印刷机设备状态监测与故障诊断研究进展

通过对国内外印刷机状态监测与故障诊断研究情况和发展趋势的分析,认为当前对印刷机监测的研究主要集中在振动信号的测试研究、专家经验知识的应用、模式识别算法引入等几个方面,并论述了当前基于印刷图像处理的印刷机故障诊断这一新方向的研究情况。由于印刷机不断朝着高速度、高精度、高自动化程度方向发展,传统故障诊断方法在印刷机系统中的应用已受到很大限制,研究认为,兼顾多元信息实现全面状态监测,融合经验知识与先进识别算法建立故障决策体系,从印刷画面信息中提取设备参数,将是今后印刷机故障诊断研究的重点。     

融合无量纲指标与信息熵的不同转速下旋转机械故障诊断

针对不同转速下旋转机械故障的特征同尺度表征与诊断问题,提出了融合无量纲指标与信息熵的旋转机械故障诊断方法。无量纲指标、信息熵等值与振动能量无关,取决于信号的分散程度与组分比率,对转速敏感性低,故利用无量纲指标与信息熵构建故障特征集,实现不同转速工况下故障特征同尺度定量表征;设计出基于核函数概率估计的故障敏感性指标算法,从所建立的故障特征集中选择对故障敏感性好的特征量构成表征能力更强的故障敏感特征集,并采用线性局部切空间排列(LLTSA)对其进行非线性降维与融合,获得分类特性好、受转速影响小的低维故障敏感特征集;最后,应用鲁棒性好的加权最近邻分类器(WKNNC)实现不同故障类型的诊断。对不同转速下齿轮箱故障进行诊断,结果证明了所提方法的可行性和有效性。     

基于振动敏感时频特征的航天轴承寿命状态识别方法

针对非敏感特征削弱了航天轴承寿命状态特征集表征能力和识别率的问题,提出基于振动敏感时频特征的航天轴承寿命状态识别方法。设计出基于散布矩阵的寿命敏感性指标计算方法,根据该指标优选出使样本类内散度小、类间距大的敏感特征构建出寿命状态敏感特征集,增强对寿命状态的表征性。通过线性局部切空间排列算法(Linear Local Tangent Space Alignment,LLTSA)对寿命状态敏感特征集进行维数约简和特征融合,去除冗余信息,获得分类特性更好的低维寿命状态特征集,并输入最近邻分类器(K-Nearest Neighbors Classifier,KNNC)实现航天轴承不同寿命状态的识别。工程应用结果证明了所提方法的有效性和可行性。     

基于BIMF-GLCM分析的印刷网点异常状态诊断方法

目的为了实现印刷生产过程中网点异常状态的智能诊断,提出一种基于二维经验模式分解(BEMD)的网点特征提取方法。方法通过对网点图像的BEMD分析,获取了其二维本征模式分量,并利用灰度共生矩阵(GLCM)对其进行特征提取,构建印刷网点的特征表示向量。结果依托支持向量机决策方法开展分类实验,所提出的方法能够准确诊断出网点压力不当、水墨不均等异常状态,网点分类实验的正确率达到90%以上。结论 BIMF-GLCM分析对于网点特性有着很好的表征能力,相关研究为印刷网点智能诊断特征集的构建提供了有效方法。     

基于经验模式分解和主元分析的滚动轴承故障诊断方法研究

提出了一种融合经验模式分解和多元统计的轴承故障诊断新方法,主要包括基于信号Hilbert-Huang变换的特征提取和对故障特征集的主成分分析:首先运用EMD将振动信号分解成不同特征时间尺度的单分量固有模态函数,采取Hilbert-Huang变换获取分解信号的瞬时频率,计算基本模式分量与瞬时频率的统计特征集;之后对统计特征集进行主成分分析,大幅降低特征向量的维数,获取主元特征集;最后利用支持向量机,完成了对于滚动轴承常见三类故障的分类,并分析了振动信号时域频域的统计特征值与故障模式之间的联系。     

