单类学习下基于VSAPSO-BP的掘进机异常检测方法.pdf

第3 9 卷第1 期 2 0 1 9 年2 月 振动、测试与诊断 J o u r n a lo fV i b r a t i o n 。M e a s u r e m e n t D i a g n o s i s V 0 1 ．3 9N o ．1 F e b ．2 0 1 9 单类学习下基于V S A P S O B P 的掘进机异常检测方法’ 杨健健，唐至威，王晓林，王子瑞，吴淼 中国矿业大学 北京 机电与信息工程学院北京，1 0 0 0 8 3 摘要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V S A P S O - B P 的掘进机异常检测方法。使用支持向量数据描述 s u p p o r tv e c t o rd a t ad e s c r i p t i o n ，简称S V D D 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S V D D 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I 临界数据与故障数据，提出变异自适应粒子群优化 v a r i a t i o ns e l f - a d a p t i n gp a r t i c l e s w a r mo p t i m i z a t i o n ，简称V S A P S O 算法，构建V S A P S O B P 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9 1 ．7 ％，与传统P S O B P 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V S A P S O B P 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。 关键词掘进机回转台；异常检测；支持向量数据描述；粒子群优化算法；B P 神经网络 中图分类号T D 4 2 1 ．5 ；T D 6 3 ；T H l 6 5 ．3 引言 在实际的工业生产过程中，针对昂贵、关键的重 型装备开展故障诊断异常检测研究具有重要的经济 和社会效益。其中，掘进机是煤矿井下巷道掘进的 关键装备，在煤矿安全高效生产中发挥着关键作用。 由于煤矿井下作业空间狭窄、空气潮湿、煤岩性质复 杂，恶劣的工作环境使得无人化掘进对掘进机的智 能控制要求越来要高，因此对掘进机故障诊断异常 检测技术的研究具有实际的工程应用价值。针对上 述现状，当前关键问题主要体现在故障数据的缺失 和整体系统状态数据的异常识别两个方面[ 1 。2 ] 。生 产实践经验表明，机械设备的振动与其运行状态之 间有密切关系，相关部件运行过程突发故障或衍生 故障等都会通过振动信号体现出来[ 3 ] 。 缺少故障振动数据是目前大型机械整体部件故 障诊断研究中的一大难点。支持向量数据描述算法 是一种典型的单分类方法，只需对健康数据进行训 练，便可对部件的健康状态与非健康状态进行分类。 目前，S V D D 已在电力系统[ 4 { ] 、发动机[ 6 ] 及压缩 机口1 等故障诊断中应用。仅对设备的健康与非健康 状态进行分类无法得知部件的故障程度，具有模糊 性，对设备使用与维修的指导意义不大，因此需要对 设备的故障程度进行划分。B P 神经网络是一种有 效解决数据分类问题的工具，其算法存在收敛速度 慢以及容易陷入局部极小值的问题。国内外研究人 员尝试使用不同算法优化B P 神经网络，其中粒子 群优化算法 p a r t i c l es w a r mo p t i m i z a t i o n ，简称 P S O 的应用较为广泛且效果较好[ 8 ] 。为了进一步 提升P S O 算法的全局搜索能力与局部搜索能力，研 究人员提出了多种P S O 优化方法[ 9 伽。改进型 P S O 算法性能各异，适用于不同工程研究领域，为 使P S O 算法能够更加适合掘进机故障诊断，需对 P S 0 算法进行改进。 为解决掘进机回转台故障诊断研究中缺少故障 数据以及需要对故障程度进行划分的问题，笔者提 出了一种基于单分类健康数据的V S A P S O B P 网 络掘进机回转台故障诊断方法。以E B Z l 6 0 型掘进 机的回转台 整体部件 为例，使用S V D D 对健康样 本集进行训练，根据现场经验构造非健康数据集，利 用S V D D 对非健康数据集的识别率，把非健康数据 分为故障临界数据与故障数据两类。