2. 瓦斯超限报警记录与监测曲线的时间对齐

为什么“时间对齐”是复盘的第一道硬门槛

安全监控系统的超限报警记录与分钟级监测曲线往往来自两条不同的数据通路：报警记录由监控软件在浓度越限瞬间生成，带有触发时间、测点编号、报警类型、报警值等字段；分钟级曲线则是分站按整分钟上传的采样值序列。两者在时间基准、采样粒度、存储延迟上并不天然一致，直接按“看起来差不多”的时间去比对，很容易把峰值时刻判错、把恢复时刻提前或推后，导致后续的分段特征提取全部失真。

本案例的任务是：给定一份超限报警记录和对应测点的分钟级曲线，按时间戳完成对齐，明确三个关键时间点——报警触发时刻（报警记录中的起始时间）、峰值时刻（曲线中浓度最大值所在分钟）、恢复时刻（曲线回落到报警阈值以下的第一个分钟），并验证报警记录与曲线数据是否一致。

对齐前必须统一的三个口径

• 时间基准：报警记录与曲线必须使用同一时区、同一格式（建议统一为 YYYY-MM-DD HH:MM:SS），并确认监控主机与分站时钟偏差在允许范围内。
• 采样粒度：分钟级曲线每个点代表该分钟内的采样值（通常为分钟末值或分钟均值），报警触发时刻可能落在某一分钟的中间，因此触发时刻与曲线点之间是“区间包含”关系，而非“点对点相等”。
• 阈值口径：报警阈值以报警记录中的报警值为准（如 1.00% CH₄），恢复判定也用同一阈值，避免用曲线上的显示精度（如 0.99%）误判。

对齐逻辑与关键时间点判定

设报警记录起始时间为 T_alarm，曲线时间序列为 [(t_i, c_i)]，阈值为 TH。对齐与判定按以下规则执行：

1. 在曲线中定位 T_alarm 所属的分钟区间 [t_k, t_k+60s)，该点即为触发对应曲线点；
2. 在 T_alarm 之后（含所属分钟）的曲线段中取 c_i 最大值，其时间 t_peak 为峰值时刻；
3. 从峰值时刻向后扫描，找到第一个满足 c_i < TH 的分钟 t_recover，即恢复时刻；
4. 一致性校验：触发对应曲线点的浓度应 ≥ TH（否则报警可能由瞬时尖峰触发而未被分钟值捕获，需回查原始采样）；峰值应 ≥ 报警记录中的报警值；恢复时刻之后连续若干分钟应保持 < TH。

用一段可运行的脚本完成对齐与校验

下面用 Python 完成上述逻辑。输入为报警记录字典和分钟级曲线列表（时间字符串 + 浓度），输出三个关键时间点与一致性结论。示例数据为教学构造，用于演示判定过程。

from datetime import datetime, timedelta

TH = 1.00  # 报警阈值 %CH4

alarm = {
    "point": "T-0215",
    "start": "2024-06-12 08:42:17",
    "alarm_value": 1.02,
}

# 分钟级曲线：(时间, 浓度%)，教学示例数据
curve = [
    ("2024-06-12 08:38", 0.62), ("2024-06-12 08:39", 0.64),
    ("2024-06-12 08:40", 0.66), ("2024-06-12 08:41", 0.71),
    ("2024-06-12 08:42", 1.05), ("2024-06-12 08:43", 1.12),
    ("2024-06-12 08:44", 1.18), ("2024-06-12 08:45", 1.22),
    ("2024-06-12 08:46", 1.26), ("2024-06-12 08:47", 1.28),
    ("2024-06-12 08:48", 1.21), ("2024-06-12 08:49", 1.14),
    ("2024-06-12 08:50", 1.08), ("2024-06-12 08:51", 1.02),
    ("2024-06-12 08:52", 0.96), ("2024-06-12 08:53", 0.91),
    ("2024-06-12 08:54", 0.88), ("2024-06-12 08:55", 0.86),
]

def parse(s):
    return datetime.strptime(s, "%Y-%m-%d %H:%M")

t_alarm = parse(alarm["start"])
series = [(parse(t), c) for t, c in curve]

# 1) 触发对应曲线点：T_alarm 所属分钟
trigger = None
for t, c in series:
    if t <= t_alarm < t + timedelta(minutes=1):
        trigger = (t, c)
        break

# 2) 峰值时刻：触发分钟及之后的曲线段
after = [(t, c) for t, c in series if t >= trigger[0]]
t_peak, c_peak = max(after, key=lambda x: x[1])

# 3) 恢复时刻：峰值之后第一个 < TH 的分钟
t_recover, c_recover = None, None
for t, c in series:
    if t > t_peak and c < TH:
        t_recover, c_recover = t, c
        break

# 4) 一致性校验
ok_trigger = trigger[1] >= TH
ok_peak = c_peak >= alarm["alarm_value"]
ok_recover = all(c < TH for t, c in series if t >= t_recover)

print("触发对应点:", trigger[0], trigger[1])
print("峰值时刻:", t_peak, c_peak)
print("恢复时刻:", t_recover, c_recover)
print("一致性:", ok_trigger and ok_peak and ok_recover)

按示例数据运行，预期输出为：触发对应点 08:42 / 1.05%，峰值时刻 08:47 / 1.28%，恢复时刻 08:52 / 0.96%，一致性为 True。若实际数据中触发对应点低于阈值，说明报警由分钟内的瞬时尖峰触发，需要回查分站原始采样或报警记录中的瞬时值，而不能直接判定为数据矛盾。

对齐结果表与判读要点