21 KiB
21 KiB
eqpalg 算法模板功能阐述文档
基于源码阅读，2026-05-15
一、架构总览
继承层次
AlgBase ← 所有算法基类（数据获取、报警发送、线程调度）
├── ExpBase ← 表达式驱动算法基类（表达式求值、反馈状态机、统计学习）
│ ├── ExpTimes ← 运行时间累计 / 出现次数累计（Alg 6/7）
│ ├── ExpSample2D ← 多项式拟合 / 皮尔逊相关系数（Alg 12/13）
│ ├── ExpBound ← 数据超限幅值（Alg 17）
│ ├── Roller2 ← 同组离群监测（Alg 9）
│ └── Roller3 ← 多变量离群检测（Alg 16/18）
├── TrendSlope ← 斜率监控 v1（已废弃，build_algorithm 未使用）
├── TrendSlope2 ← 斜率监控 v2（Alg 8，绝对变化量）
├── TrendSlope3 ← 斜率监控 v3（Alg 14，百分比变化率）
├── Roller ← 负载平衡/离群检测 v1（已废弃，build_algorithm 未使用）
├── FaultCode ← 故障代码解析（Alg 10/11）
├── GlitchDetection ← 毛刺检测（Alg 15）
└── Null ← 空算法（未实现算法的占位符）
算法 ID 与类映射（build_algorithm.cpp）
| Alg ID | 类 | exp_type | 功能 |
|---|---|---|---|
| 1 | ExpBase | 1 | 实时逻辑判断 |
| 2 | ExpBase | 2 | 监控变量-上下限 |
| 3 | ExpBase | 3 | 动作反馈-逻辑判断 |
| 4 | ExpBase | 4 | 动作反馈-上下限 |
| 5 | ExpBase | 5 | 监控变量-上下限-持续 |
| 6 | ExpTimes | 6 | 运行时间累计 |
| 7 | ExpTimes | 7 | 出现次数累计 |
| 8 | TrendSlope2 | - | 斜率监控（绝对变化量） |
| 9 | Roller2 | -1 | 同组离群监测 |
| 10 | FaultCode | 0 | 故障代码1（整体解析） |
| 11 | FaultCode | 1 | 故障代码2（按位解析） |
| 12 | ExpSample2D | 12 | 多项式拟合 |
| 13 | ExpSample2D | 13 | 线性相关性（皮尔逊） |
| 14 | TrendSlope3 | - | 斜率监控（百分比变化率） |
| 15 | GlitchDetection | - | 毛刺检测 |
| 16 | Roller3 | 16 | 多变量离群检测（百分比偏差） |
| 17 | ExpBound | 17 | 数据超限幅值 |
| 18 | Roller3 | 18 | 多变量离群检测（绝对值偏差） |
三种执行进程
每个算法可在三种上下文中运行：
- mon — 实时监控进程（~20ms 周期），从共享内存或 iHyperDB 获取实时数据，执行
exec_mon()产生报警 - task — 按需历史回测进程，从 iHyperDB 获取指定时间范围数据，执行
exec_task()逐时间步长分析 - cron — 定时统计学习进程，周期性收集 mon 进程累积的样本数据，执行 DAA::STA 分布统计并写入 DB2
二、各算法详细阐述
2.1 ExpBase（Alg 1-5）— 表达式驱动算法
继承关系：AlgBase → ExpBase
核心能力：
- 表达式引擎：通过
mix_cc::matheval::Expression解析和执行用户配置的数学表达式 - 变量系统：
mm_vars映射管理所有变量（tag值、pv历史值、s快照值、mv2累积值等） - 动作反馈状态机：支持带反馈的监控流程（开始→保持→结束→超时）
- 统计学习：DAA::STA 分布统计（cron 进程定期学习数据分布区间）
