基于 IF-CM-LOF 的尾矿坝位移监测数据离群值诊断

金属矿山 ›› 2022, Vol. 51 ›› Issue (11): 208-215.

基于 IF-CM-LOF 的尾矿坝位移监测数据离群值诊断

易思成¹ 康喜明² 吴浩³ 胡少华^1,4

1. 武汉理工大学安全科学与应急管理学院,湖北武汉 430070;2. 国网内蒙古东部电力有限公司,内蒙古呼和浩特 010020;3. 华中师范大学城市与环境科学学院,湖北武汉 430079;4. 国家大坝安全工程技术研究中心,湖北武汉 430010

出版日期:2022-11-15 发布日期:2022-12-08
基金资助:
国家自然科学基金项目(编号:51979208);2019 年湖北省技术创新专项重大项目(编号:2019ACA143)

Outlier Diagnosis of Tailings Dam Displacement Monitoring Data Based on IF-CM-LOF

YI Sicheng¹ KANG Ximing² WU Hao³ HU Shaohua^1,4 #br#

1. School of Safety Science and Emergency Management,Wuhan University of Technology,Wuhan 430070,China;2. State Grid Inner Mongolia East Electric Power Co. ,Ltd. ,Hohhot 010020,China;3. College of Urban and Environmental Sciences,Central China Normal University,Wuhan 430079,China;4. National Research Center for Dam Safety Engineering Technology,Wuhan 430010,China

Online:2022-11-15 Published:2022-12-08

摘要/Abstract

摘要： 为解决孤立森林（IF）算法在离群值识别过程中对于边界位置数据处理结果的模糊性和不确定性问题，提高监测数据中异常值的检出率，在使用IF算法进行离群值初步识别的基础上，将IF量化计算后的异常得分引作变量，导入云模型（CM）逆向云发生器，根据逆向云变换所得的云数字特征值实现边界数据定位，进一步引入局部异常因子（LOF）算法对所定位的边界数据进行二次精确诊断，以某尾矿坝地表位移监测数据为例进行了模型验证。研究结果表明：对于监测数据中真实异常值和边界部分随机误差，IF模型检出率为16.5%和22.2%，而IF-CM-LOF模型的检出率分别达到90%和61.1%，离群值诊断性能明显优于IF模型。

关键词: 尾矿坝, 离群值, 监测数据, 检出率, IF-CM-LOF

Abstract: In order to solve the problems of fuzzle and uncertainty in the processing results of boundary position data by isolated forest (IF) algorithm in the process of outlier identification,and improve the detection rate of outliers in monitoring data,on the basis of using the IF algorithm for preliminary identification of outliers,the outlier scores after quantitative calculation were introduced into the cloud model (CM) reverse cloud generator as variables.Based on the cloud digital eigenvalues obtained by the reverse cloud transform,the boundary data was located.The local anomaly factor (LOF) algorithm was further introduced to make the secondary accurate diagnosis of the located boundary data.The surface displacement monitoring data of a tailings dam was taken as an example to verify the model.The results show that for the real outliers and boundary random errors in the monitoring data,the detection rates of the IF model are 16.5% and 22.2%,while the detection rates of the IF-CM-LOF model are 90% and 61.1%,respectively.The diagnostic performance of outliers is obviously better than that of the IF model.

Key words: tailings dam,outlier,monitoring data,detection rate,IF-CM-LOF

易思成, 康喜明, 吴浩, 胡少华. 基于 IF-CM-LOF 的尾矿坝位移监测数据离群值诊断[J]. 金属矿山, 2022, 51(11): 208-215.

YI Sicheng, KANG Ximing, WU Hao, HU Shaohua. Outlier Diagnosis of Tailings Dam Displacement Monitoring Data Based on IF-CM-LOF[J]. Metal Mine, 2022, 51(11): 208-215.

[1]	郭　梨, 高　元, 吴　昊, 杨　震. 基于混合因果逻辑的尾矿坝事故知识图谱构建与应用[J]. 金属矿山, 2025, 54(1): 233-.
[2]	胡靖雯, 聂闻, 芦松, 王震豪, Pooya Saffari. 一种基于静态贝叶斯的降雨诱发尾矿坝失稳评估模型[J]. 金属矿山, 2023, 52(11): 268-275.
[3]	宋清蔚, 朱万成, 徐晓冬, 张鹏海, 陈承桢, 刘溪鸽. 岩石破坏过程实时监测预警软件系统———搭建与初步应用[J]. 金属矿山, 2022, 51(10): 155-164.
[4]	陈毅琳, 唐晓玲, 李艳军, 刘金长, 孙永升. 酒钢尾矿悬浮磁化焙烧扩大连续试验研究[J]. 金属矿山, 2020, 50(05): 178-184.
[5]	郝喆, 杨青潮, 周素航. 生态修复尾矿坝的边坡稳定性评价[J]. 金属矿山, 2019, 48(08): 162-166.
[6]	李辉, 易富, 张佳, 杜常博. 尾矿坝稳定性属性识别的因素空间-未确知测度模型[J]. 金属矿山, 2019, 48(03): 161-167.
[7]	孙友佳, 秦忠国, 仇宇霞, 丁灵龙. 尾矿坝准三维渗流计算分析[J]. 金属矿山, 2019, 48(01): 187-191.
[8]	戴华阳, 廖孟光, 田秀国. 建筑物下压煤条带煤柱巷柱式加固技术及应用[J]. 金属矿山, 2017, 46(10): 99-104.
[9]	何方维, 史艳辉, 裴恒, 王先锋. 露天采场爆破与尾矿库交互影响分析[J]. 金属矿山, 2017, 46(05): 65-68.
[10]	严琼, 吴顺川, 李龙, 王强志. 基于耦合模型的尾矿坝稳定性对比分析[J]. 金属矿山, 2015, 44(09): 5-10.
[11]	何锦龙, 伍跃胜, 刘泽东, 刘磊2. 不同降雨量对尾矿坝稳定性的影响规律分析[J]. 金属矿山, 2015, 44(08): 150-153.
[12]	杜艳强, 杨春和, 张超, 巫尚蔚, 李小生, 沈楼燕. 尾矿坝辐射井降水模型[J]. 金属矿山, 2015, 44(05): 20-23.
[13]	陈星, 朱远乐, 肖雄, 贺治国. 尾矿坝溃坝对下游淹没和撞击的研究[J]. 金属矿山, 2014, 43(12): 188-192.
[14]	史冬梅, 杨风暴, 王肖霞. 尾矿坝风险评估中指标相关性权重的确定[J]. 金属矿山, 2014, 43(11): 143-146.
[15]	余德运, 吕淑然, 秦花. 爆破对上游式尾矿库初期坝影响的模拟研究[J]. 金属矿山, 2014, 43(01): 38-42.

扫码分享