针对掘进机回转台异常检测中故障数据缺失以及故障程度划分的问题,提出一种单类学习下基于VSAP-SO-BP的掘进机异常检测方法。使用支持向量数据描述(support vector data description,简称SVDD)方法对回转台健康数据进行单类学习,根据现...针对掘进机回转台异常检测中故障数据缺失以及故障程度划分的问题,提出一种单类学习下基于VSAP-SO-BP的掘进机异常检测方法。使用支持向量数据描述(support vector data description,简称SVDD)方法对回转台健康数据进行单类学习,根据现场经验构造非健康样本数据集,以SVDD对非健康样本数据集的识别率为依据,把非健康样本数据分为故障临界数据与故障数据,提出变异自适应粒子群优化(variation self-adapting particleswarm optimization,简称VSAPSO)算法,构建VSAPSO-BP神经网络对健康、故障临界与故障3类数据进行检测,检测准确率为91.7%,与传统PSO-BP方法相比具有更高的准确性与稳定性。实验结果表明,采用单类学习下基于VSAPSO-BP的掘进机异常检测方法可以准确有效地检测掘进机回转台异常,具有较高的应用价值。展开更多
