风力发电机作为造价高昂并且内部结构复杂的机器，其由许多的零部件协同工作，完成从风能到电能的转换，并且风力发电机目前的种类众多，结构也有差异，内部主要由齿轮箱、发电机以及控制系统组成。通常风力发电机的大部分故障为磨损性的故障，包括由于橡胶件的老化、润滑油润滑效果不佳、轴承磨损严重、齿轮组疲劳变形等等导致的发电机工作异常，该类异常通常伴有一定的累积过程，数据由正常变为异常也是渐进式的且可以通过干预或是维护而避免的。还有一类异常比较罕见，属于突发性的故障，比如电气线路短路，齿轮或是轴承断裂亦或者是杂物进入机体，这类异常通常难以掌握且一旦发生便难以处理，轻则机器部件损坏，需要更替；重则引起火情，整台发电机失火烧毁。目前的异常检测技术主要针对于磨损性的异常，对于突然性的故障，只能在设计风电机组时给予充分的考虑并做相应的优化设计。。。
风力发电机作为造价高昂并且内部结构复杂的机器，其由许多的零部件协同工作，完成从风能到电能的转换，并且风力发电机目前的种类众多，结构也有差异，内部主要由齿轮箱、发电机以及控制系统组成。
通常风力发电机的大部分故障为磨损性的故障，包括由于橡胶件的老化、润滑油润滑效果不佳、轴承磨损严重、齿轮组疲劳变形等等导致的发电机工作异常，该类异常通常伴有一定的累积过程，数据由正常变为异常也是渐进式的且可以通过干预或是维护而避免的。还有一类异常比较罕见，属于突发性的故障，比如电气线路短路，齿轮或是轴承断裂亦或者是杂物进入机体，这类异常通常难以掌握且一旦发生便难以处理，轻则机器部件损坏，需要更替；重则引起火情，整台发电机失火烧毁。目前的异常检测技术主要针对于磨损性的异常，对于突然性的故障，只能在设计风电机组时给予充分的考虑并做相应的优化设计。
风电机设计之初便考虑了其极端的运行状况，一般而言风电机的安全系数很高且应对极端天气有较大容忍度，出现烧毁的可能性很低，但由于其通常被安装在几十米的高空，且多在偏远地区或者海上，一旦出现故障导致火情，便很难扑救，只能由其烧毁殆尽，并且烧毁后就很难判断失火的原因、其异常而导致失火的原因大致可以总结为以下几点：
（1）电路故障：一般是电器件短路或者机舱在旋转过程中电缆扭曲短路所致。
（2）机械故障：通常是因为轴承或者齿轮箱出现非正常摩擦阻力引起的温度异常升高所致。
（3）雷击：现有的发电机通常都安装有避雷针，但由于风电机结构特殊，难免还是会出现雷击损毁风电机的可能。
现在多数风电机组都安装有SCADA(supervisory control and data acquisition)系统，该系统可以收集风电机组运行时产生多个传感器信号，包括有风速、室外温度、机舱温度、主轴承温度、齿轮箱温度、机舱位置等，这些数据为我们研究发电机运行状态提供了丰富的信息。
风电机组数据集中有众多传感器参数，而可用于失火分析的传感器参数有主轴承温度、舱内温度、发电机转速、风速、室外温度、非驱动轴承温度。将这些变量作为模型的输入特征参数进行训练和测试。
孤立森林属于非参数和无监督的机器学习方法，其建模过程不需要异常的标注信息，同时也不需要指定数学模型。其中构建阶段具体实现步骤如下：
（1）、从训练数据集中选择N个样本点作为抽取样本，放入根节点中。
（2）、随机选取其中一个维度，在当前节点中随机生成一个切割点P（P值位于节点中数据指定维度中最大与最小值之间）。
（3）、将数据划分给切割点产生的两个节点中（小于P值得数据放入左节点，大于P值放入右节点）。
（4）、在子节点中递归步骤2和步骤3，直到每个节点中只有一个数据或者树的高度达到限定高度，一棵树（即一颗iTree）构建完毕。
（5）、继续有放回的随机选取N个子样本，随机选取一个维度重复步骤2,3,4，直到满足所需求的森林个数，孤立森林模型构建完成。
例如：失火的风电机数据集数据展示如下图所示：
上图中，蓝色曲线表示风力发电机舱内温度，橙色曲线表示发电机非驱动端轴承温度，绿色曲线表示发电机主轴承温度，红色则表示为风速。失火点记录发生在6月6号傍晚5点40分。
加入滑动平均函数后，使用孤立森林方法所得到的异常分数（失火风电机数据集），如下图：
加入判断异常阈值的异常曲线，如下图：
风速和发电机各部件温度之间整体呈现正相关性，而在6号上午8时至9时左右机舱内温度却异常上升，呈现和其他三个向量失调的特征。可能此时机舱内关键零部件出现磨损过度的问题，有条件的判断其可能是导致火灾发生的前兆。
本文研究方向为风电机的异常状态检测，有所不同的是，某个维度属性出现异常变化时也应当引起我们的注意，这很可能是某种故障出现的前兆。我们的目的是希望能在故障发生之前便能得到一些预警信息，这将有效的避免故障的发生。
