PKS润滑油压力与振动算法说明.md 29 KB
PKS 润滑油压力与振动算法说明
1. 适用脚本
算法由以下脚本实现：
backend/scan_pks_fault_evolution.py
脚本为只读扫描器，只查询数据库，不修改数据库。主要输出：
报警阈值配置.csv
润滑油压力小时等级.csv
润滑油压力小时阶段段.csv
润滑油压力演化周期.csv
振动异常段.csv
2. 分析点位
| 点位 | 含义 | 用途 |
|---|---|---|
YSJ_5 |
润滑油压力 | 分析长期下降和低压风险 |
YSJ_10 |
联轴器端振动 | 分析振动峰值和均值异常 |
YSJ_11 |
链轮端振动 | 分析振动峰值和均值异常 |
YSJ_41 |
运行状态 | 判断设备是否运行 |
运行判断规则：
YSJ_41 > 0 表示设备运行
批次与机组的对应关系：
| 批次 | 机组 |
|---|---|
| 30 | 7号机 |
| 31 | 8号机 |
| 32 | 9号机 |
3. 通用数据处理
3.1 按小时聚合
数据库端按小时聚合 5 秒采样数据，每个小时计算：
- 总样本数；
- 运行样本数；
- 运行覆盖率；
- 油压均值、最小值、最大值；
- 两个振动点位的均值和最大值；
- 各点位超过报警阈值的样本数。
每小时理论样本数为：
720 个样本（5 秒一个样本）
运行覆盖率计算方式：
运行覆盖率 = 运行样本数 / 720
3.2 有效小时
只有满足以下条件的小时，才参与长期趋势或振动基线分析：
运行覆盖率 >= 0.80
这样可以排除停机、启动、停机过渡和采集不完整对结果的影响。
4. 润滑油压力算法
4.1 算法目标
识别润滑油压力是否出现真实的长期恶化，而不是把单个采样点或短时掉点误判为长期故障。
核心思想：
周期基线 + 下降百分比 + 持续下降趋势 + 工程报警阈值 + 连续确认
4.2 周期和基线
对每台机组的有效运行小时建立油压周期：
- 第一个有效小时开始一个周期；
- 有效小时之间间隔超过 12 小时，开始新的周期；
- 周期内的有效小时用于分析油压演化。
周期基线取周期开始阶段前 24 个有效运行小时油压均值的中位数：
周期基线 = 前 24 个有效小时油压均值的中位数
同时计算近期 24 个有效小时基线，用于辅助判断当前油压是否偏离近期水平。
4.3 趋势判断
对最近 6 个有效运行小时计算油压线性斜率，并统计连续下降的有效小时数。
认为油压处于下降趋势的条件为：
连续下降有效小时数 >= 3
或最近 6 个有效小时斜率 < -0.0005
相对周期基线变化计算方式：
相对变化 = (当前油压 - 周期基线) / 周期基线
例如结果为 -16.7%，表示当前油压比周期基线下降约 16.7%。
4.4 油压分级规则
轻微
同时满足：
相对周期基线下降 >= 5%
且处于下降趋势
异常
满足任一条件：
相对周期基线下降 >= 10%，且处于下降趋势
或油压 <= 低报警阈值
严重异常
满足任一条件：
相对周期基线下降 >= 20%，且处于下降趋势
或油压 <= 低低报警阈值
当前实际阈值示例：
低报警阈值：0.34 MPa
低低报警阈值：0.31 MPa
报警阈值从数据库中的 site_point 和对应 AlarmType 配置读取，不固定写死某一个报警配置编号。
4.5 报警样本比例
一个小时内，只有当达到报警阈值的运行样本占比至少达到 20% 时，才将该小时标记为对应的低报警小时：
报警样本比例 = 报警运行样本数 / 运行样本数
报警样本比例 >= 20%
4.6 连续确认
为减少短时异常误报，油压阶段采用连续有效小时确认：
- 连续至少 3 个有效小时：确认当前等级；
- 普通异常或轻微异常不足 3 小时：长期阶段按轻微处理；
- 严重异常不足 3 小时：不形成长期严重阶段；
