feat(vd960Loop): 环境健康度算法 §10 + drift_health.py 参考实现

- variation-analysis.md §10: 无车漂移监测 (零成本, 不改协议)
  - 口径修正: 绝对峰=1.5×窗口漂移(Origin 滞后半窗) → 用峰谷差
  - 600ms 采样系统性低估 ~12% (峰在窗口末采不到)
  - 冻结态失效(>4×dlt_ORG) → 双指标: 漂移速率 + 冻结占比
  - 冻结判定双判据: 跨窗跳变消失 + 峰谷差突变(>4×前4窗中位数)
- tools/drift_health.py: CSV 逐窗统计/冻结检测/JSON/自测
- devlog 2026-08-25 条目追加环境健康度小节
- 自测: 慢漂移 0.02%/s 识别准确, 冻结窗正确排除

vd960Loop/docs/devlog.md

@@ -57,6 +57,22 @@ variation/Origin = 1 − √(1 + ΔL/L₀)        精确
 
 代码无改动（`main.c` 饱和边界本就是 −8388608 ~ +8388607）。
 
+### 环境健康度算法（§10）
+
+用户提出零成本环境健康度方案：无车时 variation 锯齿的峰 = 漂移信号，后台逐窗统计画健康度曲线。模拟验证后修正两处口径并落地：
+
+1. **绝对峰 ≠ 窗口漂移**：Origin 更新到窗口均值（滞后半窗 2.5s），稳态绝对峰 = **1.5×** 窗口漂移 → 改用**峰谷差**（max−min，误差 <1%）
+2. **600ms 采样系统性低估 ~12%**：峰恒在窗口末（500 tick），末采样点 480 tick 永远错过 → 单边偏差，趋势可用，绝对标定 ×1.14
+3. **冻结态失效**：漂移 > 4×dlt_ORG（中档 0.13%/s）→ 锯齿消失，速率口径失效 → 双指标：`漂移速率 = 峰谷差/Origin/5s` + `冻结占比`
+4. 冻结判定双判据：跨窗跳变消失（|jump|≈0）+ 峰谷差突变（>4×前 4 窗中位数），最后一窗也可判
+
+| 文件 | 内容 |
+|------|------|
+| `docs/variation-analysis.md` | 新增 §10（口径修正表/双指标/冻结判定/工具用法） |
+| `tools/drift_health.py` | 新增参考实现：CSV 输入 + 逐窗统计 + 冻结检测 + JSON 输出 + 自测 |
+
+自测：前 6 窗慢漂移 0.02%/s 全正常，后 2 窗快漂移正确标冻结，平均速率/冻结占比准确。
+
 ---
 
