deploy_pickup/config/yaml_backup/rtsp_config_xishan.yaml

# ============================================================
# 锡山中荷 水厂配置文件
# ============================================================
# 使用方法：python tool/migrate_yaml_to_db.py --yaml 本文件路径 --force
# 导入后可通过 API（:8080）在线修改，无需再编辑此文件
# ============================================================

# ----------------------------------------------------------
# 水厂列表（一个 YAML 文件只配一个水厂）
# ----------------------------------------------------------
plants:
- name: 锡山中荷                    # 水厂名称（用于日志和推送显示）
  enabled: true                     # 是否启用该水厂的检测
  project_id: 92                    # 平台项目 ID（推送接口需要）

  # 流量 PLC 映射（泵名称 -> PLC 地址，用于辅助判断运行状态）
  # key = pump_name（与 rtsp_streams 中的 pump_name 对应）
  flow_plc:
    A: C.M.RO1_FT_JS@out            # A 泵进水流量点位
    B: C.M.RO2_FT_JS@out
    C: C.M.RO3_FT_JS@out
    D: C.M.RO4_FT_JS@out

  # 泵状态 PLC 点位（判断泵启停，启停后进入 15 分钟过渡期不检测）
  # key = pump_name, value = 点位列表
  # point: SCADA 系统中的点位地址, val=1 表示运行, val=0 表示停机
  pump_status_plc:
    A:
    - point: C.M.RO1_GYB@run
      name: RO高压泵A                # 显示名称（用于日志）
    B:
    - point: C.M.RO2_GYB@run
      name: RO高压泵B
    C:
    - point: C.M.RO3_GYB@run
      name: RO高压泵C
    D:
    - point: C.M.RO4_GYB@run
      name: RO高压泵D

  # RTSP 拾音器流列表（每个流 = 一台拾音器 = 一个检测点）
  rtsp_streams:
  - name: RO高压泵A                  # 拾音器名称（日志和推送显示）
    url: rtsp://admin:hao123456@192.168.31.240:554/cam/realmonitor?channel=38&subtype=0  # RTSP 地址
    channel: 38                      # 通道号
    device_code: 1#-1                # 设备编码（唯一标识，训练数据文件夹名、模型目录名）
    pump_name: A                     # 关联的泵名称（对应 pump_status_plc 的 key）
    # model_subdir: 1#-1             # 模型子目录（默认 = device_code，一般无需指定）
  - name: RO高压泵B
    url: rtsp://admin:hao123456@192.168.31.240:554/cam/realmonitor?channel=41&subtype=0
    channel: 41
    device_code: 1#-2
    pump_name: B
  - name: RO高压泵C
    url: rtsp://admin:hao123456@192.168.31.240:554/cam/realmonitor?channel=42&subtype=0
    channel: 42
    device_code: 1#-3
    pump_name: C
  - name: RO高压泵D
    url: rtsp://admin:hao123456@192.168.31.240:554/cam/realmonitor?channel=43&subtype=0
    channel: 43
    device_code: 1#-4
    pump_name: D

# ----------------------------------------------------------
# 音频采集参数
# ----------------------------------------------------------
audio:
  sample_rate: 16000                 # 采样率 Hz（必须与训练时一致，勿改）
  file_duration: 60                  # 每个音频文件时长（秒）
  segment_duration: 60               # FFmpeg 切片时长（秒）
  auto_cleanup:                      # 自动清理旧音频（节省磁盘）
    enabled: true
    delete_normal: true              # 删除正常检测的音频
    keep_recent_count: 100           # 每设备保留最近 100 个文件

# ----------------------------------------------------------
# 异常检测参数
# ----------------------------------------------------------
prediction:
  batch_size: 64                     # 推理批大小
  check_interval: 1.0               # 检查新文件间隔（秒）
  default_threshold: 0.01           # 默认阈值（模型未加载时使用）
  voting:                            # 滑动窗口投票（减少误报）
    enabled: true
    window_size: 5                   # 窗口大小（5 个检测周期，约 5 分钟）
    threshold: 3                     # 5 次中 3 次异常才判定为异常
  frequency_history:                 # 误差频率统计
    enabled: true
    history_minutes: 10              # 统计最近 10 分钟的异常频率
  energy_detection:                  # 音频能量检测（无 PLC 时用于判断泵启停）
    enabled: true
    skip_when_stopped: true          # 泵停机时跳过检测
  save_anomaly_audio:                # 保存异常音频（用于后续分析/训练）
    enabled: true
    save_dir: data/anomaly_detected
    cooldown_minutes: 15             # 同一设备异常音频保存冷却（避免重复保存）
    context_capture:                 # 上下文捕获（保存异常前后的音频）
      enabled: true
      pre_minutes: 2                 # 异常前 2 分钟
      post_minutes: 2               # 异常后 2 分钟

