【ML backend】温度样本多标签预测

ml-backends/temperature_annotation/Dockerfile

@@ -0,0 +1,34 @@
+# 温度标注ML Backend的Docker配置
+# 基于Python 3.9构建
+
+FROM python:3.9-slim
+
+WORKDIR /app
+
+# 设置环境变量
+ENV PYTHONUNBUFFERED=1 \
+    PYTHONDONTWRITEBYTECODE=1 \
+    PORT=9090 \
+    WORKERS=1 \
+    THREADS=8
+
+# 安装系统依赖
+RUN apt-get update && apt-get install -y \
+    git \
+    && rm -rf /var/lib/apt/lists/*
+
+# 复制依赖文件
+COPY requirements.txt .
+COPY requirements-base.txt .
+
+# 安装Python依赖
+RUN pip install --no-cache-dir -r requirements.txt
+
+# 复制应用代码
+COPY . .
+
+# 暴露端口
+EXPOSE 9090
+
+# 启动命令
+CMD ["python", "_wsgi.py", "--host", "0.0.0.0", "--port", "9090"]

ml-backends/temperature_annotation/README.md

@@ -0,0 +1,197 @@
+# Temperature Annotation ML Backend
+
+这是一个专门用于托卡马克等离子体温度数据标注的ML Backend，支持温度特征识别、异常检测和智能标注。
+
+## 功能特性
+
+- **温度特征识别**: 自动检测温度上升、下降、峰值等关键阶段
+- **异常事件检测**: 识别温度突变、骤降等异常情况
+- **多通道支持**: 支持多个温度测量通道的并行分析
+- **自适应阈值**: 基于人工标注自动优化检测阈值
+- **实时预测**: 基于Label Studio ML Backend架构的实时预测服务
+
+## 核心算法
+
+### 温度阶段检测
+- **上升阶段**: 检测温度超过阈值的持续上升区间
+- **峰值时刻**: 基于梯度变化检测温度峰值点
+- **下降阶段**: 识别温度低于阈值的下降区间
+- **平台期**: 检测温度相对稳定的平台阶段
+
+### 异常检测
+- **温度突变**: 基于滑动窗口统计检测异常温度变化
+- **温度骤降**: 识别温度快速下降的异常事件
+
+### 阈值优化
+- 支持基于人工标注的自适应阈值调整
+- 动态学习不同实验条件下的最佳参数
+
+## 快速开始
+
+### 使用Docker运行 (推荐)
+
+1. 启动ML Backend服务:
+
+```bash
+docker-compose up
+```
+
+2. 验证服务运行状态:
+
+```bash
+curl http://localhost:9090/health
+# 返回: {"status":"healthy","model_version":"temperature_v1.0",...}
+```
+
+3. 在Label Studio中连接后端: 
+   进入项目设置 -> Machine Learning -> Add Model，指定URL为 `http://localhost:9090`
+
+### 从源码构建
+
+```bash
+docker-compose build
+```
+
+### 不使用Docker运行
+
+```bash
+python -m venv temperature-ml-backend
+source temperature-ml-backend/bin/activate  # Windows: temperature-ml-backend\Scripts\activate
+pip install -r requirements.txt
+python _wsgi.py
+```
+
+## 配置参数
+
+在 `config.json` 中可以设置以下参数:
+
+### 温度阈值设置
+- `temp_rise_threshold`: 温度上升阈值 (默认1000.0 eV)
+- `temp_fall_threshold`: 温度下降阈值 (默认500.0 eV)
+- `gradient_threshold`: 梯度阈值 (默认100.0 eV/ms)