综合建立健 康、故障临界及故障3 类数据样本集，使用新型改进 P S O 对B P 神经网络的权值参数进行优化，提出了 一种变异自适应粒子群优化算法替代了B P 神经网 络原有的梯度下降算法，使V S A P S O B P 神经网络 应用于掘进机回转台故障诊断异常检测具有更快的 收敛速度和更高的识别精度。 * 国家重点基础研究发展计划 “九七三”计划 资助项目 2 0 1 4 C B 0 4 6 3 0 6 ；国家自然科学基金资助项目 5 1 8 7 4 3 0 8 收稿日期2 0 1 7 0 4 2 6 ；修回日期2 0 1 7 0 6 2 2 万方数据 第1 期杨健健，等单类学习下基于V S A P S O B P 的掘进机异常检测方法 1 3 1 1 基于S V D D 的数据描述 通过对E B Z l 6 0 型掘进机回转台振动特征的分 析，选择回转台水平测点振动加速度的有效值、方差 和峭度作为特征向量。如何针对现实状况中只有健 康稳定状态的单类数据特征进行有效的异常检测是 解决掘进机故障诊断方法的关键问题。 令掘进机回转台振动加速度信号特征向量为 x 一[ z 。，z 。，⋯，z 。] ，振动加速度信号特征向量的故 障阈值为l ，一[ y ，，Y 。，⋯，Y 。] ，笔者将掘进机回转台 的运行状态分为3 类数据集合，其定义如下。 定义1表征设备的健康状态数据集合H 一 { z ∈X Iz ， 盯；i 一1 ，2 ，⋯， N ，其中盯为常数，通常取0 ．3 。 S V D D 算法口o ] 可将已知的单一健康状态运行样 本数据压缩在一个高维特征空间，构造一个能够描述 健康数据范围的封闭紧凑的最小超球体，如图1 所 示。该方法能够对健康状态与非健康状态进行区分。 N { 四 目 蜷 图1S V D D 单分类示意图 F i g ．1 S V D Ds i n g l ec l a s s i f i c a t i o nd i a g r a m 令测试样本集z 一[ z 。，z 。，⋯，z 。] ，其中i 一1 ， 2 ，⋯，N ，z 中样本z 到球心口的平均距离D 一 1 N D z i ，艿一I R 一石l 。对数据幅值的放大过 Z i 1 程即为D 的放大过程。 当D R 且艿较大时，大部分样本散落 在超球面外，此时S V D D 识别率较低甚至完全不识 别，数据为严重故障数据。其数据分类如图2 所示。 S V D D 分类面 轻微故障数据平均距离 据平均距离区间 数据平均距离区间 图2 数据分类示意图 F i g ．2 D a t ac l a s s i f i c a t i o nd i a g r a m 根据经验，数据的准确率与数据类型的关系为 f 1 A 7 0 ％ 以m 一仁。∞。徽嚣炯q ’ 其中Z A 为指示函数；A 为识别准确率；l 代表该 数据为健康数据；0 代表该数据为故障临界数据； 一1 代表该数据为严重故障数据。 根据上述原则，笔者选取一组在非训练样本数 据集中可被S V D D 完全识别的健康数据作为测试 样本，根据S V D D 分类算法识别率分别确定健康状 态、故障临界状态与严重故障状态的取值范围，将该 线性权值作为故障样本的取值依据，建立健康状态、 轻微故障状态与严重故障状态的样本数据集。 2 V S A P S O B P 神经网络 为克服传统B P 网络算法收敛速度慢且容易陷 入局部极小值的缺陷，本研究提出V S A P S O 算法代 替优化B P 网络原有的梯度下降算法来调整B P 网 络参数中的权值和阈值。 2 ．1V S A P S O 算法 标准粒子群优化算法公式如式 2 ～ 5 所示。 口“ f 1 一删爿 ￡ C 1r l P d z 赶 f c 2 r 2 p 州一z d ￡ 2 工d ￡ 1 一z d ￡ 口村 t 1 3 f V ⋯ 训矗 u 。。， 口耐一 一训⋯ 口趟 一训⋯ 4 【口d I 口“l 声 ’ I z 甜 L 瓜L ，夕p ， 其中P 为变异概率；z ⋯为位置所允许的最大值； R 1 ，D 为D 个o ～1 之间的随机数。 笔者分别使用G r i e w a n k 测试函数、R o s e n b r o c k 测试函数和A c k l e y 函数将标准P S O 算法、自适 应粒子群优化算法 a d a p t i v ep a r t i c l es w a r mo p t i m i z a t i o n ，简称A P S O 与V S A P S O 算法进行测试， 验证该方法提高了算法寻优能力。其适应度值变化 如图3 ～5 所示。