本發(fā)明屬于印刷機(jī)故障診斷技術(shù)領(lǐng)域，尤其是涉及一種基于SVM的高速印刷機(jī)振動(dòng)信號(hào)故障特征提取方法。

背景技術(shù)：

目前，高速印刷機(jī)因圖文轉(zhuǎn)移工藝復(fù)雜，且大量凸輪連桿組合機(jī)構(gòu)產(chǎn)生往復(fù)交變載荷，使得承印物、機(jī)械、圖文的結(jié)構(gòu)載荷耦合，并在印刷滾筒副間傳遞振動(dòng)，成為影響印刷機(jī)穩(wěn)定性的關(guān)鍵因素。一旦發(fā)生印刷機(jī)故障，將造成印刷材料的浪費(fèi)，并且影響正常生產(chǎn)。印刷機(jī)械故障診斷主要依據(jù)三種信號(hào)：基于印刷機(jī)動(dòng)態(tài)測(cè)試信號(hào)、基于畫(huà)面信息和基于內(nèi)置傳感器檢測(cè)信息。

印刷機(jī)內(nèi)置控制信號(hào)。提供印刷機(jī)最基本的參數(shù)，包括機(jī)械、電氣等方面參數(shù)，是進(jìn)行故障診斷的基礎(chǔ)，同時(shí)也為故障信號(hào)分析提供條件。建立內(nèi)置控制信號(hào)與系統(tǒng)故障之間的映射關(guān)系，可以揭示故障形成機(jī)理。

傳感器測(cè)試信號(hào)。通過(guò)在印刷機(jī)關(guān)鍵部件處布置傳感器，通過(guò)信號(hào)采集分析，提取故障特征進(jìn)行診斷。機(jī)械微位移、振動(dòng)與噪聲信號(hào)中蘊(yùn)含著機(jī)器設(shè)備運(yùn)行狀態(tài)的重要信息，可用來(lái)進(jìn)行機(jī)器狀態(tài)監(jiān)測(cè)與故障診斷。其中微位移信號(hào)能夠直觀地反映出部件的振動(dòng)、位移幅值以及零件尺寸，振動(dòng)信號(hào)最能真實(shí)得到機(jī)器運(yùn)行狀況，但基于振動(dòng)信號(hào)的故障診斷技術(shù)在某些場(chǎng)合下存在著局限性，而機(jī)械噪聲信號(hào)同樣蘊(yùn)含著豐富的設(shè)備狀態(tài)信息，可以部分地替代振動(dòng)信號(hào)作為故障診斷的手段，且具有非接觸式測(cè)量的優(yōu)點(diǎn)。

印刷品畫(huà)面信息。印刷品質(zhì)量能夠反映印刷機(jī)整體的運(yùn)行狀態(tài)。在印刷過(guò)程中，紙張就是一個(gè)特殊的傳感器，將印刷故障信息通過(guò)油墨記錄在了印刷品上。印刷品檢測(cè)參數(shù)中蘊(yùn)含著印刷機(jī)狀態(tài)的各種信息。通過(guò)特定的圖像檢測(cè)儀對(duì)印刷品進(jìn)行檢測(cè)，提取其關(guān)鍵圖像參數(shù)，能夠反映印刷機(jī)部分機(jī)械故障。

目前針對(duì)大型旋轉(zhuǎn)機(jī)械的故障試驗(yàn)和理論研究較多，而對(duì)于以往復(fù)運(yùn)動(dòng)機(jī)構(gòu)為主的專(zhuān)用印刷機(jī)械則鮮有學(xué)者涉足。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于SVM的高速印刷機(jī)振動(dòng)信號(hào)故障特征提取方法，通過(guò)在印刷機(jī)關(guān)鍵部件處布置傳感器、信號(hào)采集分析、提取故障特征進(jìn)行印刷機(jī)狀態(tài)監(jiān)測(cè)與故障診斷。為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下。