基于声场图像分析的印刷机轴承故障诊断方法

目的针对印刷机墨辊轴承的故障信息获取及诊断难等问题,提出一种基于声场图像分析的故障诊断与定位方法。方法首先,构建声音测试系统并划分检测对象的空间区域,逐一采集信号并依据对应空间位置关系进行重构与组合;其次,将一段时间内的信号能量进行叠加,同时依据空间位置关系形成叠加状态的声场图像信息;然后,引入二维经验模式分解(BEMD)分析空间域图像信息,消除环境噪声干扰并得到声场图像的高频信息。结果对不同位置、不同种类的墨路系统故障轴承进行特征分析与比对,利用IBIMF分量及统计特征实现了轴承内、外圈故障的诊断,利用无量纲特征实现了不同故障位置的有效定位,并通过实验验证了方法的有效性。结论所提出故障诊断方法发挥了非接触测量优势,同时具有较强故障表征能力,适用于同类复杂机械系统。     

基于WMRMR的滚动轴承混合域特征选择方法

为充分利用时域、频域以及时频域中的有效特征,提高滚动轴承故障诊断准确率,提出一种混合域特征集构建方法,利用原始信号分别生成时域和频域特征集,通过经验模式分解提取固有模态函数的排列熵和Hilbert谱的奇异值作为时频域特征集,使得混合域特征集比单域特征更能全面准确反映轴承运行状态。针对混合域特征集存在维数过高、特征之间冗余性严重的问题,采用加权最大相关最小冗余的特征选择方法,以支持向量机分类正确率为依据,选取7个有效特征向量。实验结果表明:基于WMRMR的混合域特征选择方法的分类准确率可达98%,能够有效的识别轴承故障信息。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

基于独立特征选择与流形学习的故障诊断

为了有效利用特征集所包含的敏感特征进行故障诊断,提出基于独立特征选择(Individual Feature Selection,IFS)与流形学习的故障诊断方法。从多个角度提取振动信号的混合特征,构建原始高维特征集。采用一种改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集,并通过线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)算法挖掘出可区分度更高的特征子集。采用"一对一"的方法训练多个二类分类支持向量机(Supported Vector Machine,SVM),将得到的低维特征输入多分类故障诊断模型进行识别。液压泵故障诊断实验表明,所提方法具备较高的诊断准确率。     

基于Inception v3的印刷设备轴承故障智能诊断方法研究

目的 轴承作为印刷设备中的旋转核心元件,其运行状态对印刷设备的健康监测作用较大。通过融合小波时频处理与Inception v3模型的优势,提出一种用于印刷设备轴承故障智能诊断方法。方法 利用Morlet小波对采集到的印刷设备轴承原始振动信号进行处理,得到对应的二维时频图像,从时域和频域两方面对轴承故障进行表征;将时频图像作为Inception v3模型的输入,利用其模型的稀疏特性,快速从时频图像中自动学习故障特征,并对其模型参数进行调整;最后,利用训练好的模型实现印刷设备轴承故障诊断。结果 利用印刷设备轴承实验平台对提出方法的有效性进行了验证,实验结果表明该方法的平均诊断精度可达92.53%。结论 与传统智能诊断方法相比,所提方法在诊断精度与稳定性方面均具有一定的优势,可实现高精度印刷设备轴承故障诊断。     

数据特征选择与分类在机械故障诊断中的应用

针对机械故障数据的高维性和不平衡性,提出基于格拉斯曼流形的多聚类特征选择和迭代近邻过采样的故障分类方法。对采集到的振动信号,提取时域和频域相关特征,利用多聚类特征选择将高维数据以局部流形结构映射到低维特征集合。无标签样本借助迭代近邻过采样以恢复最大平衡性为目标进行样本分类,并对剩余无标签样本进行模糊分类。选取滚动轴承正常、外圈、内圈以及滚动体的故障数据,并与支持向量机、基于图的半监督学习算法进行对比。结果表明,提出的方法能有效识别出少数类故障,并在整体上有显著的分类效果。     

