1.诊断模型增加手动模式

models/Dynamic_anomaly_diagnosis/output_format.txt

@@ -0,0 +1,5 @@
+输入按照input_format.txt文件中的变量输入（跟原来一样，不变），输入为过去2h的数据（1800条数据），40min的数据也能正常运行，但是动态范围计算可能存在问题
+输出分为三种情况：输入数据时间不足（至少大于40min）；无异常；存在异常，给出异常的诱发变量，异常路径和根因变量
+添加手动模式（默认为自动模式），除了原始时序数据，增加参数mode，和manual_trigger
+锡山手动触发变量：UF1Per，UF2Per，UF3Per，UF4Per，C.M.RO1_DB@DPT_1，C.M.RO2_DB@DPT_1，C.M.RO3_DB@DPT_1，C.M.RO4_DB@DPT_1，C.M.RO1_DB@DPT_2，C.M.RO2_DB@DPT_2，C.M.RO3_DB@DPT_2，C.M.RO4_DB@DPT_2
+龙亭手动触发变量：UF1Per，UF2Per，ns=3;s=RO1_1D_YC，ns=3;s=RO2_1D_YC，ns=3;s=RO1_2D_YC，ns=3;s=RO2_2D_YC

models/Dynamic_anomaly_diagnosis/test.py

@@ -59,9 +59,12 @@ class WaterPlantDiagnoser:
             print(f"数据预处理错误: {e}")
             return None
 
-    def api_predict(self, df_raw):
+    def api_predict(self, df_raw, mode='auto', manual_trigger=None):
         """
         对外接口: 每次输入过去2小时的数据，取最新的40分钟进行诊断
+        :param df_raw: 原始DataFrame数据
+        :param mode: 'auto'为自动触发模式, 'manual'为手动指定触发模式
+        :param manual_trigger: 当mode='manual'时生效，指定诱发变量的ID
         """
         # --- Layer 1: 数据预处理 ---
         df_resampled = self._preprocess_dataframe(df_raw)
@@ -113,12 +116,26 @@ class WaterPlantDiagnoser:
         results = []
         active_triggers = []
         
-        for t_name in config.TRIGGER_SENSORS:
-            if t_name in self.causal_graph['sensor_to_idx']:
-                idx = self.causal_graph['sensor_to_idx'][t_name]
-                score = current_window_scores[idx]
-                if score > config.TRIGGER_SCORE_THRESH:
-                    active_triggers.append((t_name, idx, score))
+        # 根据模式判定触发列表
+        if mode == 'auto':
+            for t_name in config.TRIGGER_SENSORS:
+                if t_name in self.causal_graph['sensor_to_idx']:
+                    idx = self.causal_graph['sensor_to_idx'][t_name]
+                    score = current_window_scores[idx]
+                    if score > config.TRIGGER_SCORE_THRESH:
+                        active_triggers.append((t_name, idx, score))
+        elif mode == 'manual':
+            if not manual_trigger:
+                return {"status": "error", "message": "手动模式下必须提供 manual_trigger 参数"}
+            if manual_trigger not in self.causal_graph['sensor_to_idx']:
+                return {"status": "error", "message": f"指定的诱发变量 {manual_trigger} 不在设备/传感器列表中"}
+                
+            # 手动模式：强制加入触发列表，不检测得分阈值
+            idx = self.causal_graph['sensor_to_idx'][manual_trigger]
+            score = current_window_scores[idx]
+            active_triggers.append((manual_trigger, idx, score))
+        else:
+            return {"status": "error", "message": f"未知的诊断模式: {mode}"}
 
         if not active_triggers:
             return {
@@ -227,8 +244,10 @@ class WaterPlantDiagnoser:
                     "deviation": dev_str
                 })
             