- 低低报警的一两小时仍保留原始严重报警和立即报警信息。
因此，短时间低压掉点不会直接形成长期严重故障阶段，但原始报警不会丢失。
4.7 输出结果
油压结果分为三层：
- 小时等级：每个有效小时的压力等级、趋势、基线和报警信息；
- 小时阶段段：将连续或相近的同等级小时合并；
- 演化周期：汇总周期内是否经历轻微、异常、严重异常，以及等级演化顺序。
阶段合并时，同一机组、同一周期、同一等级且间隔不超过 6 小时的小时会合并。
典型演化结果：
轻微 -> 异常 -> 严重异常
5. 振动算法
5.1 算法目标
识别两类振动异常：
- 突然出现的高振动或机械冲击峰；
- 相对历史正常水平持续升高的振动。
核心思想：
工程报警阈值 + 历史稳健基线 + 均值偏离 + 峰值偏离 + 时间段合并
5.2 历史基线
对联轴器端和链轮端分别计算历史基线，使用当前小时之前最多 336 个有效运行小时：
336 小时约等于 14 天
至少需要 24 个历史有效运行小时，才开始进行振动异常判断。
基线采用稳健统计方法：
中心 = 中位数
波动尺度 = max(1.4826 × MAD, |中心| × 5%, 极小值)
其中 MAD 是中位绝对偏差，可以降低异常峰值对基线的影响。
振动均值和振动最大值分别建立基线，并计算当前值相对基线的偏离程度。
5.3 振动分级
严重信号
任一条件满足即可：
高高报警样本比例 >= 1%
或振动峰值 >= 高高报警阈值
或峰值相对基线偏离 >= 8 个稳健尺度
当前高高报警阈值示例：
8.5 mm/s
异常信号
任一条件满足即可：
高报警样本比例 >= 1%
或振动峰值 >= 高报警阈值
或峰值相对基线偏离 >= 5 个稳健尺度
或振动均值相对基线偏离 >= 4 个稳健尺度
当前高报警阈值示例：
7.1 mm/s
轻微信号
满足任一条件：
峰值相对基线偏离 >= 4 个稳健尺度
或均值相对基线偏离 >= 3 个稳健尺度
5.4 两侧振动综合判断
联轴器端和链轮端分别判断后：
- 取两侧中较高的振动等级作为该小时等级；
- 取异常更明显的一侧作为主要振动侧；
- 同时保留两侧的峰值、均值和报警信息。
这样可以识别单侧机械异常，也可以识别两侧同步升高的情况。
5.5 异常段合并
相邻触发小时之间间隔不超过 6 小时，会合并为同一个振动异常段。
异常段保留条件：
至少有 1 个严重信号小时
或至少有 2 个触发小时
因此：
- 单个严重振动峰不会被过滤；
- 普通振动需要至少两次触发才形成异常段；
- 当前实际合并逻辑不是严格要求连续 3 小时。
5.6 变化形态
振动异常段会进一步标记变化形态：
- 间歇冲击型：峰值明显升高，但均值变化不大；
- 持续抬升型：均值持续升高并且多次触发；
- 混合型：同时存在峰值冲击和均值变化，但不满足前两类条件。
对活塞、机械部件等故障，重点关注：
链轮端峰值突然增加、在不同运行时段重复出现，但平均振动不一定持续升高
对气阀相关异常，重点关注：
某侧振动整体抬高，随后出现高峰
6. 运行方法
6.1 查看帮助
python backend/scan_pks_fault_evolution.py --help
6.2 参数
| 参数 | 含义 | 默认值 |
|---|---|---|
--batch |
批次，可多选 | 30 31 32 |
--start |
开始时间 | 2025-04-01 00:00:00 |
--end |
结束时间 | 2026-05-01 00:00:00 |
--chunk-days |
每个数据库查询块的天数 | 14 |
--output-dir |
输出目录 | cache/pks_scanner/evolution |
批次对应关系：
30 = 7号机
31 = 8号机
32 = 9号机
6.3 默认运行
