楊健健， 唐至威， 王曉林， 王子瑞， 吳 淼

(中國(guó)礦業(yè)大學(xué)(北京)機(jī)電與信息工程學(xué)院 北京，100083)

引 言

在實(shí)際的工業(yè)生產(chǎn)過(guò)程中，針對(duì)昂貴、關(guān)鍵的重型裝備開(kāi)展故障診斷異常檢測(cè)研究具有重要的經(jīng)濟(jì)和社會(huì)效益。其中，掘進(jìn)機(jī)是煤礦井下巷道掘進(jìn)的關(guān)鍵裝備，在煤礦安全高效生產(chǎn)中發(fā)揮著關(guān)鍵作用。由于煤礦井下作業(yè)空間狹窄、空氣潮濕、煤巖性質(zhì)復(fù)雜，惡劣的工作環(huán)境使得無(wú)人化掘進(jìn)對(duì)掘進(jìn)機(jī)的智能控制要求越來(lái)要高，因此對(duì)掘進(jìn)機(jī)故障診斷異常檢測(cè)技術(shù)的研究具有實(shí)際的工程應(yīng)用價(jià)值。針對(duì)上述現(xiàn)狀，當(dāng)前關(guān)鍵問(wèn)題主要體現(xiàn)在故障數(shù)據(jù)的缺失和整體系統(tǒng)狀態(tài)數(shù)據(jù)的異常識(shí)別兩個(gè)方面[1-2]。生產(chǎn)實(shí)踐經(jīng)驗(yàn)表明，機(jī)械設(shè)備的振動(dòng)與其運(yùn)行狀態(tài)之間有密切關(guān)系，相關(guān)部件運(yùn)行過(guò)程突發(fā)故障或衍生故障等都會(huì)通過(guò)振動(dòng)信號(hào)體現(xiàn)出來(lái)[3]。

缺少故障振動(dòng)數(shù)據(jù)是目前大型機(jī)械整體部件故障診斷研究中的一大難點(diǎn)。支持向量數(shù)據(jù)描述算法是一種典型的單分類(lèi)方法，只需對(duì)健康數(shù)據(jù)進(jìn)行訓(xùn)練，便可對(duì)部件的健康狀態(tài)與非健康狀態(tài)進(jìn)行分類(lèi)。目前，SVDD已在電力系統(tǒng)[4-5]、發(fā)動(dòng)機(jī)[6]及壓縮機(jī)[7]等故障診斷中應(yīng)用。僅對(duì)設(shè)備的健康與非健康狀態(tài)進(jìn)行分類(lèi)無(wú)法得知部件的故障程度，具有模糊性，對(duì)設(shè)備使用與維修的指導(dǎo)意義不大，因此需要對(duì)設(shè)備的故障程度進(jìn)行劃分。BP神經(jīng)網(wǎng)絡(luò)是一種有效解決數(shù)據(jù)分類(lèi)問(wèn)題的工具，其算法存在收斂速度慢以及容易陷入局部極小值的問(wèn)題。國(guó)內(nèi)外研究人員嘗試使用不同算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，其中粒子群優(yōu)化算法(particle swarm optimization，簡(jiǎn)稱(chēng)PSO)的應(yīng)用較為廣泛且效果較好[8]。為了進(jìn)一步提升PSO算法的全局搜索能力與局部搜索能力，研究人員提出了多種PSO優(yōu)化方法[9-11]。改進(jìn)型PSO算法性能各異，適用于不同工程研究領(lǐng)域，為使PSO算法能夠更加適合掘進(jìn)機(jī)故障診斷，需對(duì)PSO算法進(jìn)行改進(jìn)。