 ## 2026-07-14 — variation 上报量 2B→3B 有符号 (协议 V1.05)

vd960Loop/docs/variation-analysis.md

@@ -327,3 +327,68 @@ python3 variation_calc.py --parse-var F6FFFF
 python3 variation_calc.py --sens-table                                           # 四档对照
 python3 variation_calc.py --interactive                                          # 交互
 ```
+
+---
+
+## 10. 环境健康度算法：无车漂移监测（2026-08-25 补充）
+
+> 配套工具：`tools/drift_health.py`。零成本方案——不改协议、不改固件，直接用现有 `variation` 锯齿。
+
+### 10.1 思路
+
+无车时 Origin 每 5s 阶跃更新（窗口均值），CAPVD 缓慢漂移 → variation 呈锯齿。**锯齿就是漂移信号**：峰谷差 = 窗口内漂移量，后台逐窗口统计即可画环境健康度曲线（湿度突变、变频器干扰加剧提前可见）。
+
+### 10.2 正确口径（踩坑修正）
+
+| 口径 | 关系 | 结论 |
+|------|------|------|
+| 绝对峰 \|variation\| | = **1.5×** 窗口漂移量 | ❌ 高估 50%——Origin 更新到**窗口均值**（滞后半窗 2.5s），峰含半窗累积 |
+| **峰谷差**（窗口内 max−min） | ≈ 窗口漂移量（误差 <1%） | ✅ 正确 |
+| 600ms 采样（8 点/窗） | 峰谷差**系统性低估 ~12%** | ⚠ 峰恒在窗口末（500 tick），末采样点 480 tick 永远错过它；实测 −11%~−14% |
+
+**推荐公式：**
+
+```
+漂移速率(%/s) = (窗口内 max − min) / Origin / 5s × 100
+```
+
+- 方向保留：V1.05 带符号，正向锯齿（CAPVD 下降/频率上升）= 正速率，反向为负
+- 采样低估 ~12% 为单边已知偏差：趋势曲线看相对变化可直接接受；要绝对标定乘 1.14
+
+### 10.3 失效场景：冻结态（必须双指标）
+
+`dev ≥ 4×dlt_ORG` 基线冻结 → **锯齿消失**，variation 跨窗口单调累积不归零，"每窗口取峰"变成取历史累积，速率口径失效：
+
+| 灵敏度档 | 冻结门槛（窗口漂移） | 对应速率 |
+|---------|-------------------|---------|
+| 0 低 | 1.32% / 5s | 0.26%/s |
+| 1 中 | 0.66% / 5s | **0.13%/s** |
+| 3 最高 | 0.06% / 5s | 0.012%/s |
+
+变频器启动、湿度突变轻松超中档 0.13%/s → 冻结。**冻结本身 + 累积 variation 就是更强的恶化信号**，健康度曲线用双指标：
+
+```
+① 漂移速率 = 峰谷差 / Origin / 5s        ← 慢漂移场景（温/湿度），慢且稳
+② 冻结占比 = 冻结 tick / 总 tick          ← 快干扰场景（变频器），触发即预警
+```
+
+**冻结判定**（后台可用跨窗回落检测）：正常锯齿窗口边界 variation **跳回谷值**，跳变幅度 ≈ 峰谷差；冻结时 Origin 不动，窗口边界无跳变、variation 继续同向爬升。
+
+```
+jump = variation[下窗起点] − variation[本窗终点]
+正常: |jump| ≈ 峰谷差（窗口边界跳回谷值）
+冻结: |jump| ≈ 0（Origin 不动, 连续爬升）
+```
+
+### 10.4 工具用法
+
+```bash
+cd tools
+python3 drift_health.py --selftest                                          # 模拟数据自测
+python3 drift_health.py --csv drift.csv --window 500                        # CSV: tick,origin,variation
+python3 drift_health.py --csv drift.csv --window 500 --json                 # JSON 输出
+```
+
+### 10.5 与 §8"改上报斜率"的关系
+
+当前零成本方案精度受上报窗限制（600ms 采样 vs 固件 10ms tick，斜率分辨率差 60 倍）。§8 的固件侧斜率字段是**远期升级**：先跑通后台算法验证指标价值，确认值得后，再由固件直接上报 dCAPVD/dt 消除采样混叠与相位滞后。

vd960Loop/tools/drift_health.py

@@ -0,0 +1,177 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""
+drift_health.py — vd960Loop 无车漂移环境健康度分析（零成本）
+
+原理（docs/variation-analysis.md §10）:
+    无车时 Origin 每 5s 阶跃更新（窗口均值）→ variation 呈锯齿
+    锯齿峰谷差 = 窗口内漂移量          （绝对峰 = 1.5×窗口漂移, Origin 滞后半窗）
+    漂移速率(%/s) = 峰谷差 / Origin / 窗口秒数 × 100
+
+输入: CSV (tick,origin,variation 三列) 或 --selftest 模拟数据
+输出: 逐窗口统计 + 汇总（平均速率/方向/冻结占比）
+
+注意:
+    - 600ms 上报采样会使峰谷差系统性低估 ~12%（峰恒在窗口末, 末采样点错过）
+    - 漂移 > 4×dlt_ORG 时基线冻结, 锯齿消失 → 冻结占比是第二指标
+    - 冻结判定: 跨窗回落检测 (正常窗口边界回落≈峰谷差; 冻结继续同向爬升)
+
+用法:
+    python3 drift_health.py --selftest
+    python3 drift_health.py --csv drift.csv --window 500
+    python3 drift_health.py --csv drift.csv --window 500 --json
