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。

当前 v2：压力标签 61 条（7号 0、8号 61、9号 0）。在 100% 方案的 0 点/部分掉点过滤上，新增“开机恢复瞬态”剔除规则；0 点、部分掉点和开机瞬态小时均不进入正常训练样本。

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/pressure/压力开机恢复剔除标签.csv
- models/results/pressure/压力开机恢复剔除小时.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；
油压 0 值样本数 oil_zero_count 及 0 值比例 oil_zero_ratio；
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

同时，以下小时不参与压力周期、趋势、标签和正常样本：

oil_avg <= 0                                  → 0 MPa 无效小时
oil_zero_ratio >= 5%
且相邻小时 oil_zero_ratio >= 50%              → 部分掉点无效小时

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；
oil_avg <= 0 和部分掉点小时先被剔除，再划分周期。

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 个连续 1 小时步长的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。跨掉点、缺失或停机缺口的小时不能参与斜率，连续点少于 3 个时斜率为空。

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 个连续有效小时斜率 < -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 前置下降与开机恢复瞬态

前置下降：

连续下降 >= 6 个连续有效小时
且 6 小时斜率 < -0.001
且相对周期基线下降不足 5%
→ 该小时并入后面的轻微阶段，阶段起点前移

开机恢复瞬态（v2 新增）：

只检查开机后 24 小时内出现的候选阶段；
候选阶段结束后，要求连续至少 12 个有效小时恢复到周期基线 95% 以上，且无低报警；
满足则删除该标签，并把开机到稳定恢复前的小时排除出正常训练样本；
不满足则保留标签。

该规则不使用“开机后固定剔除 N 小时”的方式；必须观察到稳定恢复才删除。

4.8 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

v2 额外输出：

压力开机恢复剔除标签.csv：被删除的开机恢复瞬态标签、稳定恢复开始小时和连续稳定小时数；
压力开机恢复剔除小时.csv：从开机到稳定恢复前被排除出正常训练的小时。

4.9 当前结果

压力标签：61 条（轻微 56、异常 4、严重异常 1）
7号机 0、8号机 61、9号机 0
开机恢复瞬态剔除：3 条标签 / 14 小时

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

# 同时写入模型异常概率参考（viewer 告警详情显示）
python models/scan_all.py --device 7# 8# 9# --store db --with-model

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，因此本地结果的基础列与历史 CSV 对应；v2 以当前 reference 为准。

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

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。
v2 中 7 号机、9 号机压力标签均为 0，不能评估这两台机组的压力异常召回。
压力异常测试窗口全部来自 8 号机，分机组结果只能作为参考。
标签来自规则扫描阶段，未经维修记录或人工确认，不等同于物理故障诊断。

压力算法说明.md 10 KB История Исходник