2.2.3 风机主传动系统异常数据检测

风机通常运行在高山、高原、海上等地区，运行环境复杂多变，启/停机、转速大波动、电压不稳定、异物撞击等情况易产生干扰数据。这些干扰数据不但会降低数据质量，而且易导致风机运维管理系统误报警。因此，必须利用异常数据检测技术保障数据质量，以降低系统误报警率。如图2-14所示为某电力集团的1.5MW风机主传动系统结构，由叶片、增速齿轮箱、发电机等部件组成。其中，发电机驱动端装有加速度振动传感器，监测驱动端轴承的健康状态。振动信号的采样频率为25.6kHz，每次采样时长为4s，采样间隔为7。

图2-14 某电力集团1.5MW风机主传动系统结构

将基于KLOF的异常数据检测方法应用于风机主传动系统的异常数据检测，首先需要确定k的取值范围[k_min，k_max]。设k_max=50，由式（2-20）可知，当w_max=l/6时，能够满足异常数据的检测需求。由于高质量数据之间也存在一定差异，若k取值过小，将导致某些高质量数据的异常因子值大于1，从而被误判为异常数据，因此需要分析k的取值下界，消除高质量数据波动对LOF计算的影响。如图2-15所示为某时刻风机离线历史数据的时域波形，该数据波形中不存在异常数据。利用长度为1 000的滑窗对其进行分割，并提取特征指标，从而得到高质量的数据样本集。当k∈[1，50]时，根据式（2-19）计算各个样本的LOF值。统计不同k下LOF的最大值、均值、最小值，如图2-16所示。由图可知，当k＜10时，LOF的最大值、均值、最小值存在波动。因此，对于生成的高质量数据，当k_min设置为10时，可消除高质量数据的异常波动对LOF计算的影响。

图2-15 某时刻风机离线历史数据的时域波形

图2-16 LOF的统计值随邻近数k的变化曲线

待检测的离线历史数据时域波形如图2-17（a）所示。经计算，数据最优滑动分割窗窗长为3 000，最优窗下获得的KLOF如图2-17（b）所示。由于2.62～2.83s（对应窗序列262～283）的KLOF超过阈值，因此判断这段数据存在异常。如图2-17（a）所示，该标识时间段内数据发生了较为明显的数据漂移，表明基于KLOF的异常数据检测方法能够自动检测出离线历史数据中的异常数据，保障数据质量。

图2-17 离线历史数据及其KLOF