+"""
+
+import argparse
+import csv
+import json
+import math
+import random
+import sys
+
+WINDOW_DEFAULT = 500     # tick, 5s @10ms
+TICK_S_DEFAULT = 0.01    # 10ms
+
+
+def analyze(variation, origins, window, tick_s):
+    """逐窗口统计。返回 (窗口列表, 汇总字典)"""
+    import statistics
+    n = len(variation)
+    nw = n // window
+    rows = []
+    pkpk_hist = []
+    for k in range(nw):
+        a = k * window
+        b = a + window
+        seg = variation[a:b]
+        oseg = origins[a:b]
+        vmax = max(seg)
+        vmin = min(seg)
+        pkpk = vmax - vmin                  # 峰谷差 = 窗口漂移量
+        origin = sum(oseg) / len(oseg)
+        # 跨窗回落: jump = 下窗起点 - 本窗终点
+        jump = None
+        if k + 1 < nw:
+            jump = variation[b] - variation[b - 1]
+        # 冻结判定 (双判据):
+        # ① 跨窗跳变消失: 正常 |jump| ≈ 峰谷差, 冻结 |jump| ≈ 0
+        # ② 峰谷差突变: 当前窗 pkpk > 4× 前 4 窗中位数 (冻结=漂移持续累积)
+        #    判据②让最后一窗(无 jump)也能判冻结, 实时滚动同样适用
+        baseline = statistics.median(pkpk_hist[-4:]) if pkpk_hist else 0.0
+        frozen = False
+        if pkpk > 0:
+            if jump is not None and abs(jump) < 0.3 * pkpk:
+                frozen = True
+            if baseline > 0 and pkpk > 4 * baseline:
+                frozen = True
+        pkpk_hist.append(pkpk)
+        # 速率 %/s (按峰谷差)
+        rate = pkpk / origin / (window * tick_s) * 100.0 if origin > 0 else 0.0
+        rows.append({
+            "window": k,
+            "max": round(vmax, 4),
+            "min": round(vmin, 4),
+            "pkpk": round(pkpk, 4),
+            "origin": round(origin, 1),
+            "rate_pct_per_s": round(rate, 4),
+            "jump": round(jump, 4) if jump is not None else None,
+            "frozen": frozen,
+        })
+    if not rows:
+        return [], {}
+    rates = [r["rate_pct_per_s"] for r in rows if not r["frozen"]]
+    frozen_cnt = sum(1 for r in rows if r["frozen"])
+    summary = {
+        "windows": len(rows),
+        "frozen_ratio_pct": round(frozen_cnt / len(rows) * 100, 1),
+        "avg_rate_pct_per_s": round(sum(rates) / len(rates), 4) if rates else None,
+        "max_rate_pct_per_s": round(max(rates), 4) if rates else None,
+        "last_direction": "正(频率上升/CAPVD下降)" if rows[-1]["pkpk"] > 0 and rows[-1]["max"] >= abs(rows[-1]["min"]) else "负(频率下降/CAPVD上升)",
+    }
+    return rows, summary
+
+
+def gen_selftest(window=WINDOW_DEFAULT, tick_s=TICK_S_DEFAULT):
+    """生成模拟数据: 前 6 窗慢漂移(0.02%/s, 正常锯齿), 后 2 窗快漂移(0.5%/s, 冻结)
+    归一化坐标: Origin≈1.0, 漂移为相对比例"""
+    r_slow = 2e-6          # 0.02%/s → 窗口漂移 0.1%
+    r_fast = 5e-5          # 0.5%/s → 窗口漂移 2.5%, 远超 4×dlt_ORG → 冻结
+    n = 8 * window
+    capvd = []
+    for i in range(n):
+        if i < 6 * window:
+            capvd.append(1.0 + i * r_slow)
+        else:
+            capvd.append(1.0 + 6 * window * r_slow + (i - 6 * window) * r_fast)
+    # Origin: 窗口 k 期间 = 窗口 k-1 均值 (k>=1); 冻结窗(6,7) 锁在窗口 5 均值
+    origin = [0.0] * n