為解決掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)故障診斷研究中缺少故障數(shù)據(jù)以及需要對(duì)故障程度進(jìn)行劃分的問(wèn)題，筆者提出了一種基于單分類(lèi)健康數(shù)據(jù)的VSAPSO-BP網(wǎng)絡(luò)掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)故障診斷方法。以EBZ160型掘進(jìn)機(jī)的回轉(zhuǎn)臺(tái)(整體部件)為例，使用SVDD對(duì)健康樣本集進(jìn)行訓(xùn)練，根據(jù)現(xiàn)場(chǎng)經(jīng)驗(yàn)構(gòu)造非健康數(shù)據(jù)集，利用SVDD對(duì)非健康數(shù)據(jù)集的識(shí)別率，把非健康數(shù)據(jù)分為故障臨界數(shù)據(jù)與故障數(shù)據(jù)兩類(lèi)。綜合建立健康、故障臨界及故障3類(lèi)數(shù)據(jù)樣本集，使用新型改進(jìn)PSO對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)進(jìn)行優(yōu)化，提出了一種變異自適應(yīng)粒子群優(yōu)化算法替代了BP神經(jīng)網(wǎng)絡(luò)原有的梯度下降算法，使VSAPSO-BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)故障診斷異常檢測(cè)具有更快的收斂速度和更高的識(shí)別精度。

1 基于SVDD的數(shù)據(jù)描述

通過(guò)對(duì)EBZ160型掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)振動(dòng)特征的分析，選擇回轉(zhuǎn)臺(tái)水平測(cè)點(diǎn)振動(dòng)加速度的有效值、方差和峭度作為特征向量。如何針對(duì)現(xiàn)實(shí)狀況中只有健康穩(wěn)定狀態(tài)的單類(lèi)數(shù)據(jù)特征進(jìn)行有效的異常檢測(cè)是解決掘進(jìn)機(jī)故障診斷方法的關(guān)鍵問(wèn)題。

令掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)振動(dòng)加速度信號(hào)特征向量為X=[x1,x2,…,xn]，振動(dòng)加速度信號(hào)特征向量的故障閾值為Y=[y1,y2,…,yn]，筆者將掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)的運(yùn)行狀態(tài)分為3類(lèi)數(shù)據(jù)集合，其定義如下。

定義1表征設(shè)備的健康狀態(tài)數(shù)據(jù)集合H={x∈X|xi

定義2機(jī)器出現(xiàn)的故障短時(shí)間內(nèi)不影響機(jī)器運(yùn)行，為了不影響生產(chǎn)效率，仍可繼續(xù)運(yùn)行等待檢修，表征設(shè)備處于故障臨界狀態(tài)數(shù)據(jù)集合C={x∈X|yi-xi/yi≤σ;i=1,2，…，N}，其中：σ為常數(shù)，通常取0.3。

定義3表征機(jī)器出現(xiàn)故障影響正常運(yùn)行并危及人員的安全，需立刻停止運(yùn)行并檢修嚴(yán)重故障狀態(tài)數(shù)據(jù)集合C={x∈X|yi-xi/yi>σ;i=1,2，…，N}，其中：σ為常數(shù)，通常取0.3。

SVDD算法[10]可將已知的單一健康狀態(tài)運(yùn)行樣本數(shù)據(jù)壓縮在一個(gè)高維特征空間，構(gòu)造一個(gè)能夠描述健康數(shù)據(jù)范圍的封閉緊湊的最小超球體，如圖1所示。該方法能夠?qū)】禒顟B(tài)與非健康狀態(tài)進(jìn)行區(qū)分。

圖1 SVDD單分類(lèi)示意圖Fig.1 SVDD single classification diagram

圖2 數(shù)據(jù)分類(lèi)示意圖Fig.2 Data classification diagram

根據(jù)經(jīng)驗(yàn)，數(shù)據(jù)的準(zhǔn)確率與數(shù)據(jù)類(lèi)型的關(guān)系為

(1)

其中：Z(A)為指示函數(shù)；A為識(shí)別準(zhǔn)確率；1代表該數(shù)據(jù)為健康數(shù)據(jù)；0代表該數(shù)據(jù)為故障臨界數(shù)據(jù)；-1代表該數(shù)據(jù)為嚴(yán)重故障數(shù)據(jù)。

根據(jù)上述原則，筆者選取一組在非訓(xùn)練樣本數(shù)據(jù)集中可被SVDD完全識(shí)別的健康數(shù)據(jù)作為測(cè)試樣本，根據(jù)SVDD分類(lèi)算法識(shí)別率分別確定健康狀態(tài)、故障臨界狀態(tài)與嚴(yán)重故障狀態(tài)的取值范圍，將該線性權(quán)值作為故障樣本的取值依據(jù)，建立健康狀態(tài)、輕微故障狀態(tài)與嚴(yán)重故障狀態(tài)的樣本數(shù)據(jù)集。

