会去更新 GUI 里对应的状态灯。这里用daemonTrue意味着主窗口关闭后线程会直接退出不会出现关不掉进程的尴尬。EOL 监视频繁出现的坑是告警风暴一个下游设备暂停会连带上游多台设备变成 FAIL。所以模块里通常会加一个“延迟确认”逻辑某工位持续 FAIL 超过 5 秒才弹窗中间状态只更新颜色。这个 5 秒对应代码里的EOL_POLL_INTERVAL的倍数不要设置成即时判 FAIL否则停机波动会造成大量无效告警。4. Tkinter 与 Qt 混用的跨平台细节事件循环、线程刷新与打包4.1 一个项目里同时出现 Tkinter 和 Qt不是冗余很多开发者看到源码包里既有tkinter又有PyQt5会以为作者在框架选型上摇摆不定。实际拆开gui目录就能看到分工Tkinter 只负责原生系统对话框和极少数配置表单主工作区、表格、图表全部由 Qt 承担。Tkinter 的filedialog在 Windows 上弹出来的是系统原生窗口观感和资源管理器一致而 Qt 的文件对话框风格偏 IDE操作工不熟悉。from tkinter import filedialog, Tk from PyQt5.QtWidgets import QMainWindow, QTableView class MainWindow(QMainWindow): def choose_data_file(self): root Tk() root.withdraw() path filedialog.askopenfilename( title选择效率数据, filetypes[(CSV, *.csv), (Excel, *.xlsx)] ) root.destroy() return pathroot.withdraw()隐藏掉空白 Tk 窗口askopenfilename弹出文件选择器选完立刻destroy释放资源。这样主进程的事件循环还是 Qt 的exec_()Tk 只是临时借用一个原生对话框接口不会造成两个 mainloop 打架。维度TkinterQt (PyQt5)主要用途文件选择、消息提示、快速配置表单主窗口、表格、图表、复杂布局事件循环Tk.mainloop()QApplication.exec_()线程刷新需要 root.afterQTimer 信号槽更成熟打包体积几十 MB相对更大但控件效果更好典型坑与 Qt 混用时意外启动 mainloopplugin 路径缺失导致 qwindows.dll 找不到4.2 实时刷新用 QTimer 加工作线程避免回调里做计算效率看板和 EOL 状态都需要周期性刷新。直接在定时器回调里读数据库会让 UI 线程卡在 I/O 上拖动窗口时会有明显的掉帧。常见做法是把读取放到QThread完成后通过信号把数据传回主线程。from PyQt5.QtCore import QThread, pyqtSignal class RefreshWorker(QThread): data_ready pyqtSignal(dict) def __init__(self, loader, interval_ms): super().__init__() self.loader loader self.interval_ms interval_ms def run(self): while not self.isInterruptionRequested(): snapshot self.loader.latest() self.data_ready.emit(snapshot) self.msleep(self.interval_ms)data_ready信号连接到主窗口的槽函数槽函数内部只做表格刷新不碰文件句柄。msleep接受毫秒单位和config.py里的REFRESH_INTERVAL_MS对齐。停止刷新时调用worker.requestInterruption()并wait()线程会在下一次 sleep 后退出干净利落。4.3 打包成 Windows exe 时的 Qt 插件路径与进度条自定义PyInstaller 打包 PyQt5 最常见的错误是运行时提示could not find or load the Qt platform plugin windows。原因是插件目录没有被带上。打包命令建议写成pyinstaller -w -F main.py \ --collect-data PyQt5 \ --hidden-importpyqt5.sip \ --name AutoAnalysis同时在main.py最前面补一段环境变量设置保证冻结环境下能找到插件import sys, os if getattr(sys, frozen, False): os.environ[QT_PLUGIN_PATH] os.path.join( sys._MEIPASS, PyQt5, Qt, plugins )界面层如果想用 Qt 自定义进度条建议在样式表里统一写圆角而不是塞图片progress.setStyleSheet( QProgressBar { border-radius: 4px; background: #eee; } QProgressBar::chunk { border-radius: 4px; background: #2a6df4; } )注意border-radius生效的前提是 chunk 宽度大于圆角半径否则左侧会漏出反色小角。这个细节在 Windows 的高 DPI 缩放下尤其明显建议用像素值而不是点值。5. 