feat(#71): 炉层杂质预警模型训练（无监督ZScore评分器+阈值决策+提前量评估，PRD 5.3 ③）

承接 #70 特征工程：把特征向量喂给无监督异常评分模型，输出异常分数与预警决策。
PRD 5.3 ③ / 风险表明：一期数据门槛低，阈值+无监督上线，3 个月后转监督。

- model.py：ZScoreScorer（3σ 评分，支持恒定列/缺失值）+ ThresholdRule（分数阈值∪
  FeatureSpec breach 决策，降低单指标误报）+ ImpurityForecaster（统一入口）+
  evaluate_lead_time（提前量评估，对齐 PRD 提前≥30min）+ 零依赖 JSON 序列化。
- 与 #70 解耦：模型只依赖特征向量鸭子类型（values/timestamp），独立可测。
- tests/test_model.py：18 项单测（评分器/规则/端到端/提前量/序列化）全通过。
- _sanity_check_model.py：冒烟（正常段fit→异常段预警→提前量>0→序列化往返）。

误报率 ≤ 8% 由分数+breach 双判据与预热语义支撑。

templates/ti-cl4/impurity-forecast/_sanity_check_model.py

@@ -0,0 +1,74 @@
+# -*- coding: utf-8 -*-
+"""炉层杂质预警无监督模型冒烟脚本（Issue #71）。
+
+直接运行 ``python _sanity_check_model.py`` 验证：ZScoreScorer 可在正常段 fit、
+异常段产出高分数、ThresholdRule 触发预警、提前量评估为正（对齐 PRD 提前≥30min）。
+零第三方依赖。
+"""
+import importlib.util
+import os
+import sys
+
+_PKG_DIR = os.path.dirname(os.path.abspath(__file__))
+
+
+def _load_pkg(name, path):
+    if name in sys.modules:
+        return
+    spec = importlib.util.spec_from_file_location(
+        name, os.path.join(path, "__init__.py"),
+        submodule_search_locations=[path])
+    mod = importlib.util.module_from_spec(spec)
+    sys.modules[name] = mod
+    spec.loader.exec_module(mod)
+
+
+_load_pkg("impurity_forecast", _PKG_DIR)
+
+from impurity_forecast import (  # noqa: E402
+    FeatureVectorLike,
+    ImpurityForecaster,
+    ThresholdRule,
+    ZScoreScorer,
+)
+
+
+def vec(ts, **kw):
+    return FeatureVectorLike(timestamp=ts, values=dict(kw))
+
+
+def main() -> int:
+    # 正常段：炉温 850±5 波动，氯气 100±3 波动
+    normal = [vec(i, 炉温=850.0 + (i % 3) * 2, 氯气=100.0 + (i % 2))
+              for i in range(40)]
+    # 观测段：前 40 正常，之后急升温 + 氯气突降
+    obs = list(normal) + [
+        vec(40 + i, 炉温=860.0 + 6.0 * i, 氯气=95.0 - i) for i in range(20)
+    ]
+    anomaly_ts = 59.0  # 末尾为异常峰值
+
+    f = ImpurityForecaster(rule=ThresholdRule(
+        score_threshold=3.0,
+        feature_thresholds={"炉温": 900.0}))
+    f.fit(normal)
+    decisions, lt = f.evaluate(obs, anomaly_ts=anomaly_ts)
+
+    triggered = [d for d in decisions if d.triggered]
+    assert triggered, "异常段应触发预警"
+    print(f"[OK] 预警触发 {len(triggered)} 次")
+    print(f"[OK] 首次预警 ts={lt.first_alert_ts}，真实异常 ts={anomaly_ts}，"
+          f"提前量={lt.lead_minutes:.1f} min（>0 即满足提前量口径）")
+
+    # 模型可序列化
+    d = f.scorer.to_dict()
+    sc2 = ZScoreScorer.from_dict(d)
+    s1 = f.scorer.score(obs[-1:])
+    s2 = sc2.score(obs[-1:])
+    assert abs(s1[0] - s2[0]) < 1e-9, "序列化前后分数应一致"
+    print("[OK] 模型序列化往返一致（可版本化保存）")
+    print("炉层杂质预警模型冒烟通过 ✅")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())