可见，笔者提出的V S A P S O 算法 收敛速度相对较优。 趔 赵 倒 蚓 图3G r i e w a n k 函数下适应度值变化对比 F i g ．3 C o m p a r i s o no ff i t n e s sv a l u e su n d e rG r i e w a n k f u n c t i o n 图4R o s e n b r o e k 函数下适应度值变化对比 F i g ．4C o m p a r i s o no f f i t n e s sv a l u e su n d e rR o s e n b r o c k f u n c t i o n 趔 划 毯 倒 图5A c k l e y 函数下适应度值变化对比 F i g ．5C o m p a r i s o no ff i t n e s sv a l u e su n d e rA c k l e yf u n c t i o n 当达到最大迭代次数时，3 种算法的最小适应 度如表1 所示。由表1 可知，V S A P s O 算法的最小 适应度值最小，寻优能力高于其他两种P S O 算法。 表13 种测试函数下最小适应度 T a b ．1M i n i m u mf i t n e s su n d e rt h r e et e s tf u n c t i o n s 2 ．2V S A P S O B P 神经网络算法流程 笔者提出的V S A P S O B P 神经网络算法流程 主要步骤如下。 1 对B P 网络的拓扑结构和神经元数目进行初 始化。 2 根据B P 网络的拓扑结构和神经元数目，对 P S O 算法的种群规模、最大迭代次数、惯性权重、学 习因子、最大迭代次数、适应度函数、粒子位置和速 度初始化，根据式 8 确定每个粒子的维数。 D 一 S 。 1 S 2 S 。 1 S 。 8 其中s ，为输入层神经元数；S 。为隐含层神经元数； s 。为输出层神经元数。 3 利用提出的自适应调整惯性权重和变异算 子相结合的方式对粒子的速度与位置进行更新。 4 对每个粒子位置对应的适应度值进行计算， 得到粒子的个体适应度值与群体适应度值，并将个 体最佳适应度值作为群体适应度值。 5 达到最大迭代次数后，使用群体最优位置对 万方数据 第1 期杨健健，等单类学习下基于V S A P S OB P 的掘进机异常检测方法 1 3 3 B P 神经网络的权值阈值进行赋值，使用该网络对样 本进行训练，得到输出值。 3 实例数据分析 3 ．1 样本数据提取 笔者使用的数据为中国矿业大学 北京 研制的 大容量数据记录仪在煤矿井下采集的E B Z l 6 0 型掘 进机回转台振动加速度数据，其采样频率为 1 0k H z ，原始波形如图6 所示。 p ∞ ● 吕 ∑ 划 删 口 a 臀 蜷 ’“．山乩一，l ⋯。．1 。山心。l l l l 越。_ | L 业J 。I I Jj ．一▲．山乩一 A 一一．1 。龇j L 址。。l l l I U L l j L 盥 ．w Ⅳ盯w Ⅳ1 _ | | 『7 1 I f 叶f1 1 『1 | 『l t | s 图6回转台振动数据原始波形图 F i g ．6O r i g i n a lw a v e f o r mo fr o t a r yt a b l ev i b r a t i o nd a t a 使用M a t l a b 对振动加速度信号进行分析，得到 如图7 所示的振动加速度有效值、方差和峭度的归一 化波形图。由于回转台的健康状态可由回转时的振 动加速度信号体现，且为了排除截割时的较大扰动， 选取掘进机在非截割状态下掘进机回转台正常工作 时振动加速度的特征值作为训练样本。在目标数据 中选取2 5 0 组数据作为样本，其中2 0 0 组为训练样 本，5 0 组为测试样本，部分样本数据如表2 所示。 图7 特征值归一化波形图 F i g ．7E i g e n v a l u en o r m a l i z e dw a v e f o r m 表2 部分样本数据 T a b ．2 P a r to ft h es a m p l ed a t a 有效值／ 1 0 m S ．2 方差／ 1 0 m S _ 2 峭度 O ．0 4 01 O ．0 4 77 0 ．0 4 28 O ．0 3 39 0 ．0 3 59 O ．0 3 55 O ．0 3 89 O ．0 3 78 O ．0 3 65 O ．0 3 78 0 ．0 7 68 0 ．1 0 93 0 ．0 8 78 0 ．0 5 49 0 ．0 6 19 O ．