# 7/8/9 号机振动泛化模型结果（机组相对特征）

本实验重构于 `models/vibration/`（振动算法与振动模型）+ `models/common/`（公共层），与压力模型完全独立。
3 小时模型已用新代码完整复现，指标与本文件完全一致（见 `models/results/verification/verification_report.json`）。
振动算法输出位于 `models/results/vibration/振动异常段.csv`，训练样本位于 `models/datas/vibration/`，模型位于 `models/datas/artifacts/vibration/`。

目标：把 7/8/9 号机振动数据全部纳入，用**机组相对（泛化）特征**训练一个共享振动模型，解决原振动模型“绝对振动值导致跨机组误报、召回不稳”的问题。

## 一、方法

### 1. 泛化特征（去掉绝对振动值）

振动规则的核心信号是“相对本机**近期稳健基线**（前 7×24 = 168 个有效小时）的偏离”。因此特征以近期基线相对量为主，机组编号只用于选基准、不进模型输入。

删除的绝对特征：各侧 `*_avg_mean/max/range`、`*_peak_mean/max/range`、`*_slope`。

使用的特征（每侧 coupling、chain）：

- 近期基线偏离（z 分数）：`{side}_avg_dev`、`{side}_peak_dev`
- 近期基线相对比例：`{side}_avg_rel_last`、`{side}_peak_rel_last`、`{side}_avg_rel_mean`、`{side}_peak_rel_max`
- 机组归一化：`{side}_avg_z`、`{side}_peak_z`、`{side}_avg_slope_z`（train 正常窗口 median/MAD）
- 报警比例：`{side}_high_ratio_mean`、`{side}_high_high_ratio_mean`
- 共享：`both_sides_rising`、`running_coverage_mean/min`

特征重要度（3h）显示“相对比例 + 偏离”主导：`chain_peak_rel_max` 32.9%、`chain_peak_dev` 19.1%、`coupling_peak_rel_max` 8.1%、`coupling_avg_dev` 7.8%。

### 2. 基线口径（与扫描器一致）

振动基线用机组**完整有效历史**在窗口前 **7×24 小时**内的稳健基线，**跨停机周期**取历史、排除重启后首个有效小时，与 `scan_pks_fault_evolution.py` 完全一致。

### 3. 数据与切分

- 窗口：3 小时与 6 小时各一套；标签：重叠即异常（含 1~2 小时短阶段，用前后小时补足）；重启后首个有效小时不作样本。
- 数据来源：复用 `data/hourly.csv`（`--hourly-csv`，不查库）。
- 切分：6.5 / 2 / 1.5，seed 20260921，事件组不拆，按（机组、标签）分层，保证每机组 train 有正常事件组。
- 异常事件分配用 `--positive-basis groups`（每个事件等权），避免个别长事件整组落入同一划分。

## 二、数据范围

- 候选窗口：14,139（正常 13,908、异常 231）。
- 异常事件 25 个：7 号机 8、8 号机 8、9 号机 9（三台机组都有异常）。

| 版本 | train | validation | test |
|---|---|---|---|
| 3h | 9,302（正常 9,112/异常 190，16 事件） | 2,657（2,637/20，5 事件） | 2,180（2,159/21，4 事件） |
| 6h | 8,951（8,731/220，16 事件） | 2,625（2,599/26，5 事件） | 2,332（2,299/33，4 事件） |

跨集合事件组泄漏：0。

## 三、训练

| 版本 | 采样 | 轮数 | 早停 | 最佳轮次 | 最佳验证 logloss |
|---|---|---|---:|---|---:|---:|
| 3h | `--all-normal` | 请求 800 | 359 轮 | 309 | 0.02262 |
| 6h | `--all-normal` | 请求 800 | 382 轮 | 332 | 0.03350 |

## 四、验证集

| 版本 | 阈值 | 查准率 | 召回率 | F1 | PR-AUC |
|---|---|---:|---:|---:|---:|
| 3h | 0.916630 | 70.00% | 70.00% | 70.00% | 70.40% |
| 6h | 0.864419 | 72.41% | 80.77% | 76.36% | 77.21% |

## 五、封存测试集

### 3 小时窗口

测试集 2,180 窗口（正常 2,159、异常 21）。

| 类别 | 查准率 | 召回率 | F1 | 样本数 |
|---|---:|---:|---:|---:|
| 正常 | 99.72% | 99.72%（特异度） | 99.72% | 2,159 |
| 异常 | 71.43% | 71.43% | 71.43% | 21 |

综合：准确率 99.45%、平衡准确率 85.58%、PR-AUC 82.70%；事件召回 4/4。

分机组：

| 机组 | 正常窗口 | 正常误报率 | 异常窗口 | 异常召回 | 异常查准 |
|---|---:|---:|---:|---:|---:|
| 7 号机 | 676 | 0.00% | 9 | 77.78% | 100.00% |
| 8 号机 | 702 | 0.71% | 12 | 66.67% | 61.54% |
| 9 号机 | 781 | 0.13% | 0 | — | — |

### 6 小时窗口

测试集 2,332 窗口（正常 2,299、异常 33）。

| 类别 | 查准率 | 召回率 | F1 | 样本数 |
|---|---:|---:|---:|---:|
| 正常 | 99.14% | 99.91%（特异度） | 99.52% | 2,299 |
| 异常 | 86.67% | 39.39% | 54.17% | 33 |

综合：准确率 99.06%、平衡准确率 69.65%、PR-AUC 86.40%；事件召回 4/4。

分机组：7 号机误报率 0.00%、召回 60.00%；8 号机误报率 0.00%、召回 22.22%；9 号机误报率 0.22%。

## 六、版本对比

| 版本 | 测试查准率 | 测试召回率 | F1 | PR-AUC | 事件召回 |
|---|---:|---:|---:|---:|---:|
| 旧振动模型（6h，绝对特征） | 24.15% | 100.00% | 38.91% | 75.66% | 1/1 |
| **振动泛化 3h** | **71.43%** | **71.43%** | **71.43%** | 82.70% | 4/4 |
| 振动泛化 6h | 86.67% | 39.39% | 54.17% | **86.40%** | 4/4 |

**结论**：泛化特征显著改善了振动模型的查准率（旧模型 24% → 3h 71%）。3h 的 F1 与召回更均衡（71/71），6h 查准率更高但召回只有 39%。振动故障确认以“不漏”优先，**推荐 3h**。

## 七、规则联合辅助输出

- 3h：`models/results/vibration/振动模型辅助确认.csv`，14,139 行
  - 模型辅助确认异常 219、保留规则异常人工复核 12、继续观察 13、正常 13,895
- 6h：本轮未重新生成（`models/vibration/run_pipeline.py` 保留 `--window-hours 6` 参数化路径）

## 八、限制

- 振动异常阶段短（多为 1~2 小时），测试异常窗口仅 21~33 个、4 个事件，指标波动较大。
- 9 号机测试集没有异常事件，其正常误报率可评估，但异常召回不作结论。
- 标签来自扫描器规则阶段，未经维修记录或人工确认，指标代表对规则标签的泛化。
- 模型定位为规则辅助确认，不替代扫描器的阶段划分。