針對(duì)印刷機(jī)的SVM及多信息融合故障診斷過(guò)程如圖1所示，主要分以下三個(gè)步驟。

(1)特征參數(shù)的提取。通過(guò)對(duì)印刷機(jī)內(nèi)置控制信號(hào)、外置傳感器信號(hào)以及印品信息進(jìn)行采集、處理，提取其中的故障特征參數(shù)并歸類(lèi)，構(gòu)件出多個(gè)證據(jù)體子空間。根據(jù)印刷機(jī)故障特點(diǎn)，優(yōu)先處理內(nèi)置控制信號(hào)及視頻圖像信號(hào)。

(2)SVM局部初步診斷及結(jié)果。基于各證據(jù)體子空間搭建相應(yīng)的SVM局部診斷子模塊，并對(duì)診斷結(jié)果進(jìn)行分析。

a、權(quán)重系數(shù)的獲取。將各故障模式樣本輸入已搭建好的SVM局部診斷子模塊，得到混淆矩陣，再對(duì)混淆矩陣進(jìn)行分析處理得到診斷可靠度，計(jì)算得到各證據(jù)體對(duì)各故障模式的權(quán)重系數(shù)。

b、基本概率的獲取。根據(jù)標(biāo)準(zhǔn)SVM判別模式，得到每一組SVM局部診斷的判別矩陣，再對(duì)判別矩陣進(jìn)行進(jìn)一步分析得到各SVM局部診斷體的隸屬度，最后由隸屬度決定基本概率。

(3)加權(quán)融合診斷。得到多個(gè)證據(jù)體的加權(quán)概率，并對(duì)多個(gè)證據(jù)體的加權(quán)概率分配結(jié)果進(jìn)行加權(quán)組合，從而得到最后的診斷結(jié)果。

該發(fā)明的有益效果在于：本發(fā)明裝置通過(guò)提供一種基于SVM的高速印刷機(jī)振動(dòng)信號(hào)故障特征提取方法，通過(guò)現(xiàn)場(chǎng)測(cè)試獲取了動(dòng)態(tài)信號(hào)，通過(guò)特征提取、網(wǎng)格參數(shù)尋優(yōu)，成功實(shí)現(xiàn)了模塊化多色印刷機(jī)色組間套印誤差故障的識(shí)別與分類(lèi)。

結(jié)合附圖參考后文中對(duì)本發(fā)明的優(yōu)選實(shí)施例的說(shuō)明，本發(fā)明的所述及其他目的、特征和優(yōu)點(diǎn)將更為明顯。

附圖說(shuō)明

圖1是本發(fā)明的印刷機(jī)SVM故障診斷模型；

圖2是實(shí)施例中某型多色平版印刷機(jī)測(cè)試現(xiàn)場(chǎng)；

圖3是實(shí)施例中傳感器實(shí)際布點(diǎn)位置；

圖4是實(shí)施例中參數(shù)選擇結(jié)果圖(三維圖)；

圖5是測(cè)試集的實(shí)際分類(lèi)和預(yù)測(cè)分類(lèi)。

具體實(shí)施方式

有關(guān)本發(fā)明的詳細(xì)說(shuō)明及技術(shù)內(nèi)容，將配合圖表說(shuō)明如下，然而所附圖式僅作為說(shuō)明用途，并非用于局限本發(fā)明。

請(qǐng)參考圖1至圖3所示，針對(duì)印刷機(jī)的SVM及多信息融合故障診斷過(guò)程，如圖1所示，主要分以下三個(gè)步驟。

(1)特征參數(shù)的提取。通過(guò)對(duì)印刷機(jī)內(nèi)置控制信號(hào)、外置傳感器信號(hào)以及印品信息進(jìn)行采集、處理，提取其中的故障特征參數(shù)并歸類(lèi)，構(gòu)件出多個(gè)證據(jù)體子空間。根據(jù)印刷機(jī)故障特點(diǎn)，優(yōu)先處理內(nèi)置控制信號(hào)及視頻圖像信號(hào)。