# ----------------------------------------------------------
# 推送通知
# ----------------------------------------------------------
push_notification:
  enabled: true                      # 总开关
  alert_enabled: false               # 是否推送告警（false = 只推心跳，不推异常告警）
  push_base_urls:                    # 推送基地址列表（每个 base_url/{project_id} 拼接）
    - label: "外网"                   # 标签（日志显示）
      url: "http://120.55.44.4:8900/api/v1/dumu/push-msg"
    - label: "内网"
      url: "http://192.168.60.8:8900/api/v1/dumu/push-msg"
  timeout: 30                        # HTTP 超时（秒）
  retry_count: 2                     # 失败重试次数
  cooldown_minutes: 15               # 同设备告警冷却时间（分钟）
  cooldown_same_type_hours: 24       # 同类型异常冷却（小时）
  cooldown_diff_type_hours: 1        # 不同类型异常冷却（小时）
  alert_aggregate:                   # 跨设备聚合告警
    enabled: true
    window_seconds: 300              # 聚合窗口（秒）
    min_devices: 2                   # 至少 2 台设备同时异常才触发聚合告警

# ----------------------------------------------------------
# 项目模式调度（参观/检修/调试模式下自动暂停异响检测）
# ----------------------------------------------------------
project_mode:
  base_url: http://120.55.44.4:8900    # 平台 API 根地址
  poll_interval: 60                     # 查询间隔（秒）
  request_timeout: 10                   # 请求超时（秒）

# ----------------------------------------------------------
# SCADA/PLC 接口（泵状态查询）
# ----------------------------------------------------------
scada_api:
  enabled: true                      # 是否启用 PLC 查询（false 时用音频能量判断启停）
  base_url: http://120.55.44.4:8900/api/v1/jinke-cloud/db/device/history-data    # 历史数据接口
  realtime_url: http://120.55.44.4:8900/api/v1/jinke-cloud/device/current-data  # 实时数据接口
  jwt_token: eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJJRCI6NywiVXNlcm5hbWUiOiJhZG1pbiIsIkRlcCI6IjEzNSIsImV4cCI6MTc3NjExOTExNCwiaXNzIjoiZ2luLWJsb2cifQ.0HTtzHZjyd2mHo8VCy8icYROxmntRMuQhyoZsAYRL_M
  timeout: 10                        # 查询超时（秒）

# ----------------------------------------------------------
# 人体检测抑制（有人在设备旁时抑制告警，减少误报）
# ----------------------------------------------------------
human_detection:
  enabled: false                     # 是否启用（需要独立的人体检测服务）
  db_path: /data/human_detector/detection_status.db  # 人体检测状态 DB 路径
  cooldown_minutes: 5                # 检测到有人后抑制告警的时间（分钟）


# ----------------------------------------------------------
# 自动增量训练
# ----------------------------------------------------------
auto_training:
  enabled: True                      # 总开关（暂时关闭自动增训）
  data:
    keep_normal_days: 7               # 正常音频保留天数
    keep_anomaly_days: -1             # 异常音频保留天数（-1=永久）
    cleanup_time: "00:00"             # 每日清理时间（0点）
  incremental:
    enabled: true
    schedule_time: "18:00"            # 每日训练时间
    use_days_ago: 1                   # 使用N天前的数据（1=昨天）
    sample_hours: 1                   # 随机采样时长（小时），0=使用全部
    min_samples: 50                   # 最少样本数，不足则跳过
    epochs: 30                        # 训练轮数（配合早停，实际通常更少）
    learning_rate: 0.0001             # 学习率
    batch_size: 32                    # 批大小（降低显存占用）
    early_stop_patience: 5            # 早停耐心值：连续N轮loss无改善则停止
    training_device: auto
    min_gpu_mem_mb: 512               # auto模式下GPU空闲显存低于此值(MB)时回退CPU
  model:
    backup_before_train: true         # 训练前备份
    keep_backups: 7                   # 保留备份数量
    auto_deploy: true                 # 自动部署新模型
    update_thresholds: true           # 训练后更新阈值npy
    rollback_on_degradation: true     # 训练后损失异常时自动回滚到备份
    rollback_factor: 2.0              # 新模型损失 > 旧阈值 * 此因子则判定为退化
  validation:
    enabled: true
  cold_start:
    enabled: true
    wait_hours: 2                     # 等待收集数据时长
    min_samples: 100                  # 最少样本数