+- `anomaly_threshold`: 异常检测阈值 (默认3.0)
+- `min_peak_height`: 最小峰值高度 (默认800.0 eV)
+
+### 数据处理设置
+- `remove_outliers`: 是否移除异常值
+- `outlier_threshold`: 异常值检测阈值
+- `interpolate_missing`: 是否插值缺失值
+- `normalize_data`: 是否标准化数据
+
+### 预测设置
+- `detect_rise_phases`: 是否检测上升阶段
+- `detect_peak_moments`: 是否检测峰值时刻
+- `detect_fall_phases`: 是否检测下降阶段
+- `detect_anomalies`: 是否检测异常事件
+- `detect_plateau_phases`: 是否检测平台期
+
+## Label Studio配置
+
+在Label Studio中使用以下XML配置来支持温度标注:
+
+```xml
+<View>
+  <TimeSeries name="ts" value="$ts">
+    <TimeSeriesLabels name="temperature_events" toName="ts">
+      <Label value="Te_1_上升阶段" background="#FF6B6B"/>
+      <Label value="Te_1_峰值时刻" background="#4ECDC4"/>
+      <Label value="Te_1_下降阶段" background="#45B7D1"/>
+      <Label value="Te_1_异常事件" background="#96CEB4"/>
+      <Label value="Te_1_平台期" background="#FFEAA7"/>
+    </TimeSeriesLabels>
+  </TimeSeries>
+</View>
+```
+
+## 数据格式要求
+
+### 输入数据格式
+- CSV文件，包含时间列和温度通道列
+- 时间列名必须为 `time`
+- 温度通道列名应包含 `Te`、`temp`、`Ti` 等关键词
+- 支持多通道温度数据
+
+### 示例数据
+```csv
+time,Te_1,Te_2,Te_3
+0.0,100,150,200
+0.001,120,170,220
+0.002,140,190,240
+...
+```
+
+## 部署到Kubernetes
+
+```bash
+kubectl apply -f temperature-annotation.yaml
+```
+
+## 自定义模型
+
+可以通过修改 `temperature_predictor.py` 中的算法来自定义温度处理逻辑:
+
+- 调整阈值检测算法
+- 添加新的温度特征识别方法
+- 自定义异常检测规则
+- 优化梯度计算方法
+
+## 测试
+
+运行测试确保功能正常:
+
+```bash
+pytest test_temperature_backend.py -v
+```
+
+## API接口
+
+### 健康检查
+```
+GET /health
+```
+
+### 模型信息
+```
+GET /model/info
+```
+
+### 预测接口
+```
+POST /predict
+```
+
+### 训练接口
+```
+POST /fit
+```
+
+## 故障排除
+
+### 常见问题
+
+1. **模型加载失败**: 检查依赖包安装和配置文件
+2. **预测结果为空**: 确认输入数据格式和温度通道识别
+3. **阈值设置不当**: 根据实际数据调整阈值参数
+4. **内存不足**: 调整Docker容器的内存限制
+
+### 日志查看
+
+```bash
+# Docker日志
+docker logs temperature-annotation-ml-backend
+
+# 查看模型日志
+docker exec -it temperature-annotation-ml-backend tail -f /app/logs/model.log
+```
+
+## 性能优化
+
+### 数据处理优化
+- 使用并发加载多个炮号数据
+- 支持数据预处理和缓存
+- 优化异常值检测算法
+
+### 预测性能优化
+- 批量处理多个温度通道
+- 并行计算不同特征检测
+- 支持增量学习和模型更新

