用户手册
MoHub/MoHub20260526061822
仓库范围 深度学习与强化学习案例
简介：本工程用于展示 Syslab MCP 在机器学习工具箱中的自动建模、代码生成、训练、评估、可视化和报告交付能力。 当前已实现 DeepLearning_FaultDiagnosis 的 CNN 故障诊断闭环，以及 ReinforcementLearning_UGV 的二维无人车 DQN 路径跟踪
教学案例mcp serversAI与数据科学
介绍 文件

Syslab MCP AI Toolbox Showcase

本工程用于展示 Syslab MCP 在机器学习工具箱中的自动建模、代码生成、训练、评估、可视化和报告交付能力。

当前已实现 DeepLearning_FaultDiagnosis 的 CNN 故障诊断闭环，以及 ReinforcementLearning_UGV 的二维无人车 DQN 路径跟踪与课程学习简化避障闭环。

项目定位

本 Showcase 面向 8 分钟以内录屏、客户演示和技术交流，重点展示 Syslab MCP 如何把 AI 案例组织成可复用工程：从脚本入口、训练日志、评估图表、GIF 回放到 Markdown 报告均可追踪。

当前强化学习结论应如实表述为：DQN 已在课程学习简化避障场景中获得无碰撞成功样例，完整复杂场景的稳定收敛仍作为后续优化方向。

核心案例

  1. DeepLearning_FaultDiagnosis: 基于卷积神经网络的设备故障诊断案例。
  2. ReinforcementLearning_UGV: 基于强化学习的无人车路径跟踪与避障案例。

目录约定

  • 根级 results/: 存放汇总输出、演示总报告和跨案例图表。
  • 根级 logs/: 存放统一训练日志和运行日志。
  • 各案例 results/: 存放案例级中间结果、评估指标和图片。
  • 各案例 reports/: 存放案例级 Markdown 报告。
  • 所有图表后续统一保存为 png。
  • 所有脚本后续应保持模块化，并在执行时输出清晰状态信息。

快速演示

# 在 Syslab Julia 环境中执行；该入口只检查结果并输出索引，不默认重跑长训练
julia scripts/run_showcase.jl

验收检查：

julia scripts/check_showcase_ready.jl

cinematic 资产检查与缺失补齐：

julia scripts/run_cinematic_showcase.jl

3 分钟快速演示路线

  1. 打开 results/showcase/showcase_cover.png，说明项目定位：Syslab MCP AI Showcase。
  2. 运行 julia scripts/check_showcase_ready.jl，展示 PASS/WARN/FAIL 和是否可演示。
  3. 展示深度学习四张图：loss_curve.png、accuracy_curve.png、confusion_matrix.png、sample_prediction.png。
  4. 展示强化学习核心 GIF：dqn_level0_success.gif、dqn_level1_obstacle_success.gif、results/showcase/cinematic_follow.gif。
  5. 打开 results/Syslab_MCP_AI_Showcase_Report.md，用一句话收束：DQN 已在课程学习简化避障场景中获得无碰撞成功样例，复杂场景稳定收敛仍是后续方向。

8 分钟完整演示路线

  1. 0:00-0:40 展示 README.md、工程结构和项目定位。
  2. 0:40-1:20 运行 julia scripts/run_showcase.jl 与 julia scripts/run_cinematic_showcase.jl，说明入口只检查/生成展示层资产，不重跑长训练。
  3. 1:20-2:40 展示 DeepLearning_FaultDiagnosis 脚本链路和 CNN 故障诊断结果图。
  4. 2:40-4:10 展示 ReinforcementLearning_UGV/scripts/environment.jl 和 dqn_agent.jl，讲解环境建模、课程学习、reward shaping、warm start。
  5. 4:10-5:10 展示 learnability_check_report.md、dqn_avoidance_report.md 和训练日志关键字段。
  6. 5:10-6:30 展示 results/dashboard/dashboard_overview.png、Q value heatmap、action distribution、success/progress 曲线。
  7. 6:30-7:30 展示 heatmap、milestone GIF、three policy comparison 和 cinematic follow。
  8. 7:30-8:00 展示最终报告、当前边界和后续 PPO/DDPG/连续控制扩展方向。

一键运行入口

  • 演示资产检查：julia scripts/run_showcase.jl
  • 交付验收检查：julia scripts/check_showcase_ready.jl
  • cinematic 资产检查/生成：julia scripts/run_cinematic_showcase.jl
  • 自动播放录屏模式：julia scripts/run_autoplay_demo.jl
  • 深度学习故障诊断完整链路：julia cases/DeepLearning_FaultDiagnosis/scripts/run_case.jl
  • 强化学习环境基础演示：julia cases/ReinforcementLearning_UGV/scripts/run_case.jl
  • 强化学习 DQN 训练：julia cases/ReinforcementLearning_UGV/scripts/07_train_dqn.jl
  • DQN learnability 检查：julia cases/ReinforcementLearning_UGV/scripts/09_dqn_learnability_check.jl
  • DQN 避障成功验证：julia cases/ReinforcementLearning_UGV/scripts/10_step46_dqn_success.jl