0 6 05 O ．0 7 22 0 ．0 6 86 0 ．0 6 41 0 ．0 6 84 3 ．2 4 37 3 ．3 9 71 3 ．1 6 02 4 ．1 8 47 3 ．8 3 53 3 ．7 3 78 3 ．6 7 77 3 ．4 1 25 3 ．8 7 33 3 ．7 5 l5 3 ．2 非健康数据构造 得到样本数据后，使用S V D D 方法对训练样本 进行训练，使用测试样本对训练好的S V D D 进行测 试，结果如图8 所示。由图8 可知，建立的S V D D 网络可以对非截割状态下回转台回转时健康数据进 行识别，准确率为1 0 0 ％。 渊 竖 寒 彝 图8S V D D 测试结果 F i g ．8S V D Dt e s tr e s u l t s 根据提出的原则对测试样本进行处理，得到线 性权值与识别准确率关系如表3 所示。 表3 线性权值与识别准确率关系 T a b ．3T h er e l a t i o n s h i pb e t w e e nl i n e a rw e i g h t sa n d r e c o g n i t i o na c c u r a c y 线性权值准确率／％线性权值准确率／％ 1 ．1 倍 1 0 0 1 ．5 倍 7 0 1 ．2 倍 1 0 0 1 ．6 倍 3 0 1 ．3 倍 1 0 0 1．7倍0 1 ．4 倍 1 0 0 1．8倍0 由表3 可知，当分类准确率大于7 0 ％时，线性 权值在1 ～1 ．5 之间，可将该线性权值区间内的数据 归类为健康数据。当分类准确率为3 0 ％～7 0 ％时， 线性权值在1 ．5 ～1 ．6 之间，可将该线性权值区间内 的数据归类为故障临界数据。当分类准确率小于 3 0 ％时，线性权值大于1 ．6 ，由于发生故障时特征向 量的值可能会达到健康时特征值的8 倍以上，因此 笔者将线性权值的上限暂设为8 ，线性权值取值为 1 ．6 - - 8 ，可将该线性权值区间内的数据归类为故障 数据。该线性权值与分类准确率的关系即为非健康 数据构造的依据。各类数据的线性权值取值范围及 数据构造公式如表4 所示。表4 中S 。，为第i 个健 康数据；S 。，为第i 个故障临界数据；S 。i 为第i 个故 障数据；S 为第i 个原始健康数据；R 。为1 ～1 ．5 之间 的随机数；R 。为1 ．5 ～1 ．6 之间的随机数；R 。为 1 ．6 ～8 之间的随机数，i 1 ，2 ，⋯，2 5 0 。 笔者使用2 0 0 组训练样本和5 0 组测试样本，共 2 5 0 组样本按照表4 的数据构造公式进行数据构 造，共构造健康、故障临界与故障3 组数据，每组数 据各2 5 0 个样本。图9 为目标数据特征值在二维空 间的S V D D 分类。 万方数据 振动、测试与诊断 第3 9 卷 表4 各类数据线性权值取值范围及数据构造公式 T a b ．4 T h el i n e a rw e i g h t sr a n g ea n dd a t ac o n s t r u c t i o nf o r m u I ao fv a r i o u st y p e so fd a t a 图9 基于S V D D 的目标数据划分 F i g ．9T a r g e td a t ad i v i s i o nb a s e do nS V D D 3 ．3目标数据状态识别 将该三维向量作为B P 网络的输入向量，因此 B P 网络的输入层神经元个数为3 个。由于笔者将 数据分为健康、故障临界与故障3 类，数据标签分别 为[ 1 ] ，[ o ] ，[ 一1 ] ，因此B P 网络输出层神经元个数 为3 个。由于1 个隐含层即可解决此类分类问题， 因此使用1 个隐含层，隐含层神经元数目为7 个。 经过数据归一化，输入向量在[ o ，1 ] 之间，因此输入 层激活函数设定为l o g s i g ，输出向量为[ o ，1 ] ，输出 层激活函数设定为t a n s i g 。 经测试，P S O 算法的粒子群规模N 一4 0 为宜， 最大迭代次数M 一10 0 0 ，最大惯性权重叫⋯一0 ．9 ， 最小惯性权重训。i 。一0 ．4 ，学习因子C 。一C z 一2 ．0 5 ， 由于输入向量取值在[ o ，1 ] 之间，因此最大速度 可⋯一1 。适应度函数的选择对B P 网络的训练效果 影响较大，选择适应度函数为B P 网络目标输出与 实际输出的均方差，适应度值的大小与误差大小成 正相关。适应度函数为 F 一去骞 P i - - T i 2 c ㈦厄⋯㈠㈤ 其中行为样本个数；P ，为第i 个样本的理想输出 值；T 。