基于多指标融合的无监督统计方法用于露天煤矿边坡变形异常预警

《Applied Sciences》：Multi-Indicator Fusion-Based Unsupervised Statistical Method for Slope Deformation Anomaly Warning in Open-Pit Coal Mines

　　

本研究针对露天煤矿边坡剥落事件记录不完整、公开监测数据精度不一致的问题，提出了一种面向因果关系的异常识别方法，该方法融合了四个指标：速度（velocity）、加速度（acceleration）、持续偏差（persistent deviation）和相位变化（phase change）。以新疆南露天煤矿2021年5月25日发生的剥落事件为主要案例，分析基于文献中列出的20个位移测量值。研究人员采用向后差分法和双历史窗口进行逐小时回放，其中仅包含每个时间步长已到达的数据，基线统计量保持冻结。在主设置下，融合阈值为1.351，首次阈值超限发生在事件当天00:00——比现场记录提前9小时；然而，该时间点涉及位移方向的反转，因此不能直接解释为破坏前的加速。在测试的25组参数中，6组提前15小时触发，17组提前9小时触发，2组在事件发生后3小时触发。对于三条外部数字化曲线，融合阈值超限次数分别为1次、0次和2次；像素级扰动可能改变触发结果，而探索性相轨迹门控并未减少周期性曲线上的超限次数。研究结果表明，融合得分可用于历史异常排序和局部状态复核，但尚不足以证明预警可靠性或在独立事件上具有可推广的提前时间。工程预警的可靠性仍需基于独立的原始监测数据和完整的事件背景记录进行验证。

研究背景与问题

露天煤矿边坡含有软弱结构面，并受到开挖卸荷、爆破震动等外部扰动耦合作用，驱动渐进式变形演化：从缓慢蠕变和阶段性调整，发展为局部加速变形，最终导致边坡失稳。边坡片帮和大规模破坏对人员和设备安全构成严重威胁，并干扰正常采剥作业。因此，基于连续监测时间序列及时识别变形状态转变，对露天矿山边坡风险缓解至关重要。

当前主流边坡异常预警方法分为三类：经验阈值法、基于物理模型的破坏预测法以及数据驱动的智能识别法。速度阈值法易于工程实施，但固定阈值对监测位置、采样间隔和背景变形特征高度敏感，需针对每个边坡单独校准。逆速度法基于速度随时间变化规律预测临近破坏时间，但其预测性能严重依赖滑动窗口选择、加速特征识别和理论模型假设，在不同工况下常出现不一致的预测精度。机器学习模型已被广泛应用于边坡破坏预测和稳定性评估，但其预测性能高度依赖充足的标记破坏样本和稳定的数据分布，这严重限制了其在样本有限的矿山监测场景中的适用性。

鉴于露天煤矿中记录完整的边坡剥落事件普遍稀缺，无监督异常检测为需要标记破坏样本的有监督学习方法提供了一种实用替代方案。稳健统计指标可减轻离群值对基线参数估计的干扰，累积和算法可检测时间序列中的细微持续偏差，变点检测算法可识别变形时间序列均值、方差或趋势的结构突变。然而，每种单一算法仅捕捉一个独立的变形特征，无法全面刻画边坡从微小局部扰动到加速失稳直至最终破坏的整个演化过程。

针对上述研究背景，本研究构建了一个数据稀缺条件下露天煤矿边坡多指标融合异常预警框架的探索性案例调查。

研究内容与结论

研究人员以新疆南露天煤矿2021年5月25日的剥落事件作为试验平台，检验该框架的可行性。研究区分了两类数据——来自文献的表格转录数据和图像数字化数据——以分析长期变形特征并构建一个仅依赖当前和历史数据的融合异常得分。通过对单次事件的小时级回放、完整参数网格扫描、外部曲线形态检验、数字化误差传播分析以及相轨迹比较，评估了方法的响应及其局限性。研究明确指出，对同一事件的参数分析不等同于独立验证，统计异常也不等同于失稳前兆。

主要技术方法

研究人员采用了四项关键技术方法：（1）运动学位移指标计算，包括离散位移、速度和加速度；（2）瞬时异常指标，基于基线中位数和中位数绝对偏差（MAD）构建稳健Z分数；（3）持久偏差指标，采用双侧累积和（CUSUM）算法检测速度序列中的持续微小偏移；（4）阶段转换指标，通过比较两个相邻历史窗口的均值差异识别结构突变。这四个指标通过等权平均融合形成综合异常得分，并使用基线序列的第95百分位数进行归一化处理。阈值设定为H = m × max[Q_0.95(F_baseline), 0.5]，主设置下m=2。所有分析均基于文献中转录的表格数据和从图形中数字化提取的曲线数据，监测数据来源于新疆南露天煤矿的IBIS-FM地基雷达系统。