在 Windows 上跑通项目并做数据验证5.1 环境准备与依赖安装先在 Windows 上装好 Python 3.10 或 3.11然后建独立环境。python 安装完成后必须重启终端否则 conda 命令可能不可用。conda create -n auto_analysis python3.10 -y conda activate auto_analysis pip install -r requirements.txtrequirements.txt里的依赖应锁定版本避免 pandas 2.1 之后某些 API 变更影响原有代码。一份可用的清单大致如下PyQt55.15.10 pandas2.0.3 numpy1.24.3 matplotlib3.7.2 openpyxl3.1.2 tabulate0.9.0锁定版本的意义在于现场工控机不会频繁升级依赖一旦跑通就固定住后续排查问题时能排除“库更新导致行为变化”这个变量。5.2 用样例数据走通完整链路项目根目录下执行python main.py --config config.py --demo--demo会从data目录读样例 CSV三个标签页分别展示效率汇总、NVH 频谱和 EOL 状态灯。建议按顺序点一遍效率页看表格是否按 OEE 升序排列NVH 页看频谱图有没有 50 Hz 工频峰EOL 页观察状态灯是否在 PASS/FAIL 之间切换。任一环节无响应先看终端里有没有输出 traceback。5.3 验证输出并确认模块边界跑完一次后检查reports目录确认以下文件是否生成oeepareto.csv效率损失排序表nvh_1_3_octave.csv倍频程结果eol_audit_log.logEOL 告警审计日志验证线程刷新逻辑时可以临时把EOL_POLL_INTERVAL改成 1并在callback里打一条日志如果 5 次轮询内收到同一个 FAIL 才触发弹窗说明延迟确认逻辑生效。这个做法能快速确认模块边界数据采集线程负责喂状态UI 线程只负责按阈值展示两者之间没有隐式耦合。本文还有配套的精品资源点击获取 汽车厂车间一线分析工具：Python + Tkinter/Qt 实现效率、NVH与EOL监控
简介面向汽车制造业工程师与管理人员这款基于Python与Qt框架开发的跨平台桌面应用提供了集成化数据分析解决方案。资源包围绕效率数据、NVH半消音室测试与EOL产线监控三大核心模块可实时统计生产效率指标集中管理噪声振动粗糙度数据追踪生产线末端质量检测结果帮助管理者精准定位瓶颈、优化流程并提升整车品质。压缩包共有六十二个文件包含二十一个Python源程序、十七个编译文件、八张界面展示图、三份表格数据、若干说明文档、配置文件及附赠资料整体大小约二十七兆目录结构划分清晰涵盖主程序入口、数据管理、可视化等模块便于直接运行、按需阅读和二次开发。附赠说明文档与辅助资源覆盖软件安装、模块功能讲解与实际应用案例可帮助用户快速上手。目前已有四十七人学习下载对汽车制造数字化人员及桌面开发人员均具有较高参考价值。1. 为什么汽车厂车间里的一线分析工具最后都落在 Python Tkinter/Qt 上很多工程师第一次看到这套源码时的反应是“怎么不用 Web”。但真正进过 NVH 半消音室和 EOL 下线工位的人清楚测试电脑经常不联网不允许开浏览器服务甚至不允许装 Node。用 Python 写桌面端Tkinter 负责快速生成表单和弹窗Qt 负责表格、图表和自定义控件既能稳定跑在 Windows 工控机上出了异常也能把整包拷到 Linux 分析机上复现。这套平台把效率数据、NVH 测试和 EOL 监控三类数据收在同一个壳子里对汽车厂工艺和设备工程师来说最有价值的不是界面多漂亮而是数据从哪来、怎么聚合、报表怎么出代码里每一步都能看到。2. 项目结构拆解从 main.py 到 data_management 的分层设计2.1 源码目录的职责划分哪些文件可以直接忽略解压 zip 后第一眼看到的目录结构是这样的root/ ├── __init__.py ├── main.py ├── config.py ├── requirements.txt ├── data_management/ ├── data_processing/ ├── visualization/ ├── gui/ ├── modal/ ├── reports/ ├── data/ ├── aniconda3.md ├── OriginalData.7z ├── README.md ├── 说明文件.txt └── 附赠资源.docxmain.py是入口文件config.py放全局配置项。data_management管数据加载和整理data_processing管计算逻辑visualization管绘图gui管窗口和交互modal目录名没有写错里面放的是弹窗基类对应 GUI 里的模态对话框。剩下几个文档和压缩包是环境笔记和样例数据reports则是程序跑完后输出报表的目录。这一层拆分很像实际项目里的“数据层-逻辑层-展示层”三件套。好处是哪怕你只把data_management拿出来单独写个命令行脚本也能完成数据清洗和统计不一定要启动界面。表 1 把主要目录的职责和替换建议列了出来。目录/文件职责常见替换方案main.py程序入口、参数解析可用 argparse 替换为 yaml 配置config.py路径、采样率、刷新时间可用 configparser 或环境变量data_management数据导入、字段标准化可替换为 pandas read_csv 封装data_processing业务计算可拆分到独立模块供测试visualization图表输出matplotlib 或 QtChartsgui主界面、标签页Tkinter 或 PyQt 单独实现modal弹窗、校验原目录名就是 modal写代码前我一般会先把目录看一遍重点看reports和data下有没有样例文件。