2 VSAPSO-BP神經(jīng)網(wǎng)絡(luò)

為克服傳統(tǒng)BP網(wǎng)絡(luò)算法收斂速度慢且容易陷入局部極小值的缺陷，本研究提出VSAPSO算法代替優(yōu)化BP網(wǎng)絡(luò)原有的梯度下降算法來(lái)調(diào)整BP網(wǎng)絡(luò)參數(shù)中的權(quán)值和閾值。

2.1 VSAPSO算法

標(biāo)準(zhǔn)粒子群優(yōu)化算法公式如式(2)～(5)所示。

其中：vid為當(dāng)前粒子i的速度；xid為當(dāng)前粒子i的位置；c1,c2為學(xué)習(xí)因子；r1, r2為[0,1]之間的隨機(jī)數(shù)；pid為粒子i發(fā)現(xiàn)的個(gè)體最優(yōu)位置；pgd為粒子i發(fā)現(xiàn)的全局最優(yōu)位置；vmax為最大速度；wmax為最大慣性權(quán)重，wmin為最小慣性權(quán)重，t為迭代次數(shù)，Tmax為最大迭代次數(shù)。

該方法雖然原理簡(jiǎn)單、受控參數(shù)少和收斂速度快，但也有易于收斂到局部最優(yōu)和搜索精度不高的缺點(diǎn)[8]。

APSO算法[13]采用自適應(yīng)調(diào)整慣性權(quán)重的方式提高了標(biāo)準(zhǔn)PSO算法的全局和局部搜索能力，但是該方法w調(diào)整范圍較小，導(dǎo)致算法的搜索能力稍顯不足，且容易使搜索陷入局部極小值。因此，筆者提出了一種VSAPSO算法。

首先，VSAPSO算法修改了APSO算法的慣性權(quán)重公式，即

(6)

其中：wmax，wmin分別為慣性權(quán)重的最大值和最小值；F(i)為每代第i個(gè)粒子的適應(yīng)值；fmax為每代粒子的最大適應(yīng)值；fmin為每代粒子的最小適應(yīng)值。

該方法可以根據(jù)當(dāng)前粒子適應(yīng)值的好壞自動(dòng)調(diào)整慣性權(quán)重w的參數(shù)。當(dāng)適應(yīng)度值較大時(shí)，w值變大，可以提高粒子的搜索速度及全局搜索能力。當(dāng)適應(yīng)度值較小時(shí)，w值變小，可以降低粒子的搜索速度，提高粒子的局部搜索能力。修改后的慣性權(quán)重w具有更大的調(diào)整范圍，提高了算法的搜索能力。

其次，筆者使用遺傳算法中變異方式讓粒子按一定幾率將位置隨機(jī)重置，使其跳出原位置重新搜索，降低了粒子群陷入局部極小值的幾率，變異方式為

(7)

其中：p為變異概率；xmax為位置所允許的最大值；R(1, D)為D個(gè)0～1之間的隨機(jī)數(shù)。

筆者分別使用Griewank測(cè)試函數(shù)、Rosenbrock測(cè)試函數(shù)和Ackley函數(shù)將標(biāo)準(zhǔn)PSO算法、自適應(yīng)粒子群優(yōu)化算法(adaptive particle swarm optimization，簡(jiǎn)稱(chēng)APSO)與VSAPSO算法進(jìn)行測(cè)試，驗(yàn)證該方法提高了算法尋優(yōu)能力。其適應(yīng)度值變化如圖3～5所示?？梢?jiàn)，筆者提出的VSAPSO算法收斂速度相對(duì)較優(yōu)。

圖3 Griewank函數(shù)下適應(yīng)度值變化對(duì)比Fig.3 Comparison of fitness values under Griewank function

圖4 Rosenbrock函數(shù)下適應(yīng)度值變化對(duì)比Fig.4 Comparison of fitness values under Rosenbrock function

圖5 Ackley函數(shù)下適應(yīng)度值變化對(duì)比Fig.5 Comparison of fitness values under Ackley function

當(dāng)達(dá)到最大迭代次數(shù)時(shí)，3種算法的最小適應(yīng)度如表1所示。由表1可知，VSAPSO算法的最小適應(yīng)度值最小，尋優(yōu)能力高于其他兩種PSO算法。