- 双数据源：共享内存（DataSource::MEMORY=1）或 iHyperDB（DataSource::IHDB=0）
五种 exp_type（算法模板）：
Alg 1 — 实时逻辑判断
- 评估前提表达式
exp_act_，若结果为 true 则立即报警 - 无上下限，无统计学习，无反馈流程
- 报警内容来自配置的
output.error
Alg 2 — 监控变量-上下限
- 评估
exp_act_获得当前值，与 [limit_down_, limit_up_] 比较 - 支持自学习模式：
is_learning_=true时将数据喂入 EqpStat → DAA::STA 分布统计 - 支持数据筛选表达式
exp_feedback_（filter_exp），仅满足时才参与统计 - 支持三种检测模式：
- Default：双侧检测（value < limit_down 或 value > limit_up）
- OnlyLeft：仅左边界（-32768 哨兵值表示无左边界 → 仅检测 > limit_up）
- OnlyRight：仅右边界（32768/32767 哨兵值 → 仅检测 < limit_down）
- cron 进程定期将累积样本写入 DB2 的 T_SAMPLE_STAT / T_SAMPLE_MAG
Alg 3 — 动作反馈-逻辑判断
- 包含完整反馈状态机：
act_start_done()：前提条件满足时，记录开始时间 stime，快照各 tag 值（s[n]、mx_tag、mi_tag），初始化 mv2/up/dw 累积变量act_not_hold()：若配置了保持模式（keep_mode），前提条件不满足时退出act_done()：反馈条件满足时，计算结果表达式exp_result_，判断是否报警act_timeout()：超时时重置累积变量
- 无上下限检测，报警基于结果表达式的布尔值或数值
Alg 4 — 动作反馈-上下限
- 结合 Alg 2 和 Alg 3：反馈模式下，动作结束时评估结果值并检查上下限
- 支持
m_timemode：若结果表达式含 "time" 且 exp_type 为 CondBound，报警信息以 ms 为单位 - 支持自学习统计
Alg 5 — 监控变量-上下限-持续
- 类似 Alg 2，但增加
hold_time_参数 - 前提条件满足且值超限后，需持续超限超过 hold_time_ 才报警
- 若值在 hold_time_ 内恢复正常，重置计时
- 报警后将计时器重置
关键逻辑细节：
-
变量刷新：
- 共享内存模式：每次执行时将当前 tag 值存入 mm_vars["tagN"]，旧值存入 mm_vars["pN"]（前一周期值），pv 历史（pvN_0~pvN_5）循环移位
- iHyperDB 模式：遍历 queried_data_ 每行数据，逐行设置变量后调用 mon_proc
-
首次填充（first_fill_mm_vars）：
- 将所有 pv 历史值（pvN_0~pvN_5）初始化为当前值，避免程序冷启动时差值计算异常
- 共享内存模式直接读当前值，iHyperDB 模式查询最近 10 秒数据
-
hold(n,T) 函数：表达式支持
hold_N_HE子串，解析后在指定时间 T 分钟内保持 tag 值，用于防抖
2.2 ExpBound（Alg 17）— 数据超限幅值
继承关系：AlgBase → ExpBase → ExpBound
功能描述：
- 监控单个表达式值是否超过预定义阈值
- 支持两级报警：Warning 和 Error
- 配置中指定
limit_warn（警告阈值）和limit_error（报警阈值）
执行流程（mon_proc）：
- 检查前提条件表达式
exp_feedback_（filter_exp），不满足直接返回（无报警） - 评估主表达式
exp_act_获取当前值 - 若当前值 > limit_warn_ → 报警
- 若 > limit_error_ → ERROR 级别
- 否则 → WARN 级别
初始化特殊性：
limit_down_被设为哨兵值 -32768，实际仅检测上限- 初始化时检查