这个包里带了OriginalData.7z说明作者预留了真实数据脱敏后的测试集直接用它能跳过接数据库的步骤。2.2 main.py 的入口写法与 config.py 的参数约定入口文件的写法比想象中还要常规。项目里main.py大约是这个骨架import sys import argparse from data_management.loader import DataLoader from gui.main_window import MainWindow def parse_args(): parser argparse.ArgumentParser(descriptionAuto Data Analysis Platform) parser.add_argument(--config, defaultconfig.py) parser.add_argument(--demo, actionstore_true, help使用 data 目录下的样例数据启动) return parser.parse_args() def main(): args parse_args() loader DataLoader(config_pathargs.config) app MainWindow(loader, demo_modeargs.demo) app.run() if __name__ __main__: main()parse_args把配置路径和演示模式拆成两个独立开关--demo会在MainWindow内部把数据源指向data而不是数据库。load动作在窗口创建之前完成如果数据源连不通界面就不会启动这个顺序能让错误更早暴露。config.py里的参数直接影响三个模块的刷新频率和计算精度常见的关键项包括DATA_ROOT data REPORT_ROOT reports REFRESH_INTERVAL_MS 5000 # 效率看板刷新间隔 NVH_SAMPLE_RATE 48000 # 半消音室采集设备的采样率 NVH_FFT_POINTS 8192 # FFT 点数是 2 的幂 EOL_POLL_INTERVAL 2 # EOL 工位状态轮询秒数 LOG_LEVEL INFONVH_SAMPLE_RATE和NVH_FFT_POINTS决定频域分析的频率分辨率和最高可分析频率如果把NVH_SAMPLE_RATE猜小了高频噪声会被混叠到低频段NVH 分析会得出错误结论。EOL_POLL_INTERVAL不要低于 1 秒测试工位的 PLC 和数据库扛不住毫秒级轮询。2.3 把数据层单独拆出来到底解决什么问题很多入门项目喜欢把读文件、算指标、画图全部写在按钮回调里那样做的问题在于当 NVH 工程师需要单独验证某个算法时必须把界面一起跑起来。这里把数据管理抽成data_management后你可以用三行代码先看数据质量from data_management.loader import DataLoader loader DataLoader(config_pathconfig.py) df loader.load(efficiency, start2025-06-01, end2025-06-07) print(df.columns, df.shape, df.isna().sum())load的第一个参数是业务类型内部会根据类型去对应目录或表start和end会拼成时间过滤条件。这个封装带来的直接收益是后面接 SQLite、接 MySQL 甚至工厂里的 MES 接口时只要改loader和config界面层和计算层不用动。这也是为什么把“读数据”和“画界面”解耦永远值得多做一步。3. 效率、NVH 与 EOL三大模块的实现逻辑和关键代码3.1 效率数据模块从原始产量到 OEE 三个乘数效率数据模块在汽车制造业里最常见的出口就是 OEE设备综合效率和单位小时产量UPH。它先把各工位上报的plan_time、run_time、ideal_cycle、good_count、total_count汇总到班次粒度再算。import pandas as pd def calculate_oee(df: pd.DataFrame) - pd.DataFrame: df df.groupby([shift, station]).sum(numeric_onlyTrue) df[availability] df[run_time] / df[plan_time] df[performance] df[ideal_cycle] * df[good_count] / df[run_time] df[quality] df[good_count] / df[total_count] df[oee] df[availability] * df[performance] * df[quality] return df.sort_values(oee)availability表示时间利用率performance表示生产节拍的达成程度quality是一次性良率。三个数相乘后任何一项偏低都会把 OEE 拉下来所以排序后第一个生产批次就是最应该去查瓶颈的位置。实际使用中要注意ideal_cycle的单位必须和run_time保持一致是秒就全部用秒不要混进分钟。