表1 3種測(cè)試函數(shù)下最小適應(yīng)度

Tab.1 Minimum fitness under three test functions

測(cè)試函數(shù)PSOAPSOVSAPSOGriewank0.012 60.009 90Rosenbrock0.079 50.004 71.849 6×10-14Ackley0.056 30.008 76.921 9×10-9

2.2 VSAPSO-BP神經(jīng)網(wǎng)絡(luò)算法流程

筆者提出的VSAPSO-BP神經(jīng)網(wǎng)絡(luò)算法流程主要步驟如下。

1) 對(duì)BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和神經(jīng)元數(shù)目進(jìn)行初始化。

2) 根據(jù)BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和神經(jīng)元數(shù)目，對(duì)PSO算法的種群規(guī)模、最大迭代次數(shù)、慣性權(quán)重、學(xué)習(xí)因子、最大迭代次數(shù)、適應(yīng)度函數(shù)、粒子位置和速度初始化，根據(jù)式(8)確定每個(gè)粒子的維數(shù)。

D=(S1+1)S2+(S2+1)S3

(8)

其中：S1為輸入層神經(jīng)元數(shù)；S2為隱含層神經(jīng)元數(shù)；S3為輸出層神經(jīng)元數(shù)。

3) 利用提出的自適應(yīng)調(diào)整慣性權(quán)重和變異算子相結(jié)合的方式對(duì)粒子的速度與位置進(jìn)行更新。

4) 對(duì)每個(gè)粒子位置對(duì)應(yīng)的適應(yīng)度值進(jìn)行計(jì)算，得到粒子的個(gè)體適應(yīng)度值與群體適應(yīng)度值，并將個(gè)體最佳適應(yīng)度值作為群體適應(yīng)度值。

5) 達(dá)到最大迭代次數(shù)后，使用群體最優(yōu)位置對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值進(jìn)行賦值，使用該網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，得到輸出值。

3 實(shí)例數(shù)據(jù)分析

3.1 樣本數(shù)據(jù)提取

筆者使用的數(shù)據(jù)為中國(guó)礦業(yè)大學(xué)(北京)研制的大容量數(shù)據(jù)記錄儀在煤礦井下采集的EBZ160型掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)振動(dòng)加速度數(shù)據(jù)，其采樣頻率為10 kHz，原始波形如圖6所示。

圖6 回轉(zhuǎn)臺(tái)振動(dòng)數(shù)據(jù)原始波形圖Fig.6 Original waveform of rotary table vibration data

使用Matlab對(duì)振動(dòng)加速度信號(hào)進(jìn)行分析，得到如圖7所示的振動(dòng)加速度有效值、方差和峭度的歸一化波形圖。由于回轉(zhuǎn)臺(tái)的健康狀態(tài)可由回轉(zhuǎn)時(shí)的振動(dòng)加速度信號(hào)體現(xiàn)，且為了排除截割時(shí)的較大擾動(dòng)，選取掘進(jìn)機(jī)在非截割狀態(tài)下掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)正常工作時(shí)振動(dòng)加速度的特征值作為訓(xùn)練樣本。在目標(biāo)數(shù)據(jù)中選取250組數(shù)據(jù)作為樣本，其中200組為訓(xùn)練樣本，50組為測(cè)試樣本，部分樣本數(shù)據(jù)如表2所示。

圖7 特征值歸一化波形圖Fig.7 Eigenvalue normalized waveform

表2 部分樣本數(shù)據(jù)

Tab.2 Part of the sample data

有效值/(10m·s-2)方差/(10m·s-2)峭度0.040 10.076 83.243 70.047 70.109 33.397 10.042 80.087 83.160 20.033 90.054 94.184 70.035 90.061 93.835 30.035 50.060 53.737 80.038 90.072 23.677 70.037 80.068 63.412 50.036 50.064 13.873 30.037 80.068 43.751 5

3.2 非健康數(shù)據(jù)構(gòu)造

得到樣本數(shù)據(jù)后，使用SVDD方法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，使用測(cè)試樣本對(duì)訓(xùn)練好的SVDD進(jìn)行測(cè)試，結(jié)果如圖8所示。由圖8可知，建立的SVDD網(wǎng)絡(luò)可以對(duì)非截割狀態(tài)下回轉(zhuǎn)臺(tái)回轉(zhuǎn)時(shí)健康數(shù)據(jù)進(jìn)行識(shí)別，準(zhǔn)確率為100%。