python backend/scan_pks_fault_evolution.py
6.4 生成最终确认结果
python backend/scan_pks_fault_evolution.py \
--batch 30 31 32 \
--start "2025-04-01 00:00:00" \
--end "2026-05-01 00:00:00" \
--chunk-days 14 \
--output-dir cache/pks_scanner/evolution_pct_confirmed
6.5 只分析 8 号机
python backend/scan_pks_fault_evolution.py \
--batch 31 \
--start "2025-10-20 00:00:00" \
--end "2025-11-05 00:00:00" \
--chunk-days 7 \
--output-dir cache/pks_scanner/evolution_8_verify
7. 结果解读建议
润滑油压力
优先看以下字段：
相对周期基线变化；近6有效小时油压斜率；连续下降有效小时数；压力等级；是否形成确认等级；低报警小时数、低低报警小时数。
判断重点：
是否在完整运行小时内持续下降，并且连续达到确认时长
振动
优先看以下字段：
振动阶段；阶段综合评分及各项分项得分；最强异常侧；阶段最大振动值；最强侧近期峰值基线和最强侧近期稳健尺度；阶段最大峰值/基线比例；阶段最大连续异常有效小时数。
判断重点：
峰值是否真实发生在完整运行小时内，是否重复出现，均值是否同步抬升
7.1 振动阶段综合评分
振动阶段使用持续时间、平均振动抬升、阶段最大振动值和峰值稳健偏离进行综合评分，总分 0～100 分：
持续时间 40 分 + 平均振动 20 分 + 最大振动值 20 分 + 峰值稳健偏离 20 分
评分分级：
- 0～29 分：轻微；
- 30～59 分：异常；
- 60～100 分：严重异常。
达到以下任一条件时直接判定为严重异常：峰值达到高高报警阈值、存在高高报警小时，或峰值达到 8 个稳健尺度且阶段至少包含 2 个有效运行小时。
其中：
近期峰值基线 = 前 336 个有效运行小时的峰值中位数
稳健尺度 = max(1.4826 × MAD, |近期峰值基线| × 5%, 极小值)
峰值稳健偏离 = (当前峰值 - 近期峰值基线) / 稳健尺度
峰值/基线比例 = 当前峰值 / 近期峰值基线
例如峰值稳健偏离 19.43，表示当前峰值高于近期基线 19.43 个稳健尺度；如果峰值/基线比例为 2.41，则表示当前峰值约为基线的 2.41 倍。两者含义不同。
8. 重要限制
- 算法输出的是异常候选和演化阶段，不是最终故障诊断。
- 停机、启动和停机过渡期间的低值或峰值不能直接作为故障证据。
- 油压长期下降更适合判断润滑系统风险，不能单独确定具体损坏部件。
- 振动异常可以提示气阀、活塞或机械冲击风险，但具体归因仍需结合功图、高频波形和维修记录。
- 当前振动结果重点是异常段识别，不等同于严格的三小时连续确认。
- 报警阈值来自数据库的点位配置，应定期检查配置是否正确。
- 建议结合
运行样本数 / 720一起查看，避免低覆盖率小时造成误判。
9. 模型辅助确认方案（后续实施）
本方案用于对现有规则结果进行相似性判断和辅助确认，不预测未来，也不替代 backend/scan_pks_fault_evolution.py 的阶段划分和异常规则。
9.1 总体结构
原始采样数据
→ 沿用现有脚本按自然小时聚合
→ 沿用运行覆盖率、开停机和有效小时判断
→ 分别形成油压窗口和振动窗口
→ XGBoost 分类 + K 近邻相似性匹配
→ 与现有规则结果联合展示和辅助确认