+    base6 = sum(capvd[5 * window:6 * window]) / window
+    for i in range(n):
+        k = i // window
+        if k == 0:
+            origin[i] = capvd[0]
+        elif k < 6:
+            origin[i] = sum(capvd[(k - 1) * window:k * window]) / window
+        else:
+            origin[i] = base6
+    variation = [origin[i] - capvd[i] for i in range(n)]
+    return variation, origin
+
+
+def fmt_table(rows, summary):
+    lines = []
+    lines.append(f"{'窗口':<5}{'max':>10}{'min':>10}{'峰谷差':>10}{'Origin':>12}{'速率%/s':>10}{'跨窗jump':>10}  状态")
+    for r in rows:
+        state = "冻结" if r["frozen"] else "正常"
+        jump = f"{r['jump']:+.4f}" if r["jump"] is not None else "  -"
+        lines.append(f"{r['window']:<5}{r['max']:>10.4f}{r['min']:>10.4f}{r['pkpk']:>10.4f}"
+                     f"{r['origin']:>12.1f}{r['rate_pct_per_s']:>10.4f}{jump:>10}  {state}")
+    lines.append("-" * 66)
+    lines.append(f"平均速率: {summary['avg_rate_pct_per_s']} %/s   "
+                 f"最大速率: {summary['max_rate_pct_per_s']} %/s   "
+                 f"冻结占比: {summary['frozen_ratio_pct']}%   "
+                 f"末窗方向: {summary['last_direction']}")
+    return "\n".join(lines)
+
+
+def main():
+    p = argparse.ArgumentParser(
+        description="vd960Loop 无车漂移环境健康度分析（零成本, 用现有 variation 锯齿）",
+        formatter_class=argparse.RawDescriptionHelpFormatter, epilog=__doc__)
+    p.add_argument("--csv", help="CSV 文件, 表头含 tick,origin,variation")
+    p.add_argument("--window", type=int, default=WINDOW_DEFAULT, help=f"窗口 tick (默认 {WINDOW_DEFAULT}=5s)")
+    p.add_argument("--tick-s", type=float, default=TICK_S_DEFAULT, help=f"tick 秒数 (默认 {TICK_S_DEFAULT}=10ms)")
+    p.add_argument("--json", action="store_true", help="JSON 输出")
+    p.add_argument("--selftest", action="store_true", help="模拟数据自测")
+    args = p.parse_args()
+
+    if args.selftest:
+        variation, origin = gen_selftest(args.window, args.tick_s)
+        rows, summary = analyze(variation, origin, args.window, args.tick_s)
+        if args.json:
+            print(json.dumps({"rows": rows, "summary": summary}, ensure_ascii=False, indent=2))
+        else:
+            print("模拟: 前 6 窗慢漂移 r=0.0002/tick (0.1%/窗 → 0.02%/s), 后 2 窗快漂移 r=0.002 (冻结)")
+            print(fmt_table(rows, summary))
+        return
+
+    if not args.csv:
+        p.error("需要 --csv 或 --selftest")
+
+    variations, origins = [], []
+    with open(args.csv, newline="", encoding="utf-8") as f:
+        for row in csv.DictReader(f):
+            variations.append(float(row["variation"]))
+            origins.append(float(row["origin"]))
+    if len(variations) < args.window:
+        p.error(f"数据不足一个窗口 ({len(variations)} < {args.window})")
+
+    rows, summary = analyze(variations, origins, args.window, args.tick_s)
+    if args.json:
+        print(json.dumps({"rows": rows, "summary": summary}, ensure_ascii=False, indent=2))
+    else:
+        print(fmt_table(rows, summary))
+
+
+if __name__ == "__main__":
+    sys.exit(main())