基于元动作单元的数控机床故障分级决策方法

为快速、准确地判断数控机床故障等级,避免出现花大代价处理次要故障,而关键故障却被忽略的情况,提出了一种以元动作单元为分析主体的数控机床故障分级决策方法。首先,为细化数控机床故障分析的粒度,使得分析过程更加简便,从系统功能分解的角度将数控机床按照“功能（function）-运动（motion）-动作（action）”逐层分解直至元动作层。其次,通过对分解过程进行分析,给出了元动作单元概念模型,明确了一个标准元动作单元需要包含的3类要素。然后,从动作的层面全面分析并总结元动作单元的故障模式类型。接着,定义了元动作单元故障模式的3个等级,按照评价指标对数控机床故障模式进行评价,再通过灰色聚类理论分析故障模式量化评价值,利用所得出的聚类结果建立了故障模式分级的原始决策表,随后通过粗糙集理论对原始决策表进行知识约简以使决策规则进一步简化,最终形成了一种能够快速、准确确定故障模式等级的决策方法。最后,通过对某数控机床齿条移动元动作单元的分析,验证了所提方法的合理性与有效性。实例分析结果表明使用该方法能够快速、准确地确定数控机床的故障模式等级,提高了决策效率,所得结论更加明确且具有针对性,可为后续的维修过程控制提供依据。研究结果能给相关企业确定数控机床故障等级提供有效指导,一定程度上优化企业维修资源的配置。     

基于卷积神经网络的印刷套准识别方法

目的 针对目前印刷套准识别方法依赖于经验人工设计特征提取的问题,提出一种不需要人工提取图像特征的卷积神经网络模型,实现印刷套准状态的识别.方法 采用图像增强技术实现不均衡训练集的均衡化,增加训练集图像的数量,提高模型的识别准确率.设计基于AlexNet网络结构的印刷套准识别模型的结构参数,分析批处理样本数量和基础学习率对模型性能的影响规律.结果 文中方法获得的总印刷套准识别准确率为0.9860,召回率为1.0000,分类准确率几何平均数为0.9869.结论 文中方法能自动提取图像特征,不依赖于人工设计的特征提取方法.在构造的数据集上,文中方法的分类性能优于实验中的支持向量机方法.     

印刷套准识别方法研究

目的研究印刷标志套准机器快速和高精度的识别方法。方法提取印刷标志图像的灰度共生矩阵表达其纹理特征,采用Adaboost分类器对印刷标志套准图像进行识别,以判断印刷是否套准。结果提取出了印刷标志图像的能量、熵、惯性矩、相关度等的均值和标准差的8维图像纹理特征。为了比较不同分类器的分类性能,分别得出了Adaboost、K近邻、贝叶斯、支持向量机、Fisher和决策树对印刷标志图像纹理特征的分类准确率和分类时间。结论采用文中方法,印刷标志图像套准识别准确率达到97.5%,分类时间达到0.022 377 s,优于其他的分类方法。     

基于支持向量机的印品缺陷分类方法

目的研究印品图像的各类形状缺陷,建立基于支持向量机(Support vector machine,SVM)的印品形状缺陷分类模型。方法对印品进行符合人眼视觉特性的缺陷识别,并对提取缺陷进行特征分析。将特征数据导入支持向量机进行训练学习,SVM分类器对缺陷图像进行测试。结果分类器对点缺陷和面缺陷的识别率为100%,对线缺陷的分类准确率达93.94%。结论基于SVM的缺陷分类方法能较好地满足印品质量检测的需求。     

利用遗传编程提取齿轮多重故障分类特征

特征提取是齿轮多重状态或故障分类中一个很重要的问题。为解决该问题，提出了利用频域特征和遗传编程对齿轮箱盖多类状态振动信号进行特征提取的方法。为了使诊断结果更好地可视化。利用遗传编程结果的固有随机性，提取两个新特征指标。结果表明，该方法对振动数据进行了准确的多重故障分类，也可以应用到其它机械故障诊断或分类中。     

基于声成像模式识别的故障诊断方法研究

利用非接触式声学故障诊断技术的工作优点,发展了基于支持向量机的声成像模式识别技术,并引入到故障诊断领域。针对某种机械故障特点,在利用波束形成算法得到声像进行噪声源识别与定位的基础上,对声像进行图像处理,提取声像的纹理特征和奇异值特征,采用支持向量机进行训练分类,进而用于机械工作状态的诊断。通过仿真及实验,得到了较好的诊断效果,表明基于声像的图像特征提取技术在结合支持向量机后可应用于机械故障诊断,为声成像方法在故障诊断领域的应用提供参考。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。