界面上这个模块一般会在表格上方放REFRESH_INTERVAL_MS对应的刷新按钮和一个 Tkinter 的ttk.Progressbar进度条表示当前轮询是否结束避免操作员重复点按钮。看到瓶颈站下一步打开reports/oeepareto.csv里面按损失时间排序导出能够直接贴进生产例会 PPT。3.2 NVH 半消音室测试模块时域波形到 1/3 倍频程NVH 半消音室测试的数据量通常是三个模块里最大的测试电脑会把加速度计和麦克风信号存成多列 CSV每列代表一个测点。模块的处理思路是先做去直流和加窗再做 FFT最后按频带合并。import numpy as np def to_spectrum(signal: np.ndarray, sample_rate: int, points: int 8192): signal signal - np.mean(signal) # 去直流 window np.hanning(points) segment signal[:points] * window spectrum np.fft.rfft(segment) freqs np.fft.rfftfreq(points, d1.0 / sample_rate) return freqs, 20 * np.log10(np.abs(spectrum) 1e-12)points取 8192 是考虑到采样率 48 kHz能够把频率分辨率做到约 5.86 Hz既不太粗也不至于把低频段数据撑爆。np.hanning加窗是为了抑制频谱泄漏。界面端使用 Qt 的QChart或 matplotlib 嵌进窗口横轴用对数坐标这样驱动轴 50 Hz 的电磁噪声和齿轮啮合频率能肉眼分离出来。半消音室测试有一个特殊点环境底噪很低所以软件里必须做“背景噪声扣除”。常见做法是在测试前采集一段不上电的底噪谱然后在每个频段做能量相减。如果模块输出里保留了background_spectrum参数就可以用10*log10(10**(signal/10) - 10**(noise/10))做修正。提示没有提前采底噪的数据宁可不扣也不要硬减某些频段会算出负能量报表里会出现空值。3.3 EOL 产线监控模块末端工位的状态轮询与告警合并EOL 是车辆下线前的最后一道质量闸门负责把前序所有检测结果汇总成一份“放行/不放行”结论。监控模块在这个阶段要做的不是数据分析而是稳定采集和多源状态合并。import threading import time def poll_eol_status(station_id: str, interval: int, callback): while True: status read_station_status(station_id) callback(station_id, status) time.sleep(interval) def start_polling(stations: list[str], interval: int, callback): for sid in stations: t threading.Thread(targetpoll_eol_status, args(sid, interval, callback), daemonTrue) t.start()read_station_status在真实环境里是读 PLC 寄存器或读 MES 的接口项目源码中用了一个 mock 函数返回PASS/FAIL/RUNNING三种状态。callback会去更新 GUI 里对应的状态灯。这里用daemonTrue意味着主窗口关闭后线程会直接退出不会出现关不掉进程的尴尬。EOL 监视频繁出现的坑是告警风暴一个下游设备暂停会连带上游多台设备变成 FAIL。所以模块里通常会加一个“延迟确认”逻辑某工位持续 FAIL 超过 5 秒才弹窗中间状态只更新颜色。这个 5 秒对应代码里的EOL_POLL_INTERVAL的倍数不要设置成即时判 FAIL否则停机波动会造成大量无效告警。4. Tkinter 与 Qt 混用的跨平台细节事件循环、线程刷新与打包4.1 一个项目里同时出现 Tkinter 和 Qt不是冗余很多开发者看到源码包里既有tkinter又有PyQt5会以为作者在框架选型上摇摆不定。实际拆开gui目录就能看到分工Tkinter 只负责原生系统对话框和极少数配置表单主工作区、表格、图表全部由 Qt 承担。Tkinter 的filedialog在 Windows 上弹出来的是系统原生窗口观感和资源管理器一致而 Qt 的文件对话框风格偏 IDE操作工不熟悉。from tkinter import filedialog, Tk from PyQt5.QtWidgets import QMainWindow, QTableView class MainWindow(QMainWindow): def choose_data_file(self): root Tk() root.withdraw() path filedialog.askopenfilename( title选择效率数据, filetypes[(CSV, *.csv), (Excel, *.xlsx)] ) root.destroy() return pathroot.withdraw()隐藏掉空白 Tk 窗口askopenfilename弹出文件选择器选完立刻destroy释放资源。这样主进程的事件循环还是 Qt 的exec_()Tk 只是临时借用一个原生对话框接口不会造成两个 mainloop 打架。