[发明专利]一种风电机组CMS异常数据包识别方法

说明书

本发明公开了一种风电机组CMS异常数据包识别方法，通过对各数据包进行幅值过低异常检测、零点漂移异常检测、正负数据不平衡异常检测、数据闪断异常检测、数据突变异常检测、奇异值异常检测以及多点重复异常检测，建立异常数据包审查和识别算法，自动剔除异常数据包。本发明技术优势在于能够从海量CMS数据中自动识别出由于传感器异常、采集装置异常、网络输出异常、外界环境干扰以及风电机组偏航、变桨等引起的各种异常情况下的振动数据包，并能够自动区分出异常数据和故障数据，在剔除异常干扰数据的同时，保存故障数据，避免故障数据的丢失，为基于CMS数据的故障诊断提供高质量数据样本。

技术领域

本发明属于数据异常检测领域，涉及一种异常数据检测方法，具体涉及一种风电机组CMS异常数据包识别方法。

背景技术

目前风电机组都安装有“状态监测系统”，简称“CMS”。CMS主要通过在风电机组的轴承、齿轮箱、发电机等部件上加装振动传感器和转速传感器来对风电机组部件进行实时监测，通过对振动数据分析可识别机组各核心部件健康状态以及机组的整体健康状况，并根据部件的健康状态合理安排运维计划，避免了传统运维方式过维护和欠维护缺点。实际中，振动数据质量的好坏直接关系到监测的结果是否可靠。利用异常的振动数据对机组状态进行评估，不仅不能识别机组健康状态，甚至有时会导致监测系统误报故障，严重影响了振动监测系统在风电机组预防性维护中的应用体验，对运维人员带来了很大困扰。CMS数据往往由于传感器损坏、传感器脱落、网络传输异常、边缘数据采集硬件缺陷等原因导致振动数据存在异常。

为提高基于CMS数据的故障诊断的准确性和效率，在对CMS数据进行时域、频域以及时频域分析之前，首先需要判断CMS数据包是否为异常数据包，即对CMS数据包的质量进行检测，分析其是否存在零点漂移、数据中断、数据突变、正负数据不平衡等异常状况。若存在上述异常，则CMS数据包为异常数据包，对其进行剔除，以减少振动分析的工作量以及由此带来的误报故障。传统对数据质量进行检测的方法主要有不平衡分析、周期性检验以及AR模型预测等方法，但是这些方法都不适用于CMS数据的异常检测，因为CMS数据为非平稳数据，数据波动较大，而且当部件出现不同类型故障时其振动数据的周期性、数据分布特性也会发生变化，无法用单一的数据平稳性、周期性和正态性对其进行检测，更无法利用AR模型对其未来值进行准确预测。此外，利用差分方法、相关性分析法、多个传感器对比分析法、频谱分析法等对数据质量进行异常检测在实际中也有应用，但由于振动数据的相关性小、数据变化快、数据本身具有冲击、频率成分复杂等特性，上述方法并不能很好的适用于振动数据的异常检测。

从上面的分析可以看出，现有技术针对CMS数据的异常检测适用性较差，无法从复杂的振动数据中有效识别出零点漂移、数据中断、数据突变、正负数据不平衡等异常状况，不能满足风电机组CMS系统监测数据的质量异常检测需求。

发明内容

为了解决现有技术中的问题，本发明的目的在于提供一种风电机组CMS异常数据包识别方法，通过对各数据包进行幅值过低异常检测、零点漂移异常检测、正负数据不平衡异常检测、数据闪断异常检测、数据突变异常检测、奇异值异常检测以及多点重复异常检测，建立异常数据包审查和识别算法，自动剔除异常数据包。

为了实现以上目的，本发明所采用的技术方案为，

一种风电机组CMS异常数据包识别方法，所述异常数据包识别方法是通过对各数据包进行幅值过低异常检测、零点漂移异常检测、正负数据不平衡异常检测、数据闪断异常检测、数据突变异常检测、奇异值异常检测以及多点重复异常检测，根据检测结果判断数据包是否为异常数据包，并对异常数据包进行自动标识和剔除，具体包括以下步骤：

1)收集风电机组的CMS数据，获得各测点的振动数据包D＝{x₁,x₂,…,x_n}，对于每一振动数据包，找出振动数据包中的所有波峰数据和波谷数据；

2)计算每一振动数据包中波峰数据的平均值和波谷数据的平均值