为第i 个样本的实际输出值。 将构造的健康、故障临界与严重故障训练样本 带人P S O B P 神经网络、A P S 0 一B P 神经网络和笔 者构建的V S A P S O B P 网络进行训练。目标数据 在B P 神经网络的适应度下降曲线如图1 0 所示。 可见，相较于P S O B P 和A P S O B P 神经网络， V S A P S O B P 神经网络的适应度值下降速度更快。 图1 0 适应度下降曲线 F i g ．10 F i t n e s sd e c l i n ecurve 将训练完成的神经网络用测试样本进行测试， 结果如表5 所示。由于健康数据与故障数据的特征 都比较明显，因此识别率均较高。故障临界数据的 特征比较模糊，因此识别率相对较低。测试结果表 明，笔者建立的V S A P S O B P 神经网络对数据的识 别准确率较高且平均误差较小，分类性能优于 P S O B P 神经网络和A P S O B P 神经网络。 表5 测试结果 T a b ．5T e s tr e s u l t s 4结论 1 针对大型装备仅具有单类健康数据样本的 问题，提出了一种基于S V D D 的非健康数据描述方 法，定义了健康、故障临界与严重故障数据的划分依 据，为单类数据的异常检测提供了一种可行方法。 2 提出了V S O P S O 算法，使用自适应惯性权 重与变异方法相结合的方法提高了P S O 算法的局 部搜索能力、全局搜索能力以及P S O 算法的寻优精 度与速度，降低了P S O 算法寻优时陷入局部极小值 的几率。 3 针对实际工况中掘进机回转台健康状态诊 断的问题，给出了详细的实验步骤与实验数据。结 万方数据 第1 期杨健健，等单类学习下基于V S A P S OB P 的掘进机异常检测方法 1 3 5 果表明，该方法能够准确有效地对掘进机回转台健 康状态进行诊断，在掘进机故障诊断方面应用价值 较高，为解决并普及适用仅具有单类健康数据的大 型机械故障诊断异常检测问题提供了一种新的方法 与思路。 E l i E 2 3 E 3 3 [ 4 ] E s ] [ 6 ] [ 7 ] 参考文献 张天瑞，于天彪，赵海峰，等．数据挖掘技术在全断面 掘进机故障诊断中的应用[ J ] ．东北大学学报自然科 学版，2 0 1 5 ，3 6 4 5 2 7 5 3 1 ，5 4 1 ． Z h a n gT i a n r u i ，Y uT i a n b i a o ，Z h a oH a i f e n g ，e ta 1 ．A p p l i c a t i o no fd a t am i n i n gt e c h n o l o g yi nf a u l td i a g n o s i so f t u n n e lb o r i n gm a c h i n e [ J ] ．J o u r n a lo fN o r t h e a s t e r nU n i v e r s i t y N a t u r a lS c i e n c e ，2 0 1 5 ，3 6 4 5 2 7 5 3 1 ， 5 4 1 ． i nC h i n e s e 邵晋敏．E B Z l 6 0 T Y 型掘进机故障诊断专家系统的研 究[ J ] ．煤矿机械，2 0 1 3 ，3 4 6 2 6 5 2 6 7 ． S h a oJi n m i n ．R e s e a r c ho ff a u l td i a g n o s i se x p e r ts y s t e m onE B Z l6 0 T Yr o a d h e a d e r [ J ] ．C o a lM i n eM a c h i n e r y ， 2 0 1 3 ，3 4 6 2 6 5 2 6 7 ． i nC h i n e s e 尹同舟，唐至威，杨健健，等．基于多传感器B P 网络掘 进机截割部故障诊断研究[ J ] ．煤炭科学技术，2 0 1 6 ， 4 4 9 1 3 4 1 3 9 ． Y i nT o n g z h o u ，T a n gZ h i w e i ，Y a n gJ i a n j i a n ，e ta 1 ． S t u d yonf a i l u r ed i a g n o s i so fc u t t i n gu n i ti nr o a d h e a d e r b a s e do nB Pn e t w o r ko fm u l t is e n s o r [ J ] ．