ml-backends/temperature_annotation/_wsgi.py

@@ -0,0 +1,132 @@
+"""
+温度标注ML Backend的WSGI应用入口
+
+基于Label Studio ML Backend的标准模式实现
+"""
+
+import os
+import argparse
+import json
+import logging
+import logging.config
+
+# 设置默认日志级别
+log_level = os.getenv("LOG_LEVEL", "INFO")
+
+logging.config.dictConfig({
+    "version": 1,
+    "disable_existing_loggers": False,
+    "formatters": {
+        "standard": {
+            "format": "[%(asctime)s] [%(levelname)s] [%(name)s::%(funcName)s::%(lineno)d] %(message)s"
+        }
+    },
+    "handlers": {
+        "console": {
+            "class": "logging.StreamHandler",
+            "level": log_level,
+            "stream": "ext://sys.stdout",
+            "formatter": "standard"
+        }
+    },
+    "root": {
+        "level": log_level,
+        "handlers": ["console"],
+        "propagate": True
+    }
+})
+
+from label_studio_ml.api import init_app
+from model import TemperatureModel
+
+_DEFAULT_CONFIG_PATH = os.path.join(os.path.dirname(__file__), 'config.json')
+
+
+def get_kwargs_from_config(config_path=_DEFAULT_CONFIG_PATH):
+    """从配置文件获取初始化参数"""
+    if not os.path.exists(config_path):
+        return dict()
+    with open(config_path) as f:
+        config = json.load(f)
+    assert isinstance(config, dict)
+    return config
+
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description='温度标注ML Backend')
+    parser.add_argument(
+        '-p', '--port', dest='port', type=int, default=9090,
+        help='Server port')
+    parser.add_argument(
+        '--host', dest='host', type=str, default='0.0.0.0',
+        help='Server host')
+    parser.add_argument(
+        '--kwargs', '--with', dest='kwargs', metavar='KEY=VAL', nargs='+', 
+        type=lambda kv: kv.split('='),
+        help='Additional TemperatureModel initialization kwargs')
+    parser.add_argument(
+        '-d', '--debug', dest='debug', action='store_true',
+        help='Switch debug mode')
+    parser.add_argument(
+        '--log-level', dest='log_level', 
+        choices=['DEBUG', 'INFO', 'WARNING', 'ERROR'], default=log_level,
+        help='Logging level')
+    parser.add_argument(
+        '--model-dir', dest='model_dir', default=os.path.dirname(__file__),
+        help='Directory where models are stored')
+    parser.add_argument(
+        '--check', dest='check', action='store_true',
+        help='Validate model instance before launching server')
+    parser.add_argument('--basic-auth-user',
+                        default=os.environ.get('ML_SERVER_BASIC_AUTH_USER', None),
+                        help='Basic auth user')
+    parser.add_argument('--basic-auth-pass',
+                        default=os.environ.get('ML_SERVER_BASIC_AUTH_PASS', None),
+                        help='Basic auth pass')
+
+    args = parser.parse_args()
+
+    if args.log_level:
+        logging.root.setLevel(args.log_level)
+
+    def isfloat(value):
+        try:
+            float(value)
+            return True
+        except ValueError:
+            return False
+
+    def parse_kwargs():
+        param = dict()
+        if args.kwargs:
+            for k, v in args.kwargs:
+                if v.isdigit():
+                    param[k] = int(v)
+                elif v == 'True' or v == 'true':
+                    param[k] = True
+                elif v == 'False' or v == 'false':
+                    param[k] = False
+                elif isfloat(v):
+                    param[k] = float(v)
+                else:
+                    param[k] = v
+        return param
+
+    kwargs = get_kwargs_from_config()
+    if args.kwargs:
+        kwargs.update(parse_kwargs())
+
+    if args.check:
+        print('Check "' + TemperatureModel.__name__ + '" instance creation..')
+        model = TemperatureModel(**kwargs)
+
+    app = init_app(
+        model_class=TemperatureModel, 
+        basic_auth_user=args.basic_auth_user, 
+        basic_auth_pass=args.basic_auth_pass
+    )
+    app.run(host=args.host, port=args.port, debug=args.debug)
+
+else:
+    # 用于uWSGI
+    app = init_app(model_class=TemperatureModel)

ml-backends/temperature_annotation/config.json

@@ -0,0 +1,28 @@
+{
+  "model_version": "temperature_v1.0",
+  "temperature_thresholds": {
+    "temp_rise_threshold": 1000.0,
+    "temp_fall_threshold": 500.0,
+    "gradient_threshold": 100.0,
+    "anomaly_threshold": 3.0,
+    "min_peak_height": 800.0
+  },
+  "data_processing": {
+    "remove_outliers": true,
+    "outlier_threshold": 3.0,
+    "interpolate_missing": true,
+    "normalize_data": false
+  },
+  "prediction_settings": {
+    "detect_rise_phases": true,
+    "detect_peak_moments": true,
+    "detect_fall_phases": true,
+    "detect_anomalies": true,
+    "detect_plateau_phases": true
+  },
+  "model_optimization": {
+    "enable_adaptive_thresholds": true,
+    "learning_rate": 0.05,
+    "min_training_samples": 10
+  }
+}