周建華，呂鵬遠(yuǎn)，王 春

（1.中國(guó)水利水電科學(xué)研究院 北京中水科工程總公司，北京 100048；2.響水長(zhǎng)江風(fēng)力發(fā)電有限公司，湖北 鹽城 224600）

一種適用于海上風(fēng)機(jī)監(jiān)測(cè)數(shù)據(jù)實(shí)時(shí)處理的方法研究

周建華1，呂鵬遠(yuǎn)2，王 春1

（1.中國(guó)水利水電科學(xué)研究院 北京中水科工程總公司，北京 100048；2.響水長(zhǎng)江風(fēng)力發(fā)電有限公司，湖北 鹽城 224600）

海上風(fēng)機(jī)監(jiān)測(cè)異常數(shù)據(jù)實(shí)時(shí)處理，對(duì)于風(fēng)機(jī)結(jié)構(gòu)體系功能與安全狀態(tài)的分析評(píng)價(jià)，具有十分重要的意義。但現(xiàn)階段對(duì)于異常數(shù)據(jù)實(shí)時(shí)處理方法的研究還有待完善。本文結(jié)合風(fēng)機(jī)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)特點(diǎn)，采用具有自動(dòng)調(diào)整參數(shù)功能的AR（n）模型預(yù)測(cè)算法進(jìn)行異常數(shù)據(jù)實(shí)時(shí)處理，對(duì)處理機(jī)制進(jìn)行了分析。應(yīng)用該方法對(duì)某海上風(fēng)機(jī)實(shí)時(shí)采集風(fēng)速及多種傳感器監(jiān)測(cè)數(shù)據(jù)進(jìn)行了處理，討論了該方法的精度及處理效率，驗(yàn)證了該方法對(duì)于處理風(fēng)機(jī)異常監(jiān)測(cè)數(shù)據(jù)的有效性和適用性。

異常數(shù)據(jù)；實(shí)時(shí)處理；處理機(jī)制；AR（n）自動(dòng)調(diào)參預(yù)測(cè)模型

1 研究背景

近年來，對(duì)海上MW級(jí)風(fēng)機(jī)安全運(yùn)行狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè)成為研究熱點(diǎn)?，F(xiàn)有海上監(jiān)測(cè)技術(shù)主要針對(duì)海上風(fēng)機(jī)所受荷載及相應(yīng)的響應(yīng)進(jìn)行監(jiān)測(cè)，原始數(shù)據(jù)經(jīng)過數(shù)據(jù)存儲(chǔ)、分析及處理，得到基礎(chǔ)的安全運(yùn)行狀況和維修決策等結(jié)論。由于基礎(chǔ)結(jié)構(gòu)損壞、監(jiān)測(cè)對(duì)象固有變化異常、測(cè)量?jī)x器故障、數(shù)據(jù)傳輸錯(cuò)誤或者噪音信號(hào)摻雜等原因，常常引發(fā)傳感器監(jiān)測(cè)數(shù)據(jù)的異常。如果不能實(shí)時(shí)有效地對(duì)監(jiān)測(cè)數(shù)據(jù)流中的異常數(shù)據(jù)進(jìn)行處理，異常信息不能有效辨識(shí)，缺失信息不能有效修復(fù)，會(huì)給后續(xù)數(shù)據(jù)處理與分析帶來很大的誤差，低精度和異常的監(jiān)測(cè)數(shù)據(jù)會(huì)嚴(yán)重影響對(duì)基礎(chǔ)結(jié)構(gòu)體系功能與特性的分析評(píng)價(jià)，威脅風(fēng)機(jī)基礎(chǔ)安全運(yùn)行。

通過對(duì)于海上風(fēng)機(jī)監(jiān)測(cè)數(shù)據(jù)的分析研究及相關(guān)研究成果的歸納總結(jié)，得到海上風(fēng)機(jī)監(jiān)測(cè)數(shù)據(jù)的以下特點(diǎn)［1-3］：無固定的分布模型，隨季節(jié)變化而變化，隨時(shí)間變化非線性強(qiáng)，數(shù)據(jù)具有較高不確定性，無法提供大量可信的訓(xùn)練數(shù)據(jù)，監(jiān)測(cè)數(shù)據(jù)流每天波動(dòng)范圍相對(duì)小，變化趨勢(shì)相近；監(jiān)測(cè)數(shù)據(jù)種類多，格式復(fù)雜、信息量大，每天數(shù)據(jù)量甚至能達(dá)到十幾GB。

