负荷异常诊断产品系统Vibe Coding

本项目面向电力、工业设备时序负荷监测场景，用于时序信号异常故障识别。搭建可视化对比平台，实现逻辑回归与一维卷积神经网络 (1D-CNN) 两类算法在负荷异常检测上效果对照；支持模拟时序数据集生成、模型训练、运行日志持久化，适合工业故障诊断算法快速验证。

内置 Web 可视化操作页面，支持一键生成模拟负荷时序数据集；可单独训练逻辑回归、1D-CNN 异常检测模型，也支持一键完整执行整套流程；自动解析并展示两类模型准确率，持久保存操作历史记录，方便直观对比传统机器学习与时序卷积网络在故障识别任务上的表现，交付完整可运行源码。

本人独立完成整套系统开发。基于 Python 原生 HTTP 服务搭建 Web 前后端交互；使用 numpy 生成正常、尖峰、漂移、中断四类时序负荷样本；基于 Scikit-learn 实现逻辑回归，依托 PyTorch 搭建 1D-CNN 一维卷积网络完成时序特征提取与故障分类；实现训练结果自动解析、运行历史 JSON 持久化。开发难点在于时序仿真数据建模、前后端脚本调度串联；平台开箱即用，无需额外 Web 框架，全程借助 AI 工具辅助高效编码。