2.1 基于无迹卡尔曼滤波的流数据异常检测

机械监测大数据通常来源于传感器监测网络，具有高速流动性，是后续分析的第一手资料，呈现为顺序、大量、快速、连续到达的时序数据流。在设备实时监测过程中，流数据的质量一旦出现问题，容易导致在线监测指标计算错误，造成系统误报警。因此，为保证监测流数据的正确性与新鲜度，要求其质量保障方法具备“数据到达一批，高效处理一批”的实时处理能力，而且数据一经流入便能动态过滤“杂质”，提高数据的可用性。无迹卡尔曼滤波（Unscented Kalman Filter，UKF）算法简单高效，滤波递推过程能够通过提取实时滤波误差的方差，从统计学角度对数据的分布特性进行实时评估，及时判别异常数据，满足流数据实时高效处理的需求。本节首先介绍UKF的基本原理，然后提出基于UKF的流数据异常检测方法，并将其应用于滚动轴承的流数据异常检测。