Compressor/models/markdown/压力模型结果.md

7/8/9 号机压力泛化模型结果（机组相对 + 周期相对特征）

本实验重构于 models/generalized/（压力算法与压力模型）+ models/common/（公共层）。 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）。 压力算法输出位于 models/results/pressure/，训练样本位于 models/datas/pressure/，模型位于 models/datas/artifacts/pressure/。

目标：把 7/8/9 号机数据全部纳入，用机组相对特征训练共享压力模型，解决原全量模型“7 号机正常窗口被大量误报”的跨机组问题。

当前版本：generalized_cycle_relative_v2（在 v1 机组相对特征基础上，加入扫描器口径的周期/近期相对与趋势形态特征）。

一、方法

1. 特征演进

v1（已弃用）：去掉绝对油压，只用窗口内相对 + 机组归一化（oil_*_z）。

v2（当前）：v1 基础上加入周期/近期相对特征，共 22 维：

• 窗口内相对：oil_last_relative_to_window、oil_range_rel、oil_slope_rel、oil_min_dev、oil_max_dev、oil_low_ratio_mean、oil_low_low_ratio_mean、running_coverage_mean、running_coverage_min
• 周期/近期相对（新增）：oil_rel_cycle_mean/min/last（窗口油压 / 周期基线 − 1）、oil_rel_recent_mean/last（窗口油压 / 近 24h 基线 − 1）、oil_slope_rel_cycle、oil_decline_hours、oil_drawdown_cycle、oil_range_rel_cycle
• 机组归一化：oil_mean_z、oil_min_z、oil_last_z、oil_slope_z

周期基线按扫描器口径计算：周期前 3 个自然日每日油压中位数，再取其中位数；近期基线用窗口前 24 个有效小时的稳健基线。二者都只用窗口之前/周期开始的数据，无泄漏。

特征重要度（3h v2）显示周期相对特征主导：

特征	重要度
oil_rel_cycle_min	46.77%
oil_drawdown_cycle	22.66%
oil_rel_cycle_mean	10.25%
oil_rel_cycle_last	8.24%
其余 18 维合计	12.08%

2. 机组基准

机组 median/MAD 只用该机组 train 划分的正常窗口计算，存 models_*/pressure_unit_baselines.json。仅用于 oil_*_z。训练正常窗口少于 24 个或 MAD=0 直接报错。

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 小时“轻微”阶段，用前后小时补足窗口，不做过渡窗口降权）。
• 数据来源：复用 models/datas/hourly/pks_hourly_full.csv（--hourly-csv，不查库）；阶段来源 models/results/pressure/润滑油压力小时阶段段.csv。
• 切分：6.5 / 2 / 1.5，seed 20260921，事件组整体不拆，按（机组、标签）分层，并保证每机组 train 都有正常事件组。

二、数据范围

版本	候选（正常/异常）	train	validation	test	事件组泄漏
3h	13,805（12,789/1,016）	9,095（8,439/656）	2,457（2,256/201）	2,253（2,094/159）	0
6h	13,710（12,507/1,203）	8,646（7,868/778）	2,841（2,596/245）	2,223（2,043/180）	0

异常来源：8 号机 986、7 号机 24、9 号机 6（3h）。

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 | 151 轮 | 101 | 0.03169 | | 6h | --all-normal | 请求 800 | 150 轮 | 100 | 0.03327 |

四、验证集

版本	阈值	查准率	召回率	F1	PR-AUC
3h	0.862553	93.90%	99.50%	96.62%	99.65%
6h	0.389191	92.45%	100.00%	96.08%	97.41%

五、封存测试集

3 小时窗口

测试集 2,253 窗口（正常 2,094、异常 159）。

类别	查准率	召回率	F1	样本数
正常	99.86%	99.62%（特异度）	99.74%	2,094
异常	95.12%	98.11%	96.59%	159

综合：准确率 99.51%、平衡准确率 98.87%、macro-F1 98.17%、PR-AUC 99.61%、ROC-AUC 0.9997；事件召回 10/10。

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	952	0.32%	10	70.00%	70.00%
8 号机	442	1.13%	149	100.00%	96.75%
9 号机	700	0.00%	0	—	—

6 小时窗口

测试集 2,223 窗口（正常 2,043、异常 180）。

类别	查准率	召回率	F1	样本数
正常	100.00%	98.92%（特异度）	99.46%	2,043
异常	89.11%	100.00%	94.24%	180

综合：准确率 99.01%、平衡准确率 99.46%、macro-F1 96.85%、PR-AUC 99.45%、ROC-AUC 0.9995；事件召回 14/14。

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	937	0.85%	6	100.00%	42.86%
8 号机	415	3.13%	174	100.00%	93.05%
9 号机	691	0.14%	0	—	—

六、规则联合辅助输出

• 3h：models/results/pressure/压力模型辅助确认.csv，13,805 行
  • 模型辅助确认异常 1,012、保留规则异常人工复核 4、继续观察 122、正常 12,667
• 6h：本轮未重新生成（models/generalized/run_pipeline.py 保留 --window-hours 6 参数化路径）
  • 模型辅助确认异常 1,203、继续观察 113、正常 12,394

v2 下“继续观察”从 v1 的 11,000 降到约 120，说明模型对正常窗口的疑似标记大幅减少。

七、版本对比

版本	特征	测试查准率	测试召回率	F1	PR-AUC	8 号机正常误报率
v1 3h（机组相对）	13	50.91%	70.44%	59.10%	57.92%	14.93%
v2 3h（+周期相对）	22	95.12%	98.11%	96.59%	99.61%	1.13%
v2 6h（+周期相对）	22	89.11%	100.00%	94.24%	99.45%	3.13%
旧全量 6h（绝对油压）	10	11.44%	43.40%	18.11%	10.71%	约 3.6%（170 个）

结论：加入扫描器口径的周期相对特征后，跨机组误报和异常召回同时大幅改善。3h 与 6h 都接近完美，3h 的 F1（96.59%）略高于 6h（94.24%），6h 召回 100% 但误报更多。推荐 3h v2。

八、限制

• 周期基线依赖“周期开始前 3 天正常”的假设，与扫描器一致；若周期起始即异常，基线会偏。
• 周期相对特征本质上接近规则核心信号，模型更偏向“跨机组复现并校准规则”，而非发现规则之外的新异常，符合“辅助确认”定位。
• 7 号机测试异常只有 10 个窗口（来自 1 小时“轻微”阶段），其召回/查准数字样本弱，不作结论；9 号机测试无异常。
• 标签仍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，不是物理故障诊断能力。