針對(duì)風(fēng)機(jī)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)特點(diǎn)，國(guó)內(nèi)學(xué)者已經(jīng)研究了很多處理辦法，如小波分析、數(shù)據(jù)挖掘和數(shù)據(jù)流理論等，然而，常用方法包含大量參數(shù)、算法比較復(fù)雜，占用較大的存儲(chǔ)空間、計(jì)算效率較低，且具有代表性的樣本數(shù)據(jù)的選取也是亟需解決的問題［4］，因此主要適用于處理離線異常數(shù)據(jù)，對(duì)于海量實(shí)時(shí)異常數(shù)據(jù)處理還存在一定的困難。對(duì)于風(fēng)機(jī)實(shí)時(shí)異常數(shù)據(jù)，處理方法既要充分體現(xiàn)數(shù)據(jù)分布的特點(diǎn)，且要滿足處理效率要求，又不能依賴大量可信的訓(xùn)練數(shù)據(jù)。

2 基于AR（n）預(yù)測(cè)模型的風(fēng)機(jī)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)處理方法

本文利用監(jiān)測(cè)對(duì)象本身的一組觀測(cè)數(shù)據(jù)之間的關(guān)系來描述監(jiān)測(cè)數(shù)據(jù)隨機(jī)變動(dòng)的規(guī)律，即建立AR（n）線性自回歸預(yù)測(cè)模型。給出監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)模型參數(shù)及其機(jī)制，以預(yù)測(cè)未來時(shí)刻的值，用預(yù)測(cè)值和監(jiān)測(cè)值比較的方法確定異常值。

AR（n）預(yù)測(cè)模型的建立不需要預(yù)先設(shè)定參數(shù)值，只需少量近期正常監(jiān)測(cè)數(shù)據(jù)和簡(jiǎn)單計(jì)算就可以估計(jì)模型的參數(shù)并能實(shí)時(shí)給出預(yù)測(cè)值，比較適用于監(jiān)測(cè)數(shù)據(jù)種類多、格式復(fù)雜、信息量大的海上風(fēng)機(jī)異常監(jiān)測(cè)數(shù)據(jù)的實(shí)時(shí)處理。

結(jié)合相關(guān)研究文獻(xiàn)，為了降低預(yù)測(cè)誤差，本文采用預(yù)測(cè)模型參數(shù)自動(dòng)調(diào)整策略，以便在預(yù)測(cè)誤差超過預(yù)先設(shè)定的閾值時(shí)，通過相應(yīng)計(jì)算就可以估計(jì)模型的參數(shù)并能實(shí)時(shí)給出預(yù)測(cè)值并實(shí)時(shí)自動(dòng)調(diào)整預(yù)測(cè)模型。

2.1 AR（n）模型異常數(shù)據(jù)處理機(jī)制N個(gè)樣本點(diǎn)與xt的線性關(guān)系為：是不可觀測(cè)的隨機(jī)變量。即：

式中：βi為自回歸參數(shù)；為 εt的方差［5］。

將{xt}序列直接代入式（1），可以得到線性方程組，用矩陣形式表示為：

根據(jù)多元回歸理論，參數(shù)矩陣β的最小二乘估計(jì)為：

對(duì)AR（n）模型，擬合的方法有很多，根據(jù)相關(guān)研究成果，其中Box擬合方法簡(jiǎn)單，且具有較快的擬合速度，尤其適用于對(duì)模型階次毫無任何驗(yàn)前信息的情況［5-7］。該擬合方法在做最小二乘估計(jì)時(shí)，從n=1開始對(duì){xt}開始擬合AR（n）模型，檢查最后一個(gè)自回歸系數(shù)βn，如果βn≈0，則確定適用模型為AR（n-1）。

