Compressor/models

PKS models —— 压力/振动算法与模型重构

本目录把原先合并在一起的 PKS 故障算法与泛化模型拆开、规范化重排，是本项目 压力/振动算法与模型的唯一实现。原 backend/model_assistant_generalized/ 已删除， 其逻辑与文档已全部迁入本目录；backend/scan_pks_fault_evolution.py（合并版扫描器） 保留作为历史参照。

目录

目录	内容
common/	公共层：数据库连接、报警阈值、小时聚合、数据查询、稳健统计、CSV 输出、窗口切分、训练/评估/推理、自动校验
generalized/	压力算法 + 压力模型：pressure_algorithm.py、features_pressure.py、build_datasets.py、split_datasets.py、train_model.py、evaluate_model.py、infer_and_combine.py、run_pipeline.py
vibration/	振动算法 + 振动模型：与 generalized/ 对称
datas/	中间数据与训练数据：hourly/（小时中间表）、pressure/、vibration/（窗口样本）、artifacts/（训练产物）、reference/（golden 基准）
results/	算法扫描结果与模型测试结果：common/、pressure/、vibration/、verification/
markdown/	文档：压力算法、压力模型、振动算法、振动模型、模型辅助确认方案
service/	实时服务定时脚本：mac/（launchd）、linux/（systemd）、windows/（schtasks）
migrations/	数据库结构变更 SQL（如 alarm_des 扩到 4000）
scan_all.py	全量扫描（压力+振动），按设备号输入，结果可存本地或数据库
realtime_service.py	实时扫描（--once / --loop / --simulate），结果合并写入 compressor_alarm

设备号输入

算法与扫描统一使用 --device 7# 8# 9#（默认 7# 8# 9#），设备通过 compressor_data_import.directory_path 解析到 PKS 导入批次。4#/5#/6# 暂不纳入。 算法内部仍按 批次 分组，因此本地全量结果与历史 CSV 逐字节一致。

全量运行

# 本地：自动查询起止时间（floor(最小)..floor(最大)+1h），先清理旧中间/结果再生成
python models/scan_all.py --device 7# 8# 9# --store local

# 数据库：本地结果与中间文件照常生成，并额外把最终段写入 compressor_alarm
python models/scan_all.py --device 7# 8# 9# --store db

# 开启模型预测参考：对每个故障段做 3 小时滑动预测，写入概率均值/最大/最小
python models/scan_all.py --device 7# 8# 9# --store db --with-model

# 也可显式指定时间，或复用已缓存小时中间表
python models/scan_all.py --start "2025-01-01 00:00:00" --end "2026-09-01 00:00:00"
python models/scan_all.py --hourly-csv models/datas/hourly/pks_hourly_full.csv

数据库存储映射（表 compressor_alarm）：

结果	device_code	device_part	device_point	alarm_type	alarm_level
压力段	7#	润滑油压力	YSJ_5	润滑油压力故障	压力阶段
振动段	7#	按 最强异常侧 取 联轴器端振动 / 链轮端振动	对应 YSJ_10 / YSJ_11	振动故障	振动阶段

alarm_des=阶段触发依据（≤4000）、alarm_info_json=对应 CSV 行 JSON、status=1。 全量写库会先删除所选设备的历史压力/振动告警再插入。

模型预测参考（--with-model，默认关闭）

• 定位：只做参考数值，不做任何异常判定，不参与阶段划分。
• 方式：对故障段内每个有效运行小时取以它为结尾的 3 小时窗口滑动预测（段不足 3h 时向前补有效小时）， 汇总为 模型异常概率均值 / 最大值 / 最小值。
• 输出：alarm_info_json 增加上述 3 个字段及 模型预测参考 （模型预测参考：3小时窗口异常概率 均值x/最大y/最小z（n次））；alarm_des 只保留 阶段触发依据；本地 CSV 同步增加这 4 列。
• 训练链路不受影响；开启时若 models/datas/artifacts/* 缺失会直接报错（先跑对应 run_pipeline.py）。

实时运行

python models/realtime_service.py --once                 # 单次
python models/realtime_service.py --loop --interval 300  # 每 5 分钟（命令行定时）
python models/realtime_service.py --once --with-model    # 同时写入模型预测参考

• 窗口：end = min(floor(now), floor(最新数据)+1h)，start = end - 45 天。
• 合并：同 (设备, 类型, 等级) 且时间重叠或间隔 ≤6h 的段合并为一条， 同一等级连续段不会因跨小时或“最强侧”切换被拆开；等级变化保留为不同行， 合并时 device_part/device_point 更新为最新 最强异常侧。
• 定时服务安装/卸载见 models/service/README.md。
• 冒烟测试：python models/realtime_service.py --simulate "2026-02-03 20:00:00,2026-02-04 00:00:00"（默认结束后回滚）。

复现（3 小时）

# 1) 算法扫描结果
python models/scan_all.py --device 7# 8# 9# --store local

# 2) 压力模型 3h：build -> split -> train -> evaluate -> infer
python models/generalized/run_pipeline.py --window-hours 3

# 3) 振动模型 3h
python models/vibration/run_pipeline.py --window-hours 3

# 4) 自动校验（含 compressor_alarm 对应关系）
python models/common/verify.py --with-db

--window-hours 6 的参数化代码路径保留，但本轮不重新生成 6h 产物。

校验基线

python models/common/verify.py --with-db 会比对：

• 5 个扫描结果 CSV 与 models/datas/reference/ 逐字节一致；
• 数据库全量重跑与缓存一致；
• 压力/振动 3h 模型指标与文档一致（阈值 0.862553/0.916630，异常 F1 96.59%/71.43%，事件召回 10/10、4/4）；
• compressor_alarm 行数与参考 CSV 对应（压力 72、振动 25，共 97）。

报告写入 models/results/verification/verification_report.json。

标签来源

模型标签来自算法扫描结果（润滑油压力小时阶段段.csv / 振动异常段.csv）， 指标衡量的是对规则标签的泛化一致性，不等同于物理故障诊断。