limit_warn_ > limit_error_，若不符合则标记配置错误
2.3 ExpTimes（Alg 6/7）— 时间/次数累计
继承关系：AlgBase → ExpBase → ExpTimes
功能描述：
-
Alg 6（HoldTimeAcc）— 运行时间累计：
- 前提条件满足时开始计时，不满足时停止计时
- 累计运行时间（单位：小时），
running_time += time/3600000（ms→h 换算） - 若单次持续超过
rw_time_（默认10分钟），自动分段写入防止数据丢失 - 阈值单位：limit_time（小时）
-
Alg 7（OccTimesAcc）— 出现次数累计：
- 每次前提条件满足时累加 1
- 阈值单位：limit_times（次）
持久化机制：
- mon 进程：通过
AsyncDbWorker异步投递到后台线程写入 DB2（T_RULE_SAMPLE_1D 表），不阻塞 20ms 主循环 - rw_time_ 控制写入周期（默认10分钟），防止频繁 I/O
- 同时更新共享内存 RuleStatShm 供 UI 读取
- 支持防溢出：累计值接近
unsigned long::max()/double::max()时停止累计
初始化恢复：
- 从 DB2 T_RULE_SAMPLE_1D 表读取上次持久化的累计值，实现进程重启后数据恢复
2.4 TrendSlope2（Alg 8）— 斜率监控（绝对变化量）
继承关系：AlgBase → TrendSlope2
功能描述：
- 监控单个 tag 在多个等间隔时间窗口内的均值变化趋势
- 检测是否存在连续 N 次的斜率超限
配置参数：
interval_time：查询均值的窗口时长（分钟，转为秒）deltaX：时间步长（分钟，转为秒）CS_AVG_SIZE：连续检测次数diff：斜率阈值（绝对变化量）need_tag：指定监控的 tag（格式 "tagN"，解析为列索引）
执行流程（exec_mon）：
- 固定回退 60 秒：
now_time_ = system_clock::now() - 60s - 从
now_time_ - deltaX * CS_AVG_SIZE开始，共查询 CS_AVG_SIZE+1 个窗口的均值 - 逐对计算相邻窗口间的斜率：
f_slope ≈ (avg[i] - avg[i-1])（四舍五入到3位小数） - 若任一对斜率未超限 → 立即退出，不报警（所有对必须连续超限）
- 若连续 CS_AVG_SIZE 对全部超限 → 报警
与原始 TrendSlope 的差异：
- 原始 TrendSlope：固定6个窗口，需3次连续超限
- TrendSlope2：可配置窗口数和连续次数，但要求 ALL 连续超限（更严格）
存在的潜在问题：
- ⚠️
exec_mon()首行now_time_ = system_clock::now() - 60s会覆盖exec_task()循环中设置的this->now_time_，导致 task 模式的时间参数被忽略
2.5 TrendSlope3（Alg 14）— 斜率监控（百分比变化率）
继承关系：AlgBase → TrendSlope3
功能描述：
- 与 TrendSlope2 结构几乎相同，核心差异在于斜率计算方式
- 使用百分比变化率而非绝对变化量
与 TrendSlope2 的关键差异：
- 斜率比较方式：
- TrendSlope2：直接比较
f_slope > limit_slope_（绝对量） - TrendSlope3：比较
f_slope > abs(limit_slope_ * avg[i-1] / 100)（limit_slope_ % × 前值）
- TrendSlope2：直接比较
- f_slope_max 计算：
- TrendSlope2：取绝对斜率最大值
- TrendSlope3：取百分比变化最大值
100 * f_slope / avg[i-1]，若前值为0则取绝对斜率
存在的潜在问题：
- ⚠️ 同样存在
now_time_ = system_clock::now() - 60s覆盖 task 时间的问题
