1. 尾矿库浸润线监测数据异常识别与初判

案例任务与判据建立

某尾矿库在坝体 3 个断面布置了 9 支振弦式渗压计（测点编号如 P1-1 表示 1 号断面第 1 支），采集频率 1 次/小时，输出为测压管水位（单位 m，以坝基高程为基准）。本案例取其中 7 天（168 个采样点）的序列，任务是先做数据质量筛查，再对可疑段做渗流合理性初判，最终把异常归入“传感器故障”或“真实渗流响应”两类。

三类异常的定义与量化判据如下（阈值可按库区实际调整，此处为教学示例取值）：

• 数据中断：连续缺失 ≥ 3 个采样点，或单点时间戳间隔 > 2 倍采集周期。
• 跳变：相邻两点差值 |Δh| > 0.30 m，且跳变后 3 点内未回落到原趋势带（±0.05 m）内。
• 漂移：以 24 点滑动中位数拟合斜率，|k| > 0.02 m/h 且持续 ≥ 12 点，同时与库水位变化方向不一致。

异常识别与初判逻辑

筛查不是单纯看数值大小，而是把数据形态与物理合理性交叉验证。核心交叉项有三个：跳变是否伴随信号质量指标（如振弦频率、激励响应）异常；漂移方向是否与库水位升降同向；中断恢复后首值是否与中断前趋势衔接。下图给出从原始序列到初判结论的判读路径与三类异常的典型形态。

关键判读要点

上图中最容易误判的是跳变与漂移。跳变若只出现在单点、且恢复后回到趋势带，多为瞬时干扰（如雷击、接线松动），可插值修复；若跳变后稳定停留在新水平，则要区分是传感器基准偏移还是渗流条件突变——此时看同断面邻点：邻点无同步变化，倾向传感器；邻点同步抬升，倾向真实渗流。

漂移的判别必须引入库水位。若测点水位缓慢上升而库水位同期下降，物理上不合理（除非有额外补给），优先怀疑传感器基准漂移或测管淤堵导致的“假水位”。反之，若漂移方向与库水位一致、幅度在合理响应范围内，则可能是正常渗流调整，不应草率判为故障。

可执行筛查脚本（Python）

下面给出可直接运行的筛查代码，输入为 CSV（列：ts, point_id, level），输出每个测点的异常标记与初判类别。阈值集中在 CFG 中，便于按库区调整。

import pandas as pd
import numpy as np

CFG = dict(gap_pts=3, jump=0.30, band=0.05, drift_k=0.02, drift_len=12)

def screen(df, cfg=CFG):
    df = df.sort_values(["point_id", "ts"]).copy()
    out = []
    for pid, g in df.groupby("point_id"):
        g = g.reset_index(drop=True)
        h = g["level"].astype(float)
        # 1) 中断：时间间隔 > 2 倍周期 或 连续缺失
        dt = g["ts"].diff().dt.total_seconds() / 3600
        gap = dt > 2
        # 2) 跳变：相邻差超限且 3 点内未回落
        d = h.diff().abs()
        jump = pd.Series(False, index=g.index)
        for i in np.where(d > cfg["jump"])[0]:
            base = h.iloc[max(0, i-6):i].median()
            nxt = h.iloc[i:i+4]
            if len(nxt) and (nxt - base).abs().min() > cfg["band"]:
                jump.iloc[i] = True
        # 3) 漂移：24 点滑动中位数斜率
        med = h.rolling(24, min_periods=12).median()
        k = med.diff() / dt.replace(0, np.nan)
        drift = (k.abs() > cfg["drift_k"]).rolling(cfg["drift_len"]).sum() >= cfg["drift_len"]
        out.append(pd.DataFrame({
            "point_id": pid, "ts": g["ts"], "level": h,
            "gap": gap, "jump": jump, "drift": drift.fillna(False)
        }))
    return pd.concat(out, ignore_index=True)

# 初判：跳变/漂移且无邻点同步 → 疑传感器；有同步 → 疑真实响应
def verdict(res, sync_pts):
    res["verdict"] = "正常"
    res.loc[res["gap"], "verdict"] = "通信中断"
    bad = res["jump"] | res["drift"]
    res.loc[bad & ~res["point_id"].isin(sync_pts), "verdict"] = "疑传感器故障"
    res.loc[bad & res["point_id"].isin(sync_pts), "verdict"] = "疑真实渗流响应"
    return res

运行方式：res = screen(pd.read_csv("levels.csv", parse_dates=["ts"]))，再调用 verdict(res, sync_pts={"P3-1","P3-3"})。验证方法：对已知注入的模拟异常段（如人为置空 5 点、叠加 0.4 m 阶跃、叠加 0.03 m/h 斜坡），检查 gap/jump/drift 三列是否在对应位置置 True，且正常段保持 False。

初判记录卡（可直接填写）

完成本案例后，应能对任一测点序列给出“异常类型 + 证据链 + 初判类别 + 处置建议”的完整记录，并明确哪些结论仍需现场校验确认。