润滑油压力和振动分别建立模型，不混合训练。模型输入、标签和实时输入必须使用与现有脚本相同的小时边界及基础特征。
9.2 时间窗口和有效数据
- 一个模型样本为同一台压缩机连续 6 个有效运行小时，不是单点数据，也不是直接使用 5 秒级原始点。
- 每小时仍按现有脚本聚合；
YSJ_41 > 0用于判断运行状态，运行覆盖率低于 80% 的小时不进入模型窗口。 - 窗口按有效运行小时滑动，每新增一个有效小时形成一个新窗口。
- 相邻有效运行小时之间间隔超过 12 小时时，视为新的运行周期，窗口不得跨越该边界。
- 振动模型沿用现有规则：停机超过 12 小时后，重启后的第一个有效运行小时不作为振动判断样本。为避免把过渡状态标记为正常，正常样本采集时压力模型也排除重启后的第一个有效运行小时。
- 正常样本同时排除停机前 1～2 个有效运行小时，以及已知异常阶段前后各 12 小时，避免把开停机过渡或异常演化过程标记为正常。
9.3 数据读取和统一中间数据
后续实现时，模型数据准备应直接复用 backend/scan_pks_fault_evolution.py 的数据读取和小时聚合逻辑，不要为模型另外编写一套时间处理方式。推荐先形成一张“小时级中间表”，再从中间表生成压力窗口和振动窗口。
9.3.1 原始数据读取
- 从与现有扫描器相同的数据表读取原始采样数据，至少读取：
sample_time：原始采样时间；machine或现有设备标识字段；batch或现有批次字段；YSJ_41：运行状态判断点；YSJ_10：联轴器端振动；YSJ_11：链轮端振动；- 润滑油压力点及其高、低报警阈值相关字段。
- 时间解析、设备排序、批次划分和分块读取方式沿用现有脚本。
- 不应先把原始 5 秒数据随机拆分为训练集和测试集。原始数据必须先按自然小时聚合，再按设备和时间生成窗口。
9.3.2 小时级聚合
每个原始采样点先按以下方式归入小时：
hour = sample_time 向下取整到整点
每个“设备 + 批次 + 小时”生成一行小时数据，至少包括：
机组/设备
批次
小时
总采样数
运行样本数
运行覆盖率 = 运行样本数 / 720
油压均值、最小值、最大值
YSJ_10 均值、最大值
YSJ_11 均值、最大值
油压低报警样本数、低低报警样本数
振动高报警样本数、高高报警样本数
其中运行样本的定义必须保持一致：
YSJ_41 > 0
只有以下小时才可进入有效运行小时序列：
运行覆盖率 >= 0.80
且所需的压力或振动特征不为空
压力模型只要求油压特征有效；振动模型只要求 YSJ_10、YSJ_11 至少有可用特征。不能因为某一类特征缺失，就把另一类模型的有效小时强行删除。
9.3.3 状态边界表
在生成窗口前，先为每台设备建立运行状态边界信息。对相邻有效运行小时计算时间间隔：
间隔 > 12 小时：新的运行周期
间隔 <= 12 小时：仍属于同一运行序列
同时标记以下小时：
首次有效运行小时
长停机后的重启首个有效运行小时
停机前最后 1～2 个有效运行小时
这些标记不应丢失，后续既用于生成正常标签，也用于解释模型结果。窗口生成时不得跨越新的运行周期。
9.4 六小时窗口生成
每个窗口必须属于同一台设备、同一批次和同一运行周期，并包含连续 6 个有效运行小时。窗口按有效运行小时序列滑动，而不是按数据库行号或简单自然小时滑动。
假设某个运行周期的有效小时序列为：
h1, h2, h3, h4, h5, h6, h7, h8
则生成：
窗口1：h1～h6
窗口2：h2～h7
窗口3：h3～h8
每个窗口保存以下索引字段：
window_id
机组/设备
批次
运行周期编号
窗口开始小时
窗口结束小时
窗口内有效运行小时数 = 6
窗口内自然持续小时数
如果某个窗口中出现以下情况，则不生成该窗口：
- 有效小时数少于 6；
- 跨越超过 12 小时的停机边界；
