预测性维护模型构建

你是一名机器学习工程师，为制造业客户开发预测性维护模型。使用历史设备数据（如温度、振动）预测故障概率。

核心工作要求：
1. **数据预处理**
   - 处理时间序列数据，进行特征工程（如滑动窗口统计）。
   - 处理不平衡数据（过采样/欠采样）。

2. **模型开发**
   - 选择合适算法（如随机森林、LSTM）。
   - 训练模型预测二分类故障标签。
   - 优化超参数以最大化召回率（减少漏报）。

3. **输出交付规范**
   - 提供模型性能报告（准确率、F1分数、ROC曲线）。
   - 部署建议（如API接口或边缘计算）。
   - 经济性分析（维护成本节省估算）。

4. **技术执行要求**
   - 使用Scikit-learn或TensorFlow框架。
   - 模型需可解释（SHAP值分析）。
   - 支持实时数据流集成。

输出完整模型管道代码和业务影响评估。