圖8 SVDD測(cè)試結(jié)果Fig.8 SVDD test results

根據(jù)提出的原則對(duì)測(cè)試樣本進(jìn)行處理，得到線性權(quán)值與識(shí)別準(zhǔn)確率關(guān)系如表3所示。

表3 線性權(quán)值與識(shí)別準(zhǔn)確率關(guān)系

Tab.3 The relationship between linear weights andrecognition accuracy

線性權(quán)值準(zhǔn)確率/%線性權(quán)值準(zhǔn)確率/%1.1倍1001.5倍701.2倍1001.6倍301.3倍1001.7倍01.4倍1001.8倍0

由表3可知，當(dāng)分類(lèi)準(zhǔn)確率大于70%時(shí)，線性權(quán)值在1～1.5之間，可將該線性權(quán)值區(qū)間內(nèi)的數(shù)據(jù)歸類(lèi)為健康數(shù)據(jù)。當(dāng)分類(lèi)準(zhǔn)確率為30%～70%時(shí)，線性權(quán)值在1.5～1.6之間，可將該線性權(quán)值區(qū)間內(nèi)的數(shù)據(jù)歸類(lèi)為故障臨界數(shù)據(jù)。當(dāng)分類(lèi)準(zhǔn)確率小于30%時(shí)，線性權(quán)值大于1.6，由于發(fā)生故障時(shí)特征向量的值可能會(huì)達(dá)到健康時(shí)特征值的8倍以上，因此筆者將線性權(quán)值的上限暫設(shè)為8，線性權(quán)值取值為1.6～8，可將該線性權(quán)值區(qū)間內(nèi)的數(shù)據(jù)歸類(lèi)為故障數(shù)據(jù)。該線性權(quán)值與分類(lèi)準(zhǔn)確率的關(guān)系即為非健康數(shù)據(jù)構(gòu)造的依據(jù)。各類(lèi)數(shù)據(jù)的線性權(quán)值取值范圍及數(shù)據(jù)構(gòu)造公式如表4所示。表4中：S1i為第i個(gè)健康數(shù)據(jù)；S2i為第i個(gè)故障臨界數(shù)據(jù)；S3i為第i個(gè)故障數(shù)據(jù)；si為第i個(gè)原始健康數(shù)據(jù)；R1為1～1.5之間的隨機(jī)數(shù)；R2為1.5～1.6之間的隨機(jī)數(shù)；R3為1.6～8之間的隨機(jī)數(shù)，i=1, 2, …, 250。

筆者使用200組訓(xùn)練樣本和50組測(cè)試樣本，共250組樣本按照表4的數(shù)據(jù)構(gòu)造公式進(jìn)行數(shù)據(jù)構(gòu)造，共構(gòu)造健康、故障臨界與故障3組數(shù)據(jù)，每組數(shù)據(jù)各250個(gè)樣本。圖9為目標(biāo)數(shù)據(jù)特征值在二維空間的SVDD分類(lèi)。

表4各類(lèi)數(shù)據(jù)線性權(quán)值取值范圍及數(shù)據(jù)構(gòu)造公式

Tab.4Thelinearweightsrangeanddataconstructionformulaofvarioustypesofdata

數(shù)據(jù)類(lèi)型線性權(quán)值數(shù)據(jù)構(gòu)造公式健康數(shù)據(jù)1～1.5S1i=siR1i故障臨界數(shù)據(jù)1.5～1.6S2i=siR2i故障數(shù)據(jù)1.6～8S3i=siR3i