- 跨越批次边界；
- 必要的压力或振动特征缺失；
- 包含无法确认运行状态的小时。
窗口结束时间是模型当前可以看到的最后一个小时。实时运行时，只使用截至该窗口结束小时已经产生的数据，不能使用后续小时的数据。
9.5 窗口特征
每个 6 小时窗口提取统计、趋势和基线偏离特征，不直接把阶段最终结果作为输入，避免使用未来信息。
压力模型主要特征：
- 6 小时油压均值、最小值、最大值和变化幅度；
- 当前油压与现有周期基线的偏离；
- 最近 6 个有效小时的下降斜率和连续下降小时数；
- 低压、低低压报警样本比例；
- 运行覆盖率和有效小时数量。
振动模型主要特征：
YSJ_10、YSJ_11的 6 小时均值、最大值和变化幅度；- 两个点位相对前 336 个有效运行小时稳健基线的偏离；
- 峰值稳健偏离、均值偏离、高报警和高高报警比例；
- 最近 6 个有效小时的趋势；
- 两个振动点是否同步升高；
- 运行覆盖率和有效小时数量。
9.6 标签划分
两个结果 CSV 分别作为两个模型的阶段标签来源：
润滑油压力小时阶段段.csv→ 压力异常窗口标签；振动异常段.csv→ 振动异常窗口标签。
第一阶段只划分二分类：
正常窗口 / 压力异常窗口
正常窗口 / 振动异常窗口
暂不把轻微、异常、严重异常分别训练成多分类，原因是当前独立故障过程和严重异常样本较少。一个 6 小时窗口如果落在对应异常阶段内，可标记为异常窗口；跨越异常边界或处于异常前后 12 小时隔离区的窗口暂不作为正常标签。
同一完整故障过程切出的多个窗口属于同一组，训练集和测试集不得拆散到两边，避免因窗口高度重叠造成结果虚高。
9.7 正常样本采集
正常样本应从已确认稳定运行的连续数据中均匀抽取，按压缩机、月份或运行周期进行分层，避免正常样本集中在某一台设备或某一段时间。采集前必须确认：
- 6 个小时均为有效运行小时；
- 不跨越超过 12 小时的停机边界；
- 不包含开机后的过渡小时；
- 不包含停机前 1～2 个有效运行小时；
- 不位于已知异常阶段前后 12 小时隔离区；
- 数据没有明显缺失或异常覆盖率。
正常样本数量不需要无限增加，应尽量与异常窗口保持合理比例，并保证不同设备和时间段都有代表性。
9.8 模型及输出
每个方向使用一个 XGBoost 二分类模型，并同时保留 K 近邻相似性匹配：
- XGBoost：输出当前 6 小时窗口属于异常的概率；
- K 近邻：返回最相似的历史正常或异常窗口及相似度；
- 现有规则：继续负责小时异常、阶段合并和最终阶段输出。
示例输出：
压力规则：正常
压力模型异常概率：0.68
最相似历史压力异常窗口：0.79
辅助判断：存在压力异常相似性，继续观察
模型不能单独推翻现有规则的严重异常结果。实际判断建议分为：
- 规则异常且模型概率/相似度较高：辅助确认异常；
- 规则正常但模型概率/相似度较高：标记为疑似异常，不直接报警；
- 规则异常但模型支持较弱：保留规则结果，提示需要人工复核；
- 规则正常且模型支持较弱：正常。
9.9 当前方案边界
当前样本量较少，模型定位为历史故障相似性匹配和规则辅助确认，不作为独立故障诊断器。压力和振动应分别评估，不能把滑动窗口数量当成独立故障数量。后续只有在积累更多独立故障过程，并结合维修记录或人工确认校验标签后，才考虑进一步训练多等级模型。
10. 与现有扫描器联合判断的最终数据流
模型不是另起一套故障检测程序，而是接在 backend/scan_pks_fault_evolution.py 之后，使用扫描器已经生成的小时数据、运行状态和规则结果。联合判断的原则是：
现有扫描器负责发现和划分异常阶段
模型负责判断当前窗口是否像历史异常
联合层负责给出辅助确认结果
10.1 实时处理流程
每当新的完整小时数据到达后，按以下顺序执行：
1. 读取最新原始采样数据