-            #  除诱发变量外，只要有 >= 1 个节点异常即触发溯源报警
-            if abnormal_other_nodes_count >= 1:
+            # 判断是否将本链路加入返回结果
+            # 自动模式下要求：除诱发变量外，至少有 >= 1 个额外节点异常
+            # 手动模式下要求：无视拦截规则，强制返回链路用于排查
+            if mode == 'manual' or abnormal_other_nodes_count >= 1:
                 results.append({
                     "trigger": t_name,
                     "path": " -> ".join(path_names),
@@ -236,7 +255,7 @@ class WaterPlantDiagnoser:
                     "details": path_details
                 })
             
-        # 若所有触发链路均不满足 >= 1 个额外异常节点的条件
+        # 若所有触发链路均不满足 >= 1 个额外异常节点的条件 (仅在auto模式下发生)
         if not results:
             return {
                 "status": "normal",
@@ -244,7 +263,7 @@ class WaterPlantDiagnoser:
             }
             
         return {
-            "status": "abnormal",
+            "status": "manual_traced" if mode == 'manual' else "abnormal",
             "results": results
         }
 
@@ -272,25 +291,28 @@ if __name__ == "__main__":
         if len(df_full) >= CHUNK_SIZE * 3:
             import json
             
-            # 模拟 1：传入 0~2 小时的数据
+            # 模拟 1：传入 0~2 小时的数据（自动模式测试）
             df_sim1 = df_full.iloc[0 : CHUNK_SIZE]
-            print("\n[测试 1] 传入 0~2 小时数据:")
-            print(json.dumps(diagnoser.api_predict(df_sim1), ensure_ascii=False, indent=2))
+            print("\n[测试 1] 传入 0~2 小时数据 (自动模式):")
+            print(json.dumps(diagnoser.api_predict(df_sim1, mode='auto'), ensure_ascii=False, indent=2))
             
-            # 模拟 2：传入 2~4 小时的数据
+            # 模拟 2：传入 2~4 小时的数据（手动模式测试）
             df_sim2 = df_full.iloc[CHUNK_SIZE : CHUNK_SIZE * 2]
-            print("\n[测试 2] 传入 2~4 小时数据:")
-            print(json.dumps(diagnoser.api_predict(df_sim2), ensure_ascii=False, indent=2))
+            print("\n[测试 2] 传入 2~4 小时数据 (手动模式，指定触发):")
+            # 从 config 自动抓取一个诱发变量，或者固定想测试的，如 'UF1Per'
+            test_trigger = config.TRIGGER_SENSORS[0] if len(config.TRIGGER_SENSORS) > 0 else "Unknown"
+            print(json.dumps(diagnoser.api_predict(df_sim2, mode='manual', manual_trigger=test_trigger), ensure_ascii=False, indent=2))
             
-            # 模拟 3：传入末尾 2 小时的数据
+            # 模拟 3：传入末尾 2 小时的数据（自动模式测试）
             df_sim3 = df_full.iloc[-CHUNK_SIZE:]
-            print("\n[测试 3] 传入 4~6 小时数据:")
-            print(json.dumps(diagnoser.api_predict(df_sim3), ensure_ascii=False, indent=2))
+            print("\n[测试 3] 传入 4~6 小时数据 (自动模式):")
+            print(json.dumps(diagnoser.api_predict(df_sim3, mode='auto'), ensure_ascii=False, indent=2))
             
         else:
             import json
-            print("\n数据量不足以做三次两小时模拟，直接进行单次全量模拟：")
-            print(json.dumps(diagnoser.api_predict(df_full), ensure_ascii=False, indent=2))
+            print("\n数据量不足以做三次两小时模拟，直接进行单次全量手动模拟：")
+            test_trigger = config.TRIGGER_SENSORS[0] if len(config.TRIGGER_SENSORS) > 0 else "Unknown"
+            print(json.dumps(diagnoser.api_predict(df_full, mode='manual', manual_trigger=test_trigger), ensure_ascii=False, indent=2))
             
     else:
         print(f"测试文件 {test_file} 不存在，无法执行本地测试。")