2.6 Roller（Alg 9 v1，已废弃）— 负载平衡/离群检测
继承关系：AlgBase → Roller
状态：build_algorithm.cpp 中 Alg 9 已映射到 Roller2，此算法仅保留源码未使用
原功能：
- 查询多个 tag 在 interval_time 内的均值
- 计算去头尾均值（去掉最大值和最小值后的均值）
- 迭代寻找偏离均值超过 error_diff_% 的 tag
- 每次迭代只标记并移除一个最异常的 tag，继续检测剩余 tag
2.7 Roller2（Alg 9）— 同组离群监测
继承关系：AlgBase → ExpBase → Roller2
功能描述：
- 对多组表达式（X1~X9，最多9个）分别求值，检测是否有值偏离组均值超过阈值
- 先评估前提表达式 pre_exp，不满足则跳过本轮检测
执行流程（mon_proc）：
- 调用
refresh_var_result()评估所有表达式 - 若 pre_exp 条件不满足，直接返回
- 计算所有 X 值的均值：
avg = sum(X_values) / Xsize - 动态计算上下限：
[avg - |avg| * limit_over_, avg + |avg| * limit_over_] - 遍历每个 X 值，若有超限则报警（指出具体哪个变量异常）
配置：
- limit_over_：百分比阈值（从配置的百分数除以100转为小数）
- 每个表达式可配置 name（中文名称），报警消息中包含
2.8 Roller3（Alg 16/18）— 多变量离群检测
继承关系：AlgBase → ExpBase → Roller3
功能描述：
- 对多个 tag 的实时值进行中位数离群检测
- 支持两种模式：百分比偏差（Alg 16）和绝对值偏差（Alg 18/OuterAct）
执行流程（mon_proc）：
- 检查前提条件
exp_act_（pre_exp），不满足则返回 - 从 mm_vars 读取各 tag 的绝对值
- 计算中位数 median_
- 根据 exp_type 计算允许偏差：
- Alg 16（百分比）：
deviation = |median| * limit_% * 0.01 - Alg 18（绝对值）：
deviation = limit_value（直接使用 limit 值）
- Alg 16（百分比）：
- 计算每个 tag 值与中位数的偏差
- 找到最大偏差的 tag
报警逻辑（无持续时间要求，hold_time ≤ delay_time）：
- 检测最大偏差的 tag 值是否超出 [median - deviationWarn, median + deviationWarn]
- 超出 warn 阈值 → WARN 级别
- 超出 error 阈值 → ERROR 级别
报警逻辑（有持续时间要求）：
- 为每个 tag 维护状态机（last_alarm_state, last_start_time）
- 连续超限且持续时间 > hold_time_ → 报警
- 若超限方向（上升/下降）改变，重新计时
工具函数：
extractTagNumbers(expr)：从 "tag1+tag2+…" 字符串中提取 tag 序号calculateMedian(data)：排序后取中位数findMaxWithIndex(vec)：返回最大值及其下标get_up_down(value, is_up)：基于 detect_mode 修正上下限（处理哨兵值）detect_up_down(value)：判断值的超限状态
2.9 FaultCode（Alg 10/11）— 故障代码解析
继承关系：AlgBase → FaultCode
功能描述：
- 从共享内存读取故障代码整数值，查表转换为可读的故障名称和描述
- 两种解析模式：
Alg 10（code_type=0）— 整体解析：
- 将故障代码作为整体在 map2fcode_ 中查找
- 若找到且启用（is_usable），返回故障名称+描述
- 若故障代码为 0 或不在表中 → 不报警
