4、数据采集与预处理：SCADA数据源、高频振动数据、数据清洗（缺失值、异常值）、时间戳对齐

好，咱们进入正题。数据采集和预处理，说白了就是给大模型「喂饭」。饭要是馊了，模型再厉害也白搭。我在风电现场摸爬滚打这些年，见过太多因为数据没处理好，导致诊断模型「睁眼瞎」的案例。这一节，我就把压箱底的经验掏出来，跟你聊聊怎么把这顿饭做干净、做标准。

4.1 SCADA数据源：变桨系统的「体检报告」

SCADA系统，你肯定不陌生。它每隔几秒或几分钟，就会记录下风机的各种状态。对于变桨系统，我重点关注这几个参数：

• 桨叶角度：三支桨叶的实际角度和给定角度。偏差大了，说明有问题。
• 变桨电机电流：电机干活累不累，看电流就知道。电流异常波动，往往是卡涩或电气故障的前兆。
• 变桨速度：响应快不快，顺不顺畅。
• 液压系统压力：对于液压变桨，压力是命根子。
• 电池电压/超级电容电压：后备电源的健康状况，关键时刻能救命。

我个人习惯，拿到SCADA数据后，第一件事不是分析，而是先看一眼数据采集频率。有的风场是1秒采一次，有的是10秒。频率不同，能捕捉到的故障特征也不同。嗯，这里要注意，千万别把不同频率的数据直接混在一起用。

4.2 高频振动数据：捕捉「心跳」的细节

SCADA数据像心电图，能看出大问题。但想诊断早期故障，比如轴承磨损、齿轮裂纹，就得靠高频振动数据了。这玩意儿采样率动辄几千甚至上万赫兹，能捕捉到微米级的振动。

我建议，高频数据重点关注两个地方：

• 变桨轴承的振动：安装在轴承座附近，直接感受桨叶传递过来的载荷变化。
• 变桨齿轮箱的振动：齿轮啮合频率、边频带，都是故障的「指纹」。

你想想看，一个变桨轴承早期出现点蚀，SCADA数据可能完全正常，但高频振动数据里，已经能听到「咔哒咔哒」的冲击信号了。这就是高频数据的价值所在。

4.3 数据清洗：剔除「脏数据」

数据清洗，是预处理里最磨人的活，但也是最关键的。我见过有人拿一堆「脏数据」直接喂给模型，结果模型学了一堆「如何报假警」。咱们得把好关。

4.3.1 缺失值处理

SCADA系统偶尔会抽风，比如通讯中断、传感器故障，导致数据出现空缺。处理方式有几种：

• 直接删除：如果缺失比例很小（比如<1%），而且不是连续缺失，直接删掉那几行数据，省事。
• 插值填充：对于连续变量，比如温度、角度，用前后时刻的平均值或线性插值补上。我常用 pandas 的 interpolate() 方法。
• 模型预测填充：对于关键参数，可以用其他相关参数（比如风速、功率）建立回归模型来预测缺失值。这个方法精度高，但计算量大。

4.3.2 异常值处理

异常值，就是那些明显「离谱」的数据。比如变桨角度突然跳到100度，或者电机电流变成负数。这些数据必须处理掉。

我常用的方法：

1. 3σ原则：假设数据服从正态分布，超过均值±3倍标准差的数据，视为异常。简单粗暴，但有效。
2. 箱线图法：用四分位数（Q1和Q3）和四分位距（IQR）来界定。超出Q1-1.5*IQR或Q3+1.5*IQR的数据，视为异常。这个方法对非正态分布的数据更鲁棒。
3. 业务规则过滤：比如变桨角度不可能超过90度，风速不可能超过50m/s（除非是超级台风）。这些规则，比任何统计方法都可靠。

4.4 时间戳对齐：让数据「同步」起来

SCADA数据是秒级的，高频振动数据是毫秒级的，甚至微秒级的。它们的时间戳往往对不上。这就好比两个人看表，一个看的是北京时间，一个看的是纽约时间，你说怎么聊？

对齐的方法，说白了就两步：

• 统一时基：把所有数据的时间戳，都转换成同一个参考时间。我习惯用UTC时间，避免时区问题。
• 重采样：以SCADA数据的时间点为基准，把高频振动数据「降采样」到同样的时间点。比如，取每个SCADA时间点前后10毫秒内的振动数据，计算其均方根值（RMS）或峰值，作为这个时刻的振动特征。

代码实现起来其实不复杂，我贴一段核心逻辑：

import pandas as pd

# 假设 scada_df 是SCADA数据，vibration_df 是高频振动数据
# 两者都有 'timestamp' 列

# 1. 确保时间戳是datetime类型
scada_df['timestamp'] = pd.to_datetime(scada_df['timestamp'])
vibration_df['timestamp'] = pd.to_datetime(vibration_df['timestamp'])

# 2. 设置时间戳为索引
scada_df.set_index('timestamp', inplace=True)
vibration_df.set_index('timestamp', inplace=True)

# 3. 重采样：将高频振动数据降采样到1秒间隔，取均方根值
vibration_resampled = vibration_df.resample('1S').apply(lambda x: np.sqrt(np.mean(x**2)))

# 4. 按时间戳对齐（左连接，以SCADA时间为准）
aligned_df = scada_df.join(vibration_resampled, how='left')

嗯，这里要注意，重采样的窗口大小和统计量（均值、RMS、峰值等）需要根据你的诊断目标来定。诊断轴承磨损，用RMS值比较合适；诊断齿轮裂纹，峰值因子可能更敏感。这个没有标准答案，得靠经验去试。