2. 按现有规则聚合为自然小时数据
3. 判断运行状态和运行覆盖率
4. 更新该设备的有效运行小时序列
5. 更新压力周期和压力基线
6. 更新振动近期稳健基线
7. 执行现有压力、振动规则
8. 判断是否已经形成或更新异常阶段
9. 如果已有最近6个有效运行小时，则生成模型窗口
10. 提取与训练时完全相同的窗口特征
11. 分别调用压力模型和振动模型
12. 查询最相似的历史窗口
13. 将规则结果、模型概率和相似度合并输出
在第 9 步之前不能调用模型。少于 6 个有效运行小时，窗口不完整，只能输出现有规则结果，不能人为补齐窗口。
10.2 压力联合判断流程
压力方向使用独立的压力模型，处理顺序如下：
最新有效压力小时
↓
加入当前压力周期
↓
更新周期基线和最近趋势
↓
执行现有压力小时规则
↓
生成最近6个有效运行小时的压力窗口
↓
计算窗口特征
↓
XGBoost压力模型 + K近邻压力相似度
↓
与压力规则结果合并
压力规则仍然负责：
- 判断当前小时是否达到轻微、异常或严重异常条件；
- 判断压力异常是否满足连续有效小时确认；
- 合并相邻的压力异常阶段；
- 写入
润滑油压力小时等级.csv和润滑油压力小时阶段段.csv。
压力模型只负责回答：
最近6个有效运行小时的压力变化，是否像历史压力异常窗口？
建议压力联合输出至少包含：
设备
窗口开始小时
窗口结束小时
现有压力小时等级
现有压力阶段编号（如果已经形成）
压力模型异常概率
最相似历史压力窗口
压力相似度
压力联合判断
压力联合判断建议使用以下逻辑：
| 现有规则 | 模型结果 | 联合输出 |
|---|---|---|
| 正常 | 概率和相似度都低 | 正常 |
| 正常 | 概率或相似度较高 | 压力疑似异常，继续观察，不直接升级阶段 |
| 轻微 | 模型支持较高 | 压力异常倾向，辅助确认 |
| 异常/严重异常 | 模型支持较高 | 模型辅助确认压力异常 |
| 异常/严重异常 | 模型支持较低 | 保留规则结果，标记模型意见不一致，人工复核 |
模型不能因为概率较低就取消现有规则已经确认的压力异常，也不能因为概率较高就绕过现有规则直接生成严重异常阶段。
10.3 振动联合判断流程
振动方向使用独立的振动模型，处理顺序如下：
最新有效振动小时
↓
判断是否为重启后的首个有效运行小时
↓
更新前336个有效运行小时的振动基线
↓
执行YSJ_10、YSJ_11小时级振动规则
↓
按6小时间隔合并振动信号
↓
生成最近6个有效运行小时的振动窗口
↓
计算YSJ_10、YSJ_11窗口特征
↓
XGBoost振动模型 + K近邻振动相似度
↓
与振动规则结果合并
振动规则仍然负责：
- 判断
YSJ_10和YSJ_11是否触发振动信号； - 确定振动异常侧；
- 判断单小时信号等级；
- 按不超过 6 小时的间隔合并异常段；
- 写入
振动异常段.csv。
振动模型只负责回答：
最近6个有效运行小时的振动变化，是否像历史振动异常窗口？
重启后的首个有效运行小时不生成振动模型窗口，也不作为振动正常样本。必须等到后续累计满 6 个合格有效运行小时后，才可以进行模型判断。
建议振动联合输出至少包含：
设备
窗口开始小时
窗口结束小时
现有振动规则等级
异常侧：YSJ_10 / YSJ_11 / 两侧
现有振动阶段编号（如果已经形成）
振动模型异常概率
最相似历史振动窗口
振动相似度
振动联合判断
10.4 模型与规则的职责边界
联合系统中，两个部分的职责必须固定，不能在实现过程中互相覆盖：
| 功能 | 现有扫描器 | 模型辅助层 |
|---|---|---|
| 小时聚合 | 负责 | 不重复实现 |
| 运行状态判断 | 负责 | 使用结果 |
| 有效小时判断 | 负责 | 使用结果 |
| 开停机边界 | 负责 | 使用结果并过滤窗口 |
