2. 实际采剥量数据清洗与日/班次口径统一

多源采剥量记录的口径差异从哪来

卡车计数、地磅称重和调度系统三路数据在进入偏差计算前，必须先统一到同一“计量对象 + 时间粒度 + 单位”上。露天矿常见的不一致有三类：重复计量（同一车次被地磅与调度各记一次，或重车/空车两次过磅被合并错误）、缺失记录（地磅故障、网络中断导致某班次无数据）、单位与口径混用（地磅给吨、卡车计数给车数、调度给立方米，且松散系数不同）。下面的图给出三源数据到统一日/班次口径的处理链与关键判据。

清洗规则的具体实现

以某露天铁矿一个班次（08:00–20:00）的原始记录为例，说明去重、补缺与换算的落地方式。示例参数：原岩密度 ρ=3.3 t/m³，松散系数 K=1.35，平均载重按近 7 天地磅均值取 62 t/车。

去重与换算的核心逻辑可用如下 Python 片段表达（pandas 环境，输入为三张原始表）：

import pandas as pd

RHO, K, AVG_LOAD = 3.3, 1.35, 62.0

def unify_shift(truck, weigh, dispatch):
    # 1) 地磅净重
    weigh = weigh.copy()
    weigh["net_t"] = weigh["gross_t"] - weigh["tare_t"]
    weigh["src"] = "地磅"

    # 2) 调度体积折算为原岩吨位
    dispatch = dispatch.copy()
    dispatch["net_t"] = dispatch["volume_m3"] * RHO / K
    dispatch["src"] = "调度折算"

    # 3) 车数估算
    truck = truck.copy()
    truck["net_t"] = truck["trips"] * AVG_LOAD
    truck["src"] = "计数估算"

    # 4) 按车次号合并，优先级：地磅 > 调度 > 计数
    order = {"地磅": 0, "调度折算": 1, "计数估算": 2}
    allrec = pd.concat([weigh, dispatch, truck], ignore_index=True)
    allrec["prio"] = allrec["src"].map(order)
    allrec = allrec.sort_values(["trip_id", "prio"]).drop_duplicates("trip_id", keep="first")

    # 5) 按班次、台阶汇总
    out = allrec.groupby(["shift_id", "bench"], as_index=False).agg(
        qty_t=("net_t", "sum"), src=("src", lambda s: "+".join(sorted(set(s)))))
    return out

# 示例调用
# result = unify_shift(truck_df, weigh_df, dispatch_df)
# print(result)

口径统一后的校验与判读

统一口径表生成后，需做三项校验再交给偏差计算：其一，同一班次三源折算值互差超过 5% 时回查原始记录，常见原因是松散系数取值与矿岩类型不符；其二，单班采剥量为负或超过设备能力上限（如单台电铲班产 8000 t）时标记异常；其三，日口径应等于两个班次之和，若不等说明跨零点车次归属有误。校验通过的数据才进入后续时间序列对齐与偏差曲线构建。

• 去重键：车次号 + 日期，避免同一车次在重车、空车两次过磅时被重复计入。
• 单位链：m³（松散）→ ÷K → m³（原岩）→ ×ρ → t，方向不可颠倒。
• 来源标记：每条汇总记录保留“地磅/调度折算/计数估算/插补”，供偏差诊断时区分实测与估算。