C o a lS c i e n c e a n dT e c h n o l o g y ，2 0 l6 ，4 4 9 1 3 4 一1 3 9 ． i nC h i n e s e 罗慧，王友仁．基于G S M S V D D 的模拟电路故障诊断 方法[ J ] ．电机与控制学报，2 0 1 3 ，1 7 1 1 0 81 1 3 ． L u oHu i ，W a n gY o u r e n ．AG S M S V D Dm e t h o df o r a n a l o gc i r c u i t sf a u l td i a g n o s i s [ J ] ．E l e c t r i cM a c h i n e s a n dC o n t r o l ，2 0 1 3 ，1 7 1 1 0 8 1 1 3 ． i nC h i n e s e 付文龙，周建中，李超顺，等．基于模糊K 近邻支持向 量数据描述的水电机组振动故障诊断研究E J ] ．中国 电机工程学报，2 0 1 4 ，3 4 3 2 5 7 8 8 5 7 9 5 ． F uW e n l o n g ，Z h o uJ i a n z h o n g ，L iC h a o s h u n ，e ta 1 ．V i b r a n tf a u l td i a g n o s i sf o rh y d r o e l e c t r i cg e n e r a t i n gu n i t b a s e do ns u p p o r tv e c t o rd a t ad e s c r i p t i o ni m p r o v e dw i t h f u z z yKn e a r e s tn e i g h b o r [ J ] ．P r o c e e d i n g so ft h e C S E E ，2 0 1 4 ，3 4 3 2 5 7 8 8 5 7 9 5 ． i nC h i n e s e 张玲玲，廖红云，贾继德，等．基于S V D D 与D - S 证据 理论的发动机故障诊断研究[ J ] ．汽车工程，2 0 1 3 ，3 5 1 2 3 2 6 ，5 0 ． Z h a n gL i n g l i n g ，L i a oH o n g y u n ，J i aJ i d e ，e ta 1 ．Ar e s e a r c hone n g i n ef a u l td i a g n o s i sb a s e do nS V D Da n dD - Se v i d e n c et h e o r y [ J ] ．A u t o m o t i v eE n g i n e e r i n g ， 2 0 1 3 ，3 5 1 2 3 2 6 ，5 0 ． i nC h i n e s e 张敏龙，王涛，王旭平，等．带故障样本的弹性双阈值 S V D D 在线故障诊断算法及其应用[ J ] ．振动工程学 [ 8 ] [ 9 ] [ 1 0 ] [ 1 1 ] [ 1 2 ] 报，2 0 1 6 ，2 9 3 ；5 5 5 - 5 6 0 ． Z h a n gM i n l o n g ，W a n gT a o ，W a n gX u p i n g ，e ta 1 ．O n l i n ef a u l td i a g n o s i sa l g o r i t h mb a s e do nv a r i a b l ed u a l t h r e s h o l dS V D Dw i t hn e g a t i v es a m p l e sa n di t sa p p l i c a t i o n [ J ] ．J o u r n a lo fV i b r a t i o nE n g i n e e r i n g ，2 0 1 6 ，2 9 3 5 5 5 - 5 6 0 ． i nC h i n e s e 陈喜阳，同海桥，孙建平．基于P S O B P 与组合矩的水 电机组轴心轨迹识别[ J ] ．振动、测试与诊断，2 0 1 6 ，3 6 1 1 0 8 1 1 4 ． C h e nX i y a n g ，Y a nH a i q i a o ，S u nJi a n p i n g ．R e s e a r c h o nt h ei d e n t i f i c a t i o no fa x i so r b i ti nh y d r o g e n e r a t o ru n i tb a s eo nP S O B Pa n dc o m b i n e dm o m e n ti n v a r i a n t s I - J ] ．