维度TkinterQt (PyQt5)主要用途文件选择、消息提示、快速配置表单主窗口、表格、图表、复杂布局事件循环Tk.mainloop()QApplication.exec_()线程刷新需要 root.afterQTimer 信号槽更成熟打包体积几十 MB相对更大但控件效果更好典型坑与 Qt 混用时意外启动 mainloopplugin 路径缺失导致 qwindows.dll 找不到4.2 实时刷新用 QTimer 加工作线程避免回调里做计算效率看板和 EOL 状态都需要周期性刷新。直接在定时器回调里读数据库会让 UI 线程卡在 I/O 上拖动窗口时会有明显的掉帧。常见做法是把读取放到QThread完成后通过信号把数据传回主线程。from PyQt5.QtCore import QThread, pyqtSignal class RefreshWorker(QThread): data_ready pyqtSignal(dict) def __init__(self, loader, interval_ms): super().__init__() self.loader loader self.interval_ms interval_ms def run(self): while not self.isInterruptionRequested(): snapshot self.loader.latest() self.data_ready.emit(snapshot) self.msleep(self.interval_ms)data_ready信号连接到主窗口的槽函数槽函数内部只做表格刷新不碰文件句柄。msleep接受毫秒单位和config.py里的REFRESH_INTERVAL_MS对齐。停止刷新时调用worker.requestInterruption()并wait()线程会在下一次 sleep 后退出干净利落。4.3 打包成 Windows exe 时的 Qt 插件路径与进度条自定义PyInstaller 打包 PyQt5 最常见的错误是运行时提示could not find or load the Qt platform plugin windows。原因是插件目录没有被带上。打包命令建议写成pyinstaller -w -F main.py \ --collect-data PyQt5 \ --hidden-importpyqt5.sip \ --name AutoAnalysis同时在main.py最前面补一段环境变量设置保证冻结环境下能找到插件import sys, os if getattr(sys, frozen, False): os.environ[QT_PLUGIN_PATH] os.path.join( sys._MEIPASS, PyQt5, Qt, plugins )界面层如果想用 Qt 自定义进度条建议在样式表里统一写圆角而不是塞图片progress.setStyleSheet( QProgressBar { border-radius: 4px; background: #eee; } QProgressBar::chunk { border-radius: 4px; background: #2a6df4; } )注意border-radius生效的前提是 chunk 宽度大于圆角半径否则左侧会漏出反色小角。这个细节在 Windows 的高 DPI 缩放下尤其明显建议用像素值而不是点值。5. 在 Windows 上跑通项目并做数据验证5.1 环境准备与依赖安装先在 Windows 上装好 Python 3.10 或 3.11然后建独立环境。python 安装完成后必须重启终端否则 conda 命令可能不可用。conda create -n auto_analysis python3.10 -y conda activate auto_analysis pip install -r requirements.txtrequirements.txt里的依赖应锁定版本避免 pandas 2.1 之后某些 API 变更影响原有代码。一份可用的清单大致如下PyQt55.15.10 pandas2.0.3 numpy1.24.3 matplotlib3.7.2 openpyxl3.1.2 tabulate0.9.0锁定版本的意义在于现场工控机不会频繁升级依赖一旦跑通就固定住后续排查问题时能排除“库更新导致行为变化”这个变量。5.2 用样例数据走通完整链路项目根目录下执行python main.py --config config.py --demo--demo会从data目录读样例 CSV三个标签页分别展示效率汇总、NVH 频谱和 EOL 状态灯。建议按顺序点一遍效率页看表格是否按 OEE 升序排列NVH 页看频谱图有没有 50 Hz 工频峰EOL 页观察状态灯是否在 PASS/FAIL 之间切换。任一环节无响应先看终端里有没有输出 traceback。5.3 验证输出并确认模块边界跑完一次后检查reports目录确认以下文件是否生成oeepareto.csv效率损失排序表nvh_1_3_octave.csv倍频程结果eol_audit_log.logEOL 告警审计日志验证线程刷新逻辑时可以临时把EOL_POLL_INTERVAL改成 1并在callback里打一条日志如果 5 次轮询内收到同一个 FAIL 才触发弹窗说明延迟确认逻辑生效。这个做法能快速确认模块边界数据采集线程负责喂状态UI 线程只负责按阈值展示两者之间没有隐式耦合。本文还有配套的精品资源点击获取