研究结果

4.1 多点监测的空间差异性

四个监测点的位移增量Spearman相关系数范围为-0.223至0.092，表明各监测点之间的短期位移增量相关性较弱，说明边坡变形以局部独立响应为主。在整个监测期间，同步异常信号大多仅出现在单个监测点上，从未同时检测到三个及以上监测点的阈值超限事件。

4.2 气象时间滞后的统计特征

格点降水与日最大平均位移增量在滞后11天时达到峰值绝对相关系数ρ=-0.288，而奇台站降水在滞后7天时达到最大绝对值ρ=-0.305。温度具有比降水更强的区域空间一致性。两组降水数据均揭示了日位移增量与前序气象过程之间存在统计相关性。

4.3 事件窗口内的异常响应

在主设置下，基线融合得分Q_0.95为0.676，融合阈值H=1.351。评估期内12个采样点中有10个超过阈值，形成一个连续的采样段，累计跨度60小时。速度Z分数、加速度Z分数和融合得分均在2021年5月25日00:00首次超过阈值，比09:00的现场记录提前9小时；因果变化指标在06:00超过阈值，提前3小时；CUSUM在12:00超过阈值，滞后3小时。研究指出，00:00的双侧异常包含了方向反转，不能直接解释为有效的破坏前兆。

4.4 外部曲线验证

三种外部数字化曲线（周期型、稳定型和突变型）分别包含342、336和320个提取点。完整融合方法在周期型、稳定型和突变型曲线上分别超出阈值1次、0次和2次。在相同速度Z分数阈值3下，对应超限点数分别为35、0和3。这表明在当前设置下，融合减少了周期型曲线上的超限点数，但不能据此声称其普遍优于单一指标。

4.5 参数灵敏度与评估边界

在涵盖基线长度6-10个样本和阈值乘数1.0-3.0的25种参数组合中，6种组合产生15小时提前量，17种产生9小时提前量，2种滞后3小时，无不触发组合。主设置（b=8, m=2）在研究过程中已预先确定，但仍不构成盲法验证。

4.6 相轨迹探索性比较

研究人员借鉴了相空间轨迹表示思想，构建了基线标准化有符号速度和加速度的相轨迹。探索性门控条件为：融合得分≥H、轨迹半径超过自身基线Q₉₅且连续两步增加。门控后主事件曲线首次触发时间不变，但连续超限从10个点减少为2个孤立点。周期型仍有一个超限点，稳定型仍为零，突变型从2个减为1个。研究表明，没有证据表明该门控能进一步抑制周期性误报。

4.7 数字化与舍入误差传播

对主事件施加±0.0005mm均匀扰动时，200次重复均保留了00:00的首次超限和10个超限点。在像素扰动场景下，周期型、稳定型和突变型曲线分别有94.0%、65.0%和68.5%的实现出现超限，表明外部曲线的触发结论对数字化误差敏感。

讨论部分总结

多指标融合的目的是组织异常证据并优先排序审查，其增益需通过独立背景和事件数据分别检验。四个指标的异步响应反映了指标定义和基线尺度的差异，不能解释为四个指标共同确认了提前9小时的前兆。四个监测点之间的增量相关性较低，表明不应使用平均位移代表所有局部变化。气象数据的滞后相关性仅为统计关联，不能确认降水是该剥落事件的直接诱因。异常识别是破坏时间预测的前置步骤，实时应用需严格分离方法设计与未来评估。工程部署前需获取原始现场监测数据、设备质量标识和无事件背景记录，预先锁定基线、窗口和阈值并按数据到达顺序回放，交叉核对超限时段与完整事件台账、爆破和开挖记录，并在未参与方法设计的事件上评估触发和误报情况。

研究结论翻译

(1) 南露天矿四个典型监测点的重构位移增量呈弱相关性，绝对Spearman相关系数不超过0.223。该结果描述了空间差异，不能自行确认岩体破坏机制。(2) 建立了由速度Z分数、加速度Z分数、双侧CUSUM和因果历史窗口变化分数组成的等权融合方法，基线统计量冻结，仅在基线结束后计数超限。通过了前缀截断和未来值扰动检验。(3) 在主设置下，融合得分首次统计超限发生在2021年5月25日00:00，比现场边坡破坏记录提前9小时；然而，该时刻包含了位移方向反转，尚不能确认为有效的破坏前兆。在25种参数组合中，6种产生15小时提前量，17种产生9小时提前量，2种滞后3小时，表现出参数依赖性。(4) 完整融合方法在外部周期型、稳定型和突变型数字化曲线上分别得到1、0和2个超限点。相轨迹门控未减少周期性超限，像素扰动可改变外部触发结果；这些曲线不能替代对真实事件的独立验证或证明普遍的误报抑制能力。(5) 本研究的证据仅限于单事件回顾性分析、形态测试和误差情景分析。气象统计关联不作因果解释，融合得分不代表破坏概率；该方法的工程预警可靠性仍需基于独立原始监测数据和完整事件背景记录进行验证。