深度学习案例入口

julia cases/DeepLearning_FaultDiagnosis/scripts/run_case.jl

输出资产：

  • cases/DeepLearning_FaultDiagnosis/results/loss_curve.png
  • cases/DeepLearning_FaultDiagnosis/results/accuracy_curve.png
  • cases/DeepLearning_FaultDiagnosis/results/confusion_matrix.png
  • cases/DeepLearning_FaultDiagnosis/results/sample_prediction.png
  • cases/DeepLearning_FaultDiagnosis/results/report.md

强化学习训练入口

julia cases/ReinforcementLearning_UGV/scripts/run_case.jl
julia cases/ReinforcementLearning_UGV/scripts/07_train_dqn.jl

可配置环境变量：

  • DQN_CURRICULUM_LEVEL=level_0 或 level_1_obstacle
  • DQN_EPISODES=1000
  • DQN_MODE=quick 或 full

DQN 诊断与避障验证入口

julia cases/ReinforcementLearning_UGV/scripts/09_dqn_learnability_check.jl
julia cases/ReinforcementLearning_UGV/scripts/10_step46_dqn_success.jl

关键输出：

  • cases/ReinforcementLearning_UGV/results/learnability_check_report.md
  • cases/ReinforcementLearning_UGV/results/dqn_avoidance_report.md
  • cases/ReinforcementLearning_UGV/results/dqn_level0_success.gif
  • cases/ReinforcementLearning_UGV/results/dqn_level1_obstacle_success.gif
  • cases/ReinforcementLearning_UGV/results/dqn_success_trajectory.png
  • cases/ReinforcementLearning_UGV/results/dqn_obstacle_trajectory.png
  • cases/ReinforcementLearning_UGV/results/success_rate_curve.png
  • cases/ReinforcementLearning_UGV/results/progress_curve.png

演示资产索引

  • 总演示脚本：docs/demo_script.md
  • 口播讲解稿：docs/showcase_narration.md
  • 演示验收清单：docs/demo_acceptance_checklist.md
  • 对外讲解要点：docs/external_talking_points.md
  • 已知限制：docs/known_limitations.md
  • 演示资产索引：assets/showcase_index.md
  • 最终展示报告：results/Syslab_MCP_AI_Showcase_Report.md
  • 交付清单：docs/delivery_checklist.md

核心资产路径

  • PPT 封面：results/showcase/showcase_cover.png
  • 总览 dashboard：results/dashboard/dashboard_overview.png
  • AI pipeline 架构图：assets/architecture/ai_pipeline_architecture_dark.png
  • DQN 决策热力图：results/dashboard/q_value_heatmap.png
  • 动作分布：results/dashboard/action_distribution.png
  • 轨迹热力图：results/heatmaps/trajectory_heatmap_best.png
  • 学习时间线：results/milestones/best_policy.gif
  • 三策略对比：results/comparison/three_policy_comparison.gif
  • cinematic follow：results/showcase/cinematic_follow.gif
  • 自动播放页面：results/autoplay/autoplay_demo.html
  • 自动播放时间轴：showcase/autoplay/timeline.json

当前版本结果说明

  • 深度学习故障诊断案例已完成数据、训练、评估、可视化和报告闭环。
  • 强化学习 level_0 路径跟踪 evaluation success rate = 1.0。
  • 强化学习 level_1_obstacle 已出现 DQN 无碰撞避障成功 episode。
  • level_1_obstacle best progress_ratio = 0.7，best collision = false。
  • 障碍成功证据来自 DQN training loop，不是 rule-based baseline。
  • 最终 greedy policy 仍不稳定，完整复杂场景稳定收敛作为后续优化方向。

推荐对外表述

Syslab MCP AI Showcase 展示了从自然语言需求到工程脚本、训练结果、评估报告和 cinematic dashboard 的端到端自动化能力。深度学习案例已形成 CNN 故障诊断完整链路；强化学习案例中，DQN 已在课程学习简化避障场景中获得无碰撞成功样例，完整复杂场景的稳定收敛仍作为后续优化方向。

工程状态

  • [x] 工程目录初始化
  • [x] 案例目录初始化
  • [x] 脚本入口初始化
  • [x] Markdown 报告模板初始化
  • [x] 深度学习故障诊断算法实现
  • [x] 强化学习无人车路径跟踪与避障环境实现
  • [x] DQN Agent 训练、评估、曲线和 GIF 回放
  • [x] DeepLearning 训练、评估和可视化闭环
  • [x] Step4.6 DQN learnability 诊断与简化避障成功证据
  • [x] Step5 演示脚本、口播稿、资产索引、最终报告和交付清单
  • [x] Step5.5 cinematic dashboard、learning timeline、policy comparison 和 showcase cover
  • [x] Step6 交付验收、对外话术、已知限制和 readiness check