根據(jù)AR（n）模型的性質(zhì)知［8］，其模型的誤差值，即滿足標(biāo)準(zhǔn)正態(tài)分布。為使 εt盡可能為0，在預(yù)測(cè)過程中AR（n）模型應(yīng)自動(dòng)調(diào)整相關(guān)參數(shù)。當(dāng)εt=0出現(xiàn)的概率小于一個(gè)閾值時(shí)，模型就需要調(diào)整。設(shè)當(dāng)前時(shí)刻的預(yù)測(cè)誤差為εt，預(yù)測(cè)誤差期望值為E（εt），設(shè)調(diào)整后的誤差為ε′t，要使ε′t盡可能為0，可將 εt-E（εt）的值近似為ε′t，即ε′t=εt-E（εt）。

用 βi代替，用ε′t代替εt-E( ) εt，則原模型可改寫為如下形式：

即為調(diào)整后的預(yù)測(cè)模型。綜合相應(yīng)的研究成果［9-10］，給出如下調(diào)整方案：針對(duì)每次的誤差值εt，計(jì)算 P（εt=0），即計(jì)算εt=0出現(xiàn)的概率；如果P（εt=0）＜δ，δ為設(shè)定的閾值，則計(jì)算；計(jì)算；得到相應(yīng)參數(shù)，結(jié)合式（4），重新構(gòu)建預(yù)測(cè)模型。

對(duì)于實(shí)際監(jiān)測(cè)數(shù)據(jù)，xt可能是一個(gè)不符合普遍分布規(guī)律的數(shù)據(jù)，即異常數(shù)據(jù)。此時(shí)，如果用xt去預(yù)測(cè) xt+1，xt+2，…，則會(huì)出現(xiàn)預(yù)測(cè)失真，為減小預(yù)測(cè)誤差，采用預(yù)測(cè)值代替 xt來進(jìn)行預(yù)測(cè)。雖然仍然會(huì)出現(xiàn)失真，但誤差就會(huì)小很多。

2.2 異常數(shù)據(jù)處理方法算法編程由式（1）得且，設(shè)W為一步后移算子，即xt-1=Wxt，則可得下式：

定義：

式中：N為樣本容量；ω2表示時(shí)間序列中當(dāng)前時(shí)刻向前N步時(shí)刻（N為整數(shù)，且N≥1）相應(yīng)預(yù)測(cè)誤差εt平方和的平均值；λ表示當(dāng)前誤差值 εt+1的平方與ω2的比值，λ即為檢測(cè)xt+1是否異常的統(tǒng)計(jì)量；U為預(yù)先設(shè)定的大于零的常數(shù)，當(dāng)λ＞U，xt+1為異常監(jiān)測(cè)數(shù)據(jù)。

在實(shí)際應(yīng)用中，可根據(jù)相關(guān)傳感器監(jiān)測(cè)數(shù)據(jù)分布特點(diǎn)及實(shí)際要求而設(shè)定，假設(shè)U為0.3，則表示如果當(dāng)前誤差的平方和是平均誤差平方和的零點(diǎn)三倍時(shí)，認(rèn)為是異常數(shù)據(jù)。U值越大，表示監(jiān)測(cè)數(shù)據(jù)中包含的異常數(shù)據(jù)的越少。一般來說，對(duì)λ＞U的情形，意味著異常值比正常值大，統(tǒng)計(jì)量λ的大小標(biāo)志著異常點(diǎn)偏離正常的大小。

利用Matlab軟件與Java語(yǔ)言按照上文所述步驟編寫相應(yīng)程序，實(shí)現(xiàn)該異常數(shù)據(jù)處理算法，具體程序框架如下圖1所示。

圖1 異常數(shù)據(jù)實(shí)時(shí)處理程序框架圖

3 異常數(shù)據(jù)處理方法應(yīng)用

利用上述方法對(duì)海上風(fēng)機(jī)風(fēng)速及各種傳感器實(shí)測(cè)數(shù)據(jù)進(jìn)行處理，驗(yàn)證該異常數(shù)據(jù)處理方法的有效性及適用性。由于風(fēng)機(jī)塔筒無法安裝風(fēng)速傳感器，采用風(fēng)機(jī)臨近的測(cè)風(fēng)塔上的風(fēng)速儀監(jiān)測(cè)值進(jìn)行分析，風(fēng)速傳感器安裝高度為10m，采樣周期為5 s，其他類型傳感器包括鋼筋計(jì)、傾角計(jì)、土壓力計(jì)及錨索計(jì)，安裝在風(fēng)機(jī)基礎(chǔ)不同位置處，采樣周期均為6m in。

