Compressor/models/markdown/压力算法说明.md

PKS 润滑油压力算法说明

重构位置：models/generalized/pressure_algorithm.py（压力算法）+ models/common/（公共查询、报警配置、稳健统计、CSV 输出）。 原合并脚本 backend/scan_pks_fault_evolution.py 保留不动，本文件只描述压力一侧。

1. 适用脚本

• 压力算法：models/generalized/pressure_algorithm.py
• 公共层：models/common/
• 压力+振动组合扫描：models/scan_all.py
• 输出：
  • models/results/pressure/润滑油压力小时等级.csv
  • models/results/pressure/润滑油压力小时阶段段.csv
  • models/results/pressure/润滑油压力演化周期.csv
  • models/results/common/报警阈值配置.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：

1. 小时等级：每个有效小时的压力等级、趋势、基线和报警信息；
2. 小时阶段段：将连续或相近的同等级小时合并；
3. 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. 运行方法

压力算法不依赖振动代码，公共逻辑在 models/common/。设备号输入、全量/实时模式与告警 落库统一见 全量与实时运行及告警落库.md。

5.1 全量扫描（推荐）

# 按设备号，自动查询起止时间，先清理旧中间/结果再生成，结果写本地
python models/scan_all.py --device 7# 8# 9# --store local

# 本地结果照常生成，并额外写入 compressor_alarm
python models/scan_all.py --device 7# 8# 9# --store db

5.2 单独运行压力算法

# 复用小时中间表
python models/generalized/pressure_algorithm.py \
  --device 7# 8# 9# \
  --hourly-csv models/datas/hourly/pks_hourly_full.csv \
  --output-dir models/results/pressure

# 连库扫描
python models/generalized/pressure_algorithm.py --device 7# 8# 9#

5.3 只分析指定设备

python models/generalized/pressure_algorithm.py \
  --device 8# \
  --hourly-csv models/datas/hourly/pks_hourly_full.csv \
  --output-dir models/results/pressure_8

参数含义与默认值：

参数	含义	默认值
--device	压缩机编号，可多选，如 7# 8# 9#	7# 8# 9#
--start / --end	扫描起止（连库模式）	自动：floor(最小)..floor(最大)+1h
--chunk-days	每个查询块的天数	14
--hourly-csv	复用小时中间表，不查库	无
--output-dir	输出目录	models/results/pressure

说明：设备经 compressor_data_import.directory_path 解析到 PKS 批次；算法内部仍按批次 划分周期，因此本地结果与历史 CSV 逐字节一致。

6. 结果解读建议（润滑油压力）

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

7. 重要限制

8. 重要限制

1. 算法输出的是异常候选和演化阶段，不是最终故障诊断。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。