全量与实时运行及告警落库

本文档记录压力/振动算法在 models/ 重构后的运行方式：设备号输入、全量/实时模式、 compressor_alarm 存储映射与定时服务。对应代码：models/scan_all.py、 models/realtime_service.py、models/common/devices.py、models/common/alarm_store.py。

1. 设备号输入

统一使用 --device 7# 8# 9#（默认 7# 8# 9#），也兼容 7、7号机。
设备通过 compressor_data_import.directory_path 解析到 PKS 导入批次：

SELECT pls.*
FROM pks_long_sample pls
INNER JOIN compressor_data_import di ON di.id = pls.import_batch_id
WHERE di.data_type = 'PKS' AND di.directory_path = '7#';

7#/8#/9# 分别对应 7/8/9 号机；4#/5#/6# 暂不纳入本算法。
算法内部仍按 批次 划分周期（与历史一致），因此本地全量结果与现有 润滑油压力小时阶段段.csv、振动异常段.csv 逐字节一致。

2. 全量运行

# 本地：自动查询起止时间，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：本地结果照常生成，并额外写入 compressor_alarm
python models/scan_all.py --device 7# 8# 9# --store db

# 开启模型预测参考（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

# 显式时间或复用小时中间表
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

自动时间范围：start = floor(最小 sample_time)，end = floor(最大 sample_time) + 1h （保证最后一个完整整点小时纳入），按设备取范围。
清理策略：运行前删除旧的小时中间表与扫描结果（models/datas/hourly/、 models/results/{common,pressure,vibration} 中的扫描产物），不删除模型测试结果与 models/datas/reference/。
--store db 会按 (device_code, alarm_type ∈ {润滑油压力故障, 振动故障}) 先删除所选设备的旧告警，再插入新段。

3. 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#`	`联轴器端振动` / `链轮端振动`	`YSJ_10` / `YSJ_11`	`振动故障`	振动阶段

每个压力段落 1 行；每个振动段也落 1 行，device_part/device_point 由该段 最强异常侧 决定（链轮端 → YSJ_11，联轴器端 → YSJ_10），与 振动异常段.csv 一行一段对应。
其他字段：
- alarm_des = 阶段触发依据（已迁移为 VARCHAR(4000)）；
- alarm_time_start / alarm_time_end = 开始小时 / 结束小时；
- alarm_info_json = 对应 CSV 行的 JSON（阶段/基线/评分/触发依据/最强异常侧 等全部字段）；
- status = 1；scan_start_time / scan_end_time = 本次扫描范围。
结构迁移：models/migrations/alter_compressor_alarm_alarm_des_4000.sql （ALTER TABLE compressor_alarm MODIFY alarm_des VARCHAR(4000)）。

3.1 模型预测参考（`--with-model`，默认关闭）

定位：模型只提供预测参考数值，不做异常判定，不影响故障段的产生与等级。
方式：对每个故障段内每个有效运行小时取“结尾 3 个有效运行小时”窗口滑动预测一次（段不足 3 小时时窗口向前补有效小时）；整段无法组成窗口则记“数据不足”。
汇总：模型异常概率均值、模型异常概率最大值、模型异常概率最小值。
输出：
- alarm_info_json 增加上述 3 个概率字段及 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，不再追加模型预测参考；
- 本地 润滑油压力小时阶段段.csv / 振动异常段.csv 同步增加这 3 列 + 模型预测参考 列。
训练链路（build_datasets / split / train）完全不受影响；预测复用同一窗口与特征函数。
开启时若 models/datas/artifacts/* 缺失会直接报错，需先运行对应 run_pipeline.py。
默认关闭，不带该参数时结果与 golden 逐字节一致；带该参数时校验按基础列子集比对。

4. 实时运行与合并规则

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

每次 tick：end = min(floor(本机当前时间), floor(最新数据) + 1h)， start = end - lookback（默认 45 天），按设备跑与全量相同的算法得到段。
合并写入：对每段按 (device_code, alarm_type, alarm_level) 找时间重叠、或间隔 ≤6 小时的既有行：
- alarm_time_start = min、alarm_time_end = max，刷新 alarm_des / alarm_info_json / scan_*；
- 合并键不含部件/点位，因此“最强异常侧”在 tick 之间切换也不会把连续段拆开；合并时 device_part/device_point 更新为最新 最强异常侧；
- 同一时刻若新段桥接了两条既有行，会合并为一条（删除多余行）；
- 不同等级（轻微/异常/严重异常）保留为不同行，与阶段 CSV 的行语义一致。
因此“14 点和 15 点属于同一故障段”的场景会持续更新同一行，不会拆开。

5. 定时服务

平台	安装	卸载
macOS	`bash models/service/mac/install.sh`	`bash models/service/mac/uninstall.sh`
Linux	`sudo bash models/service/linux/install.sh`	`sudo bash models/service/linux/uninstall.sh`
Windows	`models\service\windows\install_service.bat`	`models\service\windows\uninstall_service.bat`

均为每 5 分钟执行 python models/realtime_service.py --once；详见 models/service/README.md（含 cron 备选与日志位置）。

6. 冒烟测试与校验

# 顺序模拟多个时刻运行，结束后默认回滚数据库
python models/realtime_service.py --simulate "2026-02-03 20:00:00,2026-02-04 00:00:00"

# 校验本地结果与 golden 一致、DB 行数与 CSV 对应
python models/common/verify.py --with-db

--with-db 会校验 compressor_alarm 行数与参考 CSV 对应：压力 72 行、振动 25 行，共 97 行。

全量与实时运行及告警落库.md 6.6 KB Permalink Histórico Raw