Alg 11（code_type=1）— 按位解析：
- 对故障代码的 bit 0~15 逐位检查
- 每个置位且启用的 bit 对应的故障信息追加到报警消息
- 只要有任一启用的 bit 置位即报警
初始化：
- 从 DB2 T_LOV_FCODE 表加载故障代码映射表（按 code_type 过滤）
- 若查询失败或为空 → is_valid_=false，后续 mon 不执行
2.10 GlitchDetection（Alg 15）— 毛刺检测
继承关系：AlgBase → GlitchDetection
功能描述：
- 累积指定长度的数据序列（dataX 表达式值），满后发送至 Python 分析模块进行毛刺检测
- 本身不做任何报警判断，报警由 Python 端生成
执行流程（exec_mon）：
- 每次调用将当前 dataX 值写入
data_[data_index_]，索引递增 - 当
data_index_ >= data_size_（数据收集完成）：- 将数据通过 ProxPy（Python代理）插入共享缓存
- 通过 ProxPy 发送 JSON 参数（ruleid、时间范围、报警内容、glitch_per 等）到 Python 的 "glitch" 处理函数
- 重置 data_index_=0，开始新一轮收集
前提条件处理：
- get_prr() 重写：若前提条件不满足，重置 data_index_ 和起始时间（丢弃已收集的部分数据）
配置参数：
- dataX：监控变量的表达式
- lenth：数据序列长度（钳制在 [100, MAXLEN]）
2.11 ExpSample2D（Alg 12/13）— 二维样本分析
继承关系：AlgBase → ExpBase → ExpSample2D
功能描述：
Alg 12（PolyFit）— 多项式拟合
- task 进程：从 iHyperDB 查询历史数据，收集样本 (X, Y)，使用 DAA::LSM 最小二乘法进行多项式拟合（1~9阶），选出最优拟合阶数，将拟合系数和样本存入 DB2
- mon 进程：代入当前 X 值使用拟合系数计算预测 Y_Fit，若实际 Y 偏离 Y_Fit 超过 scale_% → 报警
Alg 13（PEAR）— 皮尔逊相关系数
- task 进程：同 PolyFit，样本收集后计算 Pearson 相关系数，存储到 DB2
- mon 进程：
- 累积样本直到达到 min_len_（1000~200000）
- 样本量不足时：前提条件满足则追加样本
- 样本量足够后：计算当前 Pearson 相关系数，与从 DB2 加载的基准 pear_coefs_ 比较，偏差超过 scale_% → 报警
- 计算后清空样本重新累积
PearValue 函数细节：
- 使用 Eigen 向量化计算
- 计算 σ_x, σ_y, σ_xy
- ⚠️ 离散度检查：若
σ_x/m1 > 1或σ_y/m2 > 1→ 返回正常相关系数；否则返回 2（无效值）。即要求变异系数 CV > 1（标准差超过均值）才认为数据有效。此阈值可能过于严格。
2.12 TrendSlope（v1，已废弃）
继承关系：AlgBase → TrendSlope
状态：build_algorithm.cpp 中未使用，Alg 8 已映射到 TrendSlope2
原功能：
- 固定6个窗口（CS_AVG_SIZE=6），需连续3次斜率超限才报警
- 使用 iHyperDB 的 HD3_STATS_TYPE_ARITH_MEAN 直接获取均值（无需查询原始数据）
- 斜率按绝对变化量比较
2.13 Null — 空算法
继承关系：AlgBase → Null
功能：所有虚函数返回空值/0，用于未实现算法的占位符
三、关键公共机制
3.1 动作反馈状态机（ExpBase 内）
适用于 Alg 3/4 及所有继承 ExpBase 且 feedback_mode_=true 的算法：
前提条件满足(act_triggered_)
→ act_start_done(): 记录 stime, 快照 tagN→sN, 初始化 mv2/up/dw 变量
→ 持续监控中...