3.1 異常風(fēng)速監(jiān)測(cè)數(shù)據(jù)處理對(duì)于AR（n）模型，選擇合適的樣本容量和模型階數(shù)n是至關(guān)重要的。樣本容量和階數(shù)太大，將產(chǎn)生大的計(jì)算量，不適合用于實(shí)時(shí)檢測(cè)；但如果采用過小的容量和階數(shù)，又不能精確的擬合監(jiān)測(cè)數(shù)據(jù)。結(jié)合AR（n）模型相關(guān)研究成果［6，11］，綜合考慮處理效率和可靠度，確定樣本容量為160，模型階數(shù)n為4，在此基礎(chǔ)上，針對(duì)某時(shí)段內(nèi)連續(xù)風(fēng)速實(shí)測(cè)值進(jìn)行分析，討論該異常數(shù)據(jù)處理方法的適用性和有效性問題。

（1）具有自調(diào)整機(jī)制的AR（n）預(yù)測(cè)模型的有效性。對(duì)于正常風(fēng)速監(jiān)測(cè)數(shù)據(jù)，運(yùn)用自調(diào)整系數(shù)的AR（n）預(yù)測(cè)模型，給出對(duì)應(yīng)時(shí)刻預(yù)測(cè)值。預(yù)測(cè)值與實(shí)測(cè)值之間的對(duì)比結(jié)果如圖2所示。

圖2 無異常監(jiān)測(cè)數(shù)據(jù)實(shí)測(cè)值與其預(yù)測(cè)值

圖3 含有異常的監(jiān)測(cè)數(shù)據(jù)實(shí)測(cè)值與預(yù)測(cè)值對(duì)比

由相關(guān)研究成果可知［10-11］，預(yù)測(cè)結(jié)果可由最終預(yù)測(cè)誤差（FPL）定量評(píng)價(jià)，經(jīng)過程序計(jì)算，該模型最終預(yù)測(cè)誤差。一般認(rèn)為，當(dāng)FPE＜0.0015時(shí)，預(yù)測(cè)模型較好，預(yù)測(cè)結(jié)果比較符合實(shí)際，且預(yù)測(cè)值與實(shí)測(cè)值之間的最大誤差為2.68%，大部分?jǐn)?shù)據(jù)誤差在1%以內(nèi)。故該模型對(duì)于正常監(jiān)測(cè)數(shù)據(jù)流，具有較好的精度，適用性較好。故可以用預(yù)測(cè)值代替對(duì)應(yīng)時(shí)刻的實(shí)測(cè)值，不會(huì)產(chǎn)生較大誤差。

為了驗(yàn)證模型對(duì)含有異常數(shù)據(jù)序列的適用與否，針對(duì)上述時(shí)間段實(shí)測(cè)風(fēng)速值，人為的加入一些單個(gè)及連續(xù)的異常數(shù)據(jù)作為傳感器監(jiān)測(cè)值，考慮模型階數(shù)、監(jiān)測(cè)數(shù)據(jù)容量，以及傳感器監(jiān)測(cè)數(shù)據(jù)的實(shí)際需求，連續(xù)異常即異常事件包含數(shù)據(jù)點(diǎn)的個(gè)數(shù)最大為5個(gè)，因?yàn)橥ǔＧ闆r下，連續(xù)5個(gè)數(shù)據(jù)異常時(shí)，則認(rèn)為傳感器自身存在問題。再次利用本文預(yù)測(cè)算法對(duì)新產(chǎn)生的異常數(shù)據(jù)集進(jìn)行分析，結(jié)果如圖3所示。

分析圖3可知，預(yù)測(cè)模型能夠準(zhǔn)確對(duì)監(jiān)測(cè)數(shù)據(jù)中的異常值進(jìn)行處理，并及時(shí)的用預(yù)測(cè)值代替異常值進(jìn)行修正，修正后的數(shù)據(jù)符合正常監(jiān)測(cè)數(shù)據(jù)分布特點(diǎn)。