圖9 基于SVDD的目標(biāo)數(shù)據(jù)劃分Fig.9 Target data division based on SVDD

3.3 目標(biāo)數(shù)據(jù)狀態(tài)識(shí)別

將該三維向量作為BP網(wǎng)絡(luò)的輸入向量，因此BP網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為3個(gè)。由于筆者將數(shù)據(jù)分為健康、故障臨界與故障3類(lèi)，數(shù)據(jù)標(biāo)簽分別為[1]，[0]，[-1]，因此BP網(wǎng)絡(luò)輸出層神經(jīng)元個(gè)數(shù)為3個(gè)。由于1個(gè)隱含層即可解決此類(lèi)分類(lèi)問(wèn)題，因此使用1個(gè)隱含層，隱含層神經(jīng)元數(shù)目為7個(gè)。經(jīng)過(guò)數(shù)據(jù)歸一化，輸入向量在[0,1]之間，因此輸入層激活函數(shù)設(shè)定為logsig，輸出向量為[0,1]，輸出層激活函數(shù)設(shè)定為tansig。

經(jīng)測(cè)試，PSO算法的粒子群規(guī)模N=40為宜，最大迭代次數(shù)M=1 000，最大慣性權(quán)重wmax=0.9，最小慣性權(quán)重wmin=0.4，學(xué)習(xí)因子c1=c2=2.05，由于輸入向量取值在[0,1]之間，因此最大速度

vmax=1。適應(yīng)度函數(shù)的選擇對(duì)BP網(wǎng)絡(luò)的訓(xùn)練效果影響較大，選擇適應(yīng)度函數(shù)為BP網(wǎng)絡(luò)目標(biāo)輸出與實(shí)際輸出的均方差，適應(yīng)度值的大小與誤差大小成正相關(guān)。適應(yīng)度函數(shù)為

(9)

其中: n為樣本個(gè)數(shù); Pi為第i個(gè)樣本的理想輸出值; Ti為第i個(gè)樣本的實(shí)際輸出值。

將構(gòu)造的健康、故障臨界與嚴(yán)重故障訓(xùn)練樣本帶入PSO-BP神經(jīng)網(wǎng)絡(luò)、APSO-BP神經(jīng)網(wǎng)絡(luò)和筆者構(gòu)建的VSAPSO-BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。目標(biāo)數(shù)據(jù)在BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度下降曲線如圖10所示?？梢?jiàn)，相較于PSO-BP和APSO-BP神經(jīng)網(wǎng)絡(luò)，VSAPSO-BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度值下降速度更快。

圖10 適應(yīng)度下降曲線Fig.10 Fitness decline curve

將訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)用測(cè)試樣本進(jìn)行測(cè)試，結(jié)果如表5所示。由于健康數(shù)據(jù)與故障數(shù)據(jù)的特征都比較明顯，因此識(shí)別率均較高。故障臨界數(shù)據(jù)的特征比較模糊，因此識(shí)別率相對(duì)較低。測(cè)試結(jié)果表明，筆者建立的VSAPSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的識(shí)別準(zhǔn)確率較高且平均誤差較小，分類(lèi)性能優(yōu)于PSO-BP神經(jīng)網(wǎng)絡(luò)和APSO-BP神經(jīng)網(wǎng)絡(luò)。

表5 測(cè)試結(jié)果

4 結(jié) 論

1) 針對(duì)大型裝備僅具有單類(lèi)健康數(shù)據(jù)樣本的問(wèn)題，提出了一種基于SVDD的非健康數(shù)據(jù)描述方法，定義了健康、故障臨界與嚴(yán)重故障數(shù)據(jù)的劃分依據(jù)，為單類(lèi)數(shù)據(jù)的異常檢測(cè)提供了一種可行方法。

2) 提出了VSOPSO算法，使用自適應(yīng)慣性權(quán)重與變異方法相結(jié)合的方法提高了PSO算法的局部搜索能力、全局搜索能力以及PSO算法的尋優(yōu)精度與速度，降低了PSO算法尋優(yōu)時(shí)陷入局部極小值的幾率。

3) 針對(duì)實(shí)際工況中掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)健康狀態(tài)診斷的問(wèn)題，給出了詳細(xì)的實(shí)驗(yàn)步驟與實(shí)驗(yàn)數(shù)據(jù)。結(jié)果表明，該方法能夠準(zhǔn)確有效地對(duì)掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)健康狀態(tài)進(jìn)行診斷，在掘進(jìn)機(jī)故障診斷方面應(yīng)用價(jià)值較高，為解決并普及適用僅具有單類(lèi)健康數(shù)據(jù)的大型機(jī)械故障診斷異常檢測(cè)問(wèn)題提供了一種新的方法與思路。