→ act_not_hold(): keep_mode=1且前提条件不满足 → 退出
→ act_timeout(): 超时 → 重置, 可选报警
→ act_done(): 反馈条件满足 → 计算结果表达式, 判断超限/报警
关键变量及其含义（用于表达式中）：
tagN：第N个tag当前值pN：第N个tag上一周期值sN：动作开始时刻第N个tag值（快照）stime：动作开始时间（epoch ms）time：动作已持续时间（ms），即now - stimenow：当前时间（epoch ms）etime：动作结束时间（ms）mx_tagN：动作期间 tagN 最大值mi_tagN：动作期间 tagN 最小值mv2_tagN：动作期间 tagN==1 的累计次数（上升沿/布尔累计）mv2_pN：动作期间 pN==1 的累计次数up_tagN：动作期间 pN==0 且 tagN==1 的次数dw_tagN：动作期间 pN==1 且 tagN==0 的次数pvN_0~pvN_5：tagN 最近6个周期的历史值
3.2 统计学习（DAA::STA）
适用于 Alg 2/4/5（有上下限且启用自学习的算法）：
- mon 进程：每次执行将当前值通过
SingletonTemp<EqpStat>写入共享内存累积 - cron 进程：周期性读取累积值，喂入
DAA::STA分布对象：- 首次（未初始化）：计算数据范围，用
range/STA_SIZE_MIN初始化分布 - 后续：逐条
dist_add() - 完成后
store_db2()持久化
- 首次（未初始化）：计算数据范围，用
- 自学习区间更新：
reload_ci_dist()根据 dist_mode：- 0（手动）：不自动更新，使用配置的固定上下限
- 1（在线）：从 T_RULE_FEATURE 表读取在线学习结果
- 2（离线）：从 T_SAMPLE_MAG 表读取离线分析结果
3.3 数据来源
- DataSource::MEMORY（1）：从共享内存
GlobaltemSharedMemory实时读取 tag 值 - DataSource::IHDB（0）：从 iHyperDB 查询历史/实时数据
- 查询使用
interval_time周期窗口 - 支持 delay_time 补偿（对齐数据到达延迟）
- TrendSlope 系列固定使用 IHDB 数据源
- 查询使用
3.4 前提条件（PRR）
- 所有算法继承自 AlgBase 的 PRR 机制
prr_字段：1=有条件，0=无条件- 条件不满足时算法跳过本次执行（exec_mon 在 AlgBase 层即返回）
四、发现的潜在问题
4.1 ⚠️ TrendSlope2/TrendSlope3 exec_mon 中的硬编码时间偏移
位置：trend_slope2.cpp:90, trend_slope3.cpp:84
now_time_ = system_clock::now() - 60s;
此行在 exec_mon() 首行执行，会覆盖 exec_task() 循环中设置的 this->now_time_。导致 task 模式的逐时间步长遍历实际上每次都使用实时系统时间（减60秒），历史数据的 task 回测可能不准确。
4.2 ⚠️ ExpSample2D::PearValue 的离散度检查可能过于严格
位置：exp_sample2D.cc:274
if (dis1 > 1 || dis2 > 1) {
return sigma12 / sqrt(sigma1 * sigma2); // 正常计算
} else {
return 2; // 标记为无效
}
只有当变异系数 CV > 1（标准差 > 均值）时才返回有效相关系数。对于很多实际场景，CV < 1 的数据可能仍有有意义的相关系数。此逻辑可能导致大量有效样本被丢弃。
4.3 Roller3 中 exp_result_ 可能未被使用
位置：roller3.cpp:323-335
init_X_exp() 中将 tags_exp_（如 "tag1+tag2+tag3"）编译为 exp_result_，但 mon_proc() 中并未调用 exp_result_->evaluate()，而是直接从 mm_vars 读取 tag 值。此表达式创建后被闲置。
4.4 Roller2 init_X_exp 中 feedback_mode_ 设置
位置：roller2.cpp:123
循环中每次迭代设置 feedback_mode_ = true，但 Roller2 不使用 ExpBase 的反馈状态机，此字段对其行为无影响，但属于语义不准确的标记。
4.5 TrendSlope v1 / Roller v1 保留但未使用
trend_slope.cpp/h 和 roller.cpp/h 仍存在于源码中，但 build_algorithm.cpp 已将 Alg 8/9 映射到 v2 版本。这些文件可能可以标记为废弃或移入 .do_not_use。
4.6 TrendSlope2 报警条件比 TrendSlope 更严格
- TrendSlope：6次检查中至少3次连续超限即可报警
- TrendSlope2：要求配置的 CS_AVG_SIZE 次检查全部连续超限（任一不满足即退出且不报警） 这可能导致 TrendSlope2 对短暂波动过于敏感（？）—— 实际上，由于要求所有检查都超限，它对偶发波动是欠敏感的。这种差异可能是预期的设计意图，但值得确认。