通過本文預(yù)測(cè)模型，可以得到包含異常值與不包含異常值的監(jiān)測(cè)數(shù)據(jù)對(duì)應(yīng)時(shí)刻的預(yù)測(cè)值，兩組預(yù)測(cè)值對(duì)應(yīng)時(shí)刻的差值，與正常監(jiān)測(cè)數(shù)據(jù)的比值，即為預(yù)測(cè)結(jié)果差值百分比，可用PRD表示，如圖4所示。

由圖4可知，無論監(jiān)測(cè)數(shù)據(jù)中是否包含異常數(shù)據(jù)，預(yù)測(cè)結(jié)果相差較小，對(duì)應(yīng)時(shí)刻預(yù)測(cè)值最大差百分比值為4.13%，這是由于在預(yù)測(cè)過程中，異常數(shù)據(jù)被及時(shí)的用其預(yù)測(cè)值代替，所以預(yù)測(cè)結(jié)果不太會(huì)受相應(yīng)異常數(shù)據(jù)的影響。

（2）預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)對(duì)異常數(shù)據(jù)處理效率及有效性的影響。通過當(dāng)前N個(gè)時(shí)刻的監(jiān)測(cè)值，結(jié)合預(yù)測(cè)模型，可得到未來m（m=1，2，…）步時(shí)刻的數(shù)據(jù)值，m為預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)，當(dāng)出現(xiàn)連續(xù)的異常數(shù)據(jù)即異常事件時(shí)，后續(xù)異常數(shù)據(jù)預(yù)測(cè)值以前面時(shí)刻預(yù)測(cè)值為基礎(chǔ)，預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)會(huì)對(duì)異常數(shù)據(jù)處理精度產(chǎn)生較大影響。

由圖5可知，當(dāng)預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)小于3時(shí)，處理誤差λ逐步降低，當(dāng)?shù)扔?時(shí)，誤差達(dá)到最低，λ= 0.023，而以后隨著預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)增加，誤差也隨著增大，預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)越多，處理誤差增加越多，當(dāng)處理數(shù)據(jù)個(gè)數(shù)為8時(shí)，λ=0.051。原因可能是當(dāng)預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)小于3時(shí)，預(yù)測(cè)數(shù)據(jù)越多，更能屏蔽只有一個(gè)時(shí)刻出現(xiàn)的異常監(jiān)測(cè)數(shù)據(jù)，而隨著預(yù)測(cè)個(gè)數(shù)的增加，算法會(huì)自動(dòng)用預(yù)測(cè)出來的數(shù)據(jù)代替監(jiān)測(cè)值，再去預(yù)測(cè)更遠(yuǎn)時(shí)刻的數(shù)據(jù)，經(jīng)過多步預(yù)測(cè)后累積誤差將會(huì)增多。

圖4 有無異常數(shù)據(jù)預(yù)測(cè)值差值

圖5 處理數(shù)據(jù)個(gè)數(shù)與處理誤差λ關(guān)系

由圖6可知，當(dāng)預(yù)測(cè)數(shù)據(jù)在3個(gè)以內(nèi)時(shí)，數(shù)據(jù)處理效率基本一致，效率降低不明顯，當(dāng)預(yù)測(cè)數(shù)據(jù)超過4個(gè)時(shí)，數(shù)據(jù)每增加一個(gè)，數(shù)據(jù)處理效率明顯降低，預(yù)測(cè)8個(gè)數(shù)據(jù)的程序耗時(shí)是3個(gè)數(shù)據(jù)的將近6.5倍。要適應(yīng)異常數(shù)據(jù)實(shí)時(shí)處理的要求，每次處理異常數(shù)據(jù)不能太多。

綜合以上分析可知，自調(diào)整系數(shù)AR（n）預(yù)測(cè)模型對(duì)風(fēng)速監(jiān)測(cè)數(shù)據(jù)異常實(shí)時(shí)處理最終預(yù)測(cè)誤差（PFE）為0.0006，預(yù)測(cè)值差值精度（PRD）在5%以內(nèi)，運(yùn)算效率也比較高；該模型能夠處理的最合理的連續(xù)異常數(shù)據(jù)的個(gè)數(shù)為3個(gè)，誤差最小，處理效率適中，對(duì)于正常使用情況，如果出現(xiàn)連續(xù)3個(gè)異常數(shù)據(jù)，則要考慮傳感器自身問題或外界荷載突變引發(fā)，必須重點(diǎn)加以分析，數(shù)據(jù)直接進(jìn)入異常數(shù)據(jù)庫(kù)。即AR（n）模型對(duì)于處理時(shí)間序列的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)異常問題是有效的，其處理精度和效率相對(duì)比較高。