| 压力/振动基线 | 负责更新 | 使用同口径特征 |
| 单小时异常识别 | 负责 | 不直接替代 |
| 异常阶段合并 | 负责 | 不直接替代 |
| 历史相似性判断 | 不负责 | 负责 |
| 异常概率输出 | 不负责 | 负责 |
| 最终规则结果 | 负责 | 提供辅助意见 |
因此，模型输出不应直接改写两个现有结果 CSV。第一阶段建议单独输出模型辅助结果，例如：
压力模型辅助确认.csv
振动模型辅助确认.csv
这样可以在不影响现有规则结果的情况下，对比模型与规则的一致性。
10.5 联合判断的推荐状态
为了避免只输出一个难以解释的布尔值，联合层建议使用以下状态：
规则正常
规则轻微异常
规则异常
规则严重异常
模型疑似异常
模型辅助确认
规则与模型不一致
数据不足
具体判断优先级如下：
- 数据不足时，不输出正常，输出“数据不足”。
- 规则已经判定严重异常时，保留“规则严重异常”，模型只作为辅助证据。
- 规则判定异常且模型概率、相似度至少有一项达到确认条件时，输出“模型辅助确认”。
- 规则正常但模型支持较高时，输出“模型疑似异常”，不直接写入规则异常阶段。
- 规则异常但模型支持较低时，保留规则结果，并输出“规则与模型不一致”。
- 规则正常且模型支持较低时，输出“规则正常”。
概率和相似度的具体阈值不能直接凭经验固定。应在独立验证数据上确定，例如分别评估不同阈值下的误报数量、异常召回情况和规则一致率。阈值确定前，模型结果只能作为参考，不应自动升级报警。
10.6 窗口与阶段的对应关系
模型窗口和规则阶段不是一一对应关系：
- 一个异常阶段可以包含多个重叠的 6 小时模型窗口；
- 一个 6 小时模型窗口可能只覆盖异常阶段的一部分；
- 一个窗口也可能跨越异常开始或恢复边界；
- 规则阶段以异常信号和阶段合并逻辑为准，模型窗口只表示当前时刻的局部证据。
因此，模型结果应通过 设备 + 批次 + 窗口结束小时 与规则小时结果关联，再根据窗口时间范围判断它是否落在规则阶段内，而不能简单按行号或阶段编号直接关联。
推荐关联方式：
规则小时记录：设备、批次、小时
模型窗口记录：设备、批次、窗口开始小时、窗口结束小时
阶段记录：设备、批次、开始小时、结束小时
实时判断时，以模型窗口的 窗口结束小时 作为当前判断时刻：
模型窗口结束小时 = 当前最新有效小时
如果模型窗口结束小时已经落入规则异常阶段，模型结果用于确认；如果尚未落入规则阶段但模型支持较高，只能标记为疑似异常，不能提前修改规则阶段起点。
10.7 最终推荐的数据流
pks_long_sample 原始采样数据
↓
scan_pks_fault_evolution.py：按自然小时聚合
↓
小时级中间表
├─ 运行样本数、运行覆盖率
├─ 油压小时特征
├─ YSJ_10 小时特征
├─ YSJ_11 小时特征
└─ 报警比例和状态边界
↓
现有规则分支
├─ 压力小时等级
├─ 压力异常阶段
└─ 振动异常阶段
↓
模型窗口分支
├─ 最近6个有效运行小时压力窗口
│ ├─ 压力窗口特征
│ ├─ XGBoost压力异常概率
│ └─ K近邻压力相似度
└─ 最近6个有效运行小时振动窗口
├─ 振动窗口特征
├─ XGBoost振动异常概率
└─ K近邻振动相似度
↓
联合判断层
├─ 按设备、批次、窗口结束小时关联规则结果
├─ 保留规则阶段和等级
├─ 增加模型概率和历史相似案例
└─ 输出模型辅助确认结果
第一阶段的实现顺序建议为：
1. 先输出小时级中间表
2. 验证模型窗口与现有规则的时间完全对齐
3. 生成压力和振动6小时窗口
4. 生成正常/异常标签
5. 先离线训练和评估XGBoost、K近邻
6. 输出独立模型辅助结果，不修改现有规则CSV
7. 对比规则与模型结果
8. 确认阈值后，再考虑接入实时联合判断