J o u r n a lo fV i b r a t i o n ，M e a s u r e m e n t8 LD i a g n o s i s ， 2 0 1 6 ，3 6 1 1 0 8 一1 1 4 ． i nC h i n e s e 王东风，孟丽，赵文杰．基于自适应搜索中心的骨干粒 子群算法[ J ] ．计算机学报．2 0 1 6 ，3 9 1 2 2 6 5 2 2 6 6 7 ． W a n gD o n g f e n g ，M e n gL i ，Z h a oW e n j i e ．I m p r o v e d b a r eb o n e sp a r t i c l es w a r mo p t i m i z a t i o nw i t ha d a p t i v e s e a r c hc e n t e r [ J ] ．C h i n e s eJ o u r n a lo fC o m p u t e r s ， 2 0 1 6 ，3 9 1 2 2 6 5 2 2 6 6 7 ． i nC h i n e s e 徐卫亚，徐飞，刘大文．位移时序预测的A P S O w I 。s s V M 模型及应用研究[ J ] ．岩土工程学报，2 0 0 9 ，3 1 3 3 1 3 - 3 1 8 ． X uW e i y a ，X uF e i ，L i uD a w e n ．S t u d ya n da p p l i c a t i o n o fd i s p l a c e m e n tt i m es e r i e sf o r e c a s tb a s e do nA P S O W L S S V M 口] ．C h i n e s eJ o u r n a lo fG e o t e c h n i c a lE n g i n e e r i n g ，2 0 0 9 ，3 1 3 3 1 3 3 1 8 ． i nC h i n e s e 高保龙，李景灿，韩力，等．基于改进P S O 的无刷双馈 风力发电机优化设计[ J ] ．太阳能学报，2 0 1 5 ，3 6 8 1 8 3 3 1 8 4 0 ． G a oB a o l o n g ，L iJ i n g c a n ，H a nL i ，e ta 1 ．D e s i g no p t i m i z a t i o no fb u r s h l e s sd o u b l y f e dw i n dp o w e rg e n e r a t o r b a s e doni m p r o v e dP S Oa l g o r i t h m [ J ] ．A c t aE n e r g i a e S o l a r i sS i n i c a ，2 0 1 5 ，3 6 8 1 8 3 3 1 8 4 0 ． i nC h i n e s e 李冠男，胡云鹏，陈焕新，等．基于S V D D 的冷水机组 传感器故障检测及效率分析[ J ] ．化工学报，2 0 1 5 ，6 6 5 1 8 1 5 - 1 8 2 0 ． L iG u a n n a n ，H uY u n p e n g ，C h e nH u a n x i n ，e ta 1 ． S V D D - b a s e dc h i l l e rs e n s o rf a u l td e t e c t i o nm e t h o da n d i t sd e t e c t i o ne f f i c i e n c y [ J ] ．J o u r n a lo fC h e m i c a lI n d u s t r ya n dE n g i n e e r i n g C h i n a ，2 0 1 5 ，6 6 5 1 8 1 5 1 8 2 0 ． i nC h i n e s e 第一作者简介杨健健，男，1 9 8 8 年4 月 生，博士、硕士生导师。主要研究方向为 矿山机械自动化与智能化、智能监测与 控制、设备状态监测与故障诊断和无线 传感器及其网络。曾发表基于模糊判 据的煤岩性状截割硬度识别 煤炭学 报 2 0 1 5 年第4 0 卷S 2 期 等论文。 E m a i l y a n g J i a n n e d v e d 1 6 3 ．c o r n 万方数据