圖6 處理數(shù)據(jù)個(gè)數(shù)與處理效率關(guān)系

表1 傳感器異常數(shù)據(jù)處理特征值

3.2 各類傳感器異常數(shù)據(jù)處理方法按照上文所述方法，對(duì)鋼筋計(jì)、傾角計(jì)、土壓力計(jì)與錨索計(jì)實(shí)際監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理，得到相應(yīng)預(yù)測(cè)值，模型最終預(yù)測(cè)誤差（FPE）等特征值。用Zmax、Zmin表示正常監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)值與實(shí)測(cè)值最大、最小差值百分比，用PRDmax、PRDmin表示含異常數(shù)據(jù)序列預(yù)測(cè)值與正常預(yù)測(cè)值最大、最小差值百分比。則AR（n）預(yù)測(cè)模型對(duì)應(yīng)于各類傳感器實(shí)時(shí)數(shù)據(jù)處理的特征值如表1所示。

分析上表可知，自調(diào)整系數(shù)AR（n）預(yù)測(cè)模型處理各類傳感器實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)具有相同的分布規(guī)律，如下所示：（1）模型最終預(yù)測(cè)誤差（FPL）均小于0.0015，即模型對(duì)各類數(shù)據(jù)處理適用性較好；（2）利用正常監(jiān)測(cè)數(shù)據(jù)得到的預(yù)測(cè)值與實(shí)測(cè)值之間的差值，能夠控制在8%以內(nèi)，考慮到實(shí)際工程中應(yīng)用的精度問題，8%偏差在實(shí)際工程中是可以接受的，且與其他異常處理方法相比，AR（n）預(yù)測(cè)模型精度比較高；（3）含有異常值的預(yù)測(cè)值與正常數(shù)據(jù)的預(yù)測(cè)值之間的差值百分比在6%以下，即異常值預(yù)測(cè)值與該值處的正常值比較接近，可以對(duì)異常值進(jìn)行替換，以保證監(jiān)測(cè)數(shù)據(jù)的完整性；（4）自調(diào)整系數(shù)AR（n）對(duì)于風(fēng)速監(jiān)測(cè)數(shù)據(jù)，合適的數(shù)據(jù)處理個(gè)數(shù)為3，則對(duì)其他類傳感器合適的數(shù)據(jù)處理個(gè)數(shù)也應(yīng)為3個(gè)。

風(fēng)速、應(yīng)力應(yīng)變、傾角、土壓力及錨索等監(jiān)測(cè)數(shù)據(jù)具有明顯的時(shí)間連續(xù)性，監(jiān)測(cè)頻率固定，通過上文分析可知，對(duì)于該類監(jiān)測(cè)數(shù)據(jù)序列中的異常數(shù)據(jù)，自調(diào)整系數(shù)AR（n）模型具有一定的適用性和有效性。

4 結(jié)論

本文結(jié)合海上風(fēng)機(jī)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)無固定分布模型、隨季節(jié)與時(shí)間變化非線性強(qiáng)、短時(shí)間分布及變化趨勢(shì)相對(duì)穩(wěn)定、數(shù)據(jù)種類多，格式復(fù)雜、信息量大等特點(diǎn)，建立了具有自動(dòng)調(diào)整參數(shù)功能的AR（n）模型對(duì)監(jiān)測(cè)數(shù)據(jù)流進(jìn)行處理，該模型的實(shí)時(shí)自動(dòng)調(diào)整參數(shù)機(jī)制較好契合監(jiān)測(cè)數(shù)據(jù)流的特征。應(yīng)用該方法對(duì)某海上風(fēng)機(jī)實(shí)時(shí)采集風(fēng)速及其他傳感器監(jiān)測(cè)數(shù)據(jù)進(jìn)行了處理，結(jié)果表明，當(dāng)異常數(shù)據(jù)在3個(gè)或以內(nèi)時(shí)，該方法預(yù)測(cè)偏差在6%以內(nèi)，最終預(yù)測(cè)誤差小于0.001 5，具有較好的精度及效率，對(duì)于具有時(shí)間序列的風(fēng)機(jī)異常監(jiān)測(cè)數(shù)據(jù)實(shí)時(shí)處理具有一定的有效性和適用性，可以為類似工程中異常數(shù)據(jù)實(shí)時(shí)處理提供一定的參考。

