第2章　设备状态数据预处理

2.1　状态数据预处理概述

状态数据能够表征设备的实际运行情况，是对设备健康状态进行评价、预测以及对维护维修活动进行决策的数据基础。在状态数据的获取、传输和存储过程中常常会受到各种噪声的干扰和影响而使数据质量下降，数据质量好坏直接关系到后续数据分析和建模的效果。为提高后续分析与建模的质量，必须对数据进行预处理，在尽可能保持原始数据完整性（即主要特征）的同时，去除数据中无用信息，重构反映设备原始数据本来面目的状态信息。

粗大误差的存在会严重干扰状态监测分析的结果，必须将其从原始数据中剔除，以恢复状态数据的本来面目。常用的判别粗大误差的方法有基于统计的方法、基于距离的方法、基于密度的方法、基于聚类的方法等。在实际应用中可以根据状态监测数据的特点进行选择。除粗大误差外，状态数据不正常的大的波动也会影响到设备状态趋势的分析结果，为了提高状态参数变化趋势分析的准确性，常常需要对剔除粗大误差后的状态数据进行平滑处理。移动平均平滑法和指数平滑法是工程实际中应用较多的数据平滑方法。

粗大误差及产生原因

小波变换非常适合处理非平稳信号，是一种多尺度时-频分析工具，在小尺度时可以有效地表征数据点的特征，随着尺度的增大，小波变换则可以对数据趋势特征有较好的呈现。可见，小波变换对于数据突变和数据趋势突变等局部特征都能很好地描述，十分适合于诸如发动机气路参数样本等设备状态参数的异常数据识别。通过应用二进小波变换模极大理论对信号小波变换模极大曲线进行搜索和处理，可以在识别信号突变的同时抑制随机噪声，进而有效地重构原信号。基于信号二进小波变换模极大曲线搜索方法难以保证小波变换模极大曲线的搜索精度及信号的重构精度，而基于连续小波变换模极大曲线搜索的信号突变识别与重构方法，则利用傅里叶变换实现信号的小波变换与反演的快速算法，能够解决连续小波变换带来的运算速度问题，从而提高小波变换模极大曲线搜索及信号重构的准确性。

设备状态信号实际上是由趋势项和噪声叠加而成的。奇异值分解（SVD）方法是一种具有良好效果的非线性降噪方法，其降噪后的信号具有较小的相移，不存在时间延迟，因此被广泛应用于振动、电磁等信号的降噪中。SVD降噪的关键在于如何通过对信号噪声的先验估计来选择恰当的奇异值个数进行信号的重构，但在实际中往往难以对含噪声信号的信噪比进行估计。为了在识别原始信号突变的同时有效抑制随机噪声，进而有效重构原始信号，可以将经验模态分解（EMD）和SVD方法相结合，首先对状态信号进行EMD并选择合适的时间尺度提取出信号的趋势分量，其次对原始信号剩余部分采用SVD降噪，并利用奇异值差分谱方法自适应选择奇异值用于信号重构，最后将降噪后的信号和趋势分量进行叠加得到最终的降噪信号。

本章围绕设备状态数据预处理的需求，重点聚焦粗大误差去除、状态数据平滑、状态信号重构等展开叙述。首先介绍状态数据粗大误差识别与处理和常用的状态参数平滑方法，然后围绕状态信号重构问题，介绍基于连续小波变换模极大曲线的信号突变识别与重构方法以及经验模态分解和奇异值分解相结合的数据处理方法，为异常检测、趋势预测、状态评价、故障诊断和维修计划等智能运维决策提供高质量的原始数据。