［1］ 楊錦園.橋梁健康監(jiān)測(cè)系統(tǒng)數(shù)據(jù)處理分析的研究［J］.微計(jì)算機(jī)信息，2008，24（1）：87-91．

［2］ 劉芳，毛志忠.基于小波隱馬爾可夫模型的控制過程異常數(shù)據(jù)檢測(cè)方法［J］.控制與決策，2011，26（8）：1187-1911．

［3］ 鄭濱，任蕾.一種融合了異常數(shù)據(jù)識(shí)別的CMN改進(jìn)算法［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49（8）：120-129．

［4］ 梁宗保，胡怡然，張凱 .橋梁健康監(jiān)測(cè)信息的數(shù)據(jù)驅(qū)動(dòng)處理方法研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2013，10（20）：63-69．

［5］ 譚義紅，林亞平，董婷，等 .傳感器網(wǎng)絡(luò)中異常數(shù)據(jù)實(shí)時(shí)檢測(cè)算法［J］.系統(tǒng)仿真學(xué)報(bào)，2007，19（18）：4335-4338．

［6］ Da Silva S，Dias JNior M，Lopes Junior V.Damage detection in a benchmark structure using AR-ARX models and statistical pattern recognition［J］.J.Braz.Soc.Mech.Sci.Eng.，2007，29（2）：174-84.

［7］ Peter JBrockwell，Richard A.Davis.時(shí)間序列的理論與方法［M］.第2版.田錚，譯.北京：高等教育出版社，施普林格出版社，2001.

［8］ 王國(guó)新，閻艷，寧汝新，等.數(shù)據(jù)驅(qū)動(dòng)與模塊化控制模型相結(jié)合的生產(chǎn)系統(tǒng)快速建模方法［J］.系統(tǒng)仿真學(xué)報(bào)，2009，24（14）：4224-4230．

［9］ 王家偉，汪仁紅，羅憲，等 .基于數(shù)據(jù)流的橋梁健康監(jiān)測(cè)海量數(shù)據(jù)處理［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2011，20（12）：158-161．

［10］ Datar M，Gionis A，Indyk P，et al.Maintaining stream statistics over sliding windows［J］.SIAM Journal on Co?puting，2001，31：1791-1813．

［11］ 王永利，徐宏炳，董逸生，等 .數(shù)據(jù)流上異常數(shù)據(jù)的在線檢測(cè)與修正［J］.應(yīng)用科學(xué)學(xué)報(bào)，2006，24（3）：256-261．

Study on the approach to dealing with the abnormal data in real-time monitoring of the offshore wind turbine

ZHOU Jianhua1，LüPengyuan2，WANG Chun1
（1.Beijing IWHRCorp.，IWHR，Beijing 100048，China；
2.XiangshuiYangtzeWind Power Generation Co.，Ltd.，Yancheng 224600，China）

s：It has very important significance for the fan structure function analysis and evaluation of the se?curity state to disposes the monitoring data of the offshore wind turbine in real-time.At the present stage，the methods for processing abnormal data in real-time should be improved.In this paper，the general rules of the monitoring data and the corresponding characteristics of abnormal data are obtained by analyzing the characteristics of monitoring data of the fan in real-time.The abnormal data is processed through the AR（n）prediction model，and the processing mechanism of this model is analyzed.Through appling this meth?od to process the monitoring data of the wind speed and a variety of sensors，it has been proved that the method is effective and applicable for dealing with the anomaly monitoring data.

the abnormal data；deal with in time；processing mechanism；AR（n）prediction model with automatic parameter ad justment

文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.13244/j.cnki.jiwhr.2015.04.011

1672-3031（2015）04-0306-06

（責(zé)任編輯：王冰偉）

2015-01-21

周建華（1985-），男，山東濟(jì)寧人，碩士，助理工程師，主要從事海上基礎(chǔ)研究。E-mail：future521@163.com