(2)SVM局部初步診斷及結(jié)果?；诟髯C據(jù)體子空間搭建相應(yīng)的SVM局部診斷子模塊，并對(duì)診斷結(jié)果進(jìn)行分析。

a、權(quán)重系數(shù)的獲取。將各故障模式樣本輸入已搭建好的SVM局部診斷子模塊，得到混淆矩陣，再對(duì)混淆矩陣進(jìn)行分析處理得到診斷可靠度，計(jì)算得到各證據(jù)體對(duì)各故障模式的權(quán)重系數(shù)。

b、基本概率的獲取。根據(jù)標(biāo)準(zhǔn)SVM判別模式，得到每一組SVM局部診斷的判別矩陣，再對(duì)判別矩陣進(jìn)行進(jìn)一步分析得到各SVM局部診斷體的隸屬度，最后由隸屬度決定基本概率。

(3)加權(quán)融合診斷。得到多個(gè)證據(jù)體的加權(quán)概率，并對(duì)多個(gè)證據(jù)體的加權(quán)概率分配結(jié)果進(jìn)行加權(quán)組合，從而得到最后的診斷結(jié)果。

本發(fā)明提供一種基于SVM的高速印刷機(jī)振動(dòng)信號(hào)故障特征提取方法，測(cè)試對(duì)象為某型單張紙多色平版印刷機(jī)(如圖2所示)。印刷機(jī)出現(xiàn)嚴(yán)重套印不準(zhǔn)問(wèn)題，為找到故障原因。采用丹麥B&K測(cè)試系統(tǒng)對(duì)六個(gè)色組進(jìn)行同步綜合測(cè)試，其中第1至第6色組的色序分別為黑色、藍(lán)色、桔黃色、青色、黃色和品紅色。測(cè)試信號(hào)預(yù)處理、特征提取、SVM網(wǎng)格尋優(yōu)及訓(xùn)練分類(lèi)等所調(diào)用的程序均在為MATLAB 2014a環(huán)境下處理，其中采用了Libsvm工具包。

發(fā)明最佳實(shí)施例中第一步驟是特征參數(shù)的提取。

將傳動(dòng)側(cè)膠皮滾筒肩鐵徑向跳動(dòng)信號(hào)、傳動(dòng)側(cè)靠近膠皮滾筒墻板內(nèi)側(cè)X方向(X為膠皮滾筒軸向方向，正方向指向傳動(dòng)面)振動(dòng)信號(hào)以及各色組與第1色組的印品套印誤差作為特征提取參數(shù)數(shù)據(jù)。試驗(yàn)中，不考慮輸紙系統(tǒng)對(duì)套印的影響，現(xiàn)場(chǎng)傳感器布點(diǎn)位置如圖3所示。

測(cè)試設(shè)備：丹麥B&K公司PULSE測(cè)試系統(tǒng)，包括兩臺(tái)3560-B型PULSE多分析系統(tǒng)；德國(guó)米依公司制造的非接觸式電渦流傳感器測(cè)試系統(tǒng)，控制器型號(hào)：eddyDT3300，傳感器探頭型號(hào)：EU05，測(cè)量最大距離：0.5mm，頻率范圍：0～2.5kHz；丹麥B&K公司4506型三相加速度傳感器，X方向靈敏度：9.921mV/ms2，X方向測(cè)量范圍：0.3-5.5kHz；分度值為0.01mm的讀數(shù)顯微鏡(為方便讀數(shù)，相鄰色組之間橫縱依次錯(cuò)版0.2mm)。

實(shí)驗(yàn)中采用了多通道同步采集方式，分別在10000s/h、12000s/h、14000s/h和16000s/h的四個(gè)印刷速度下，6個(gè)色組各3組數(shù)據(jù)，將其中2組作為訓(xùn)練數(shù)據(jù)，余下1組作為測(cè)試數(shù)據(jù)。

由于微位移測(cè)試中，萬(wàn)向磁力座固定在墻板橫梁和墻板外側(cè)，測(cè)試得到的膠皮滾筒跳動(dòng)信號(hào)為低頻信號(hào)，而墻板及橫梁上的信號(hào)多為高頻振動(dòng)信號(hào)，因此采用低通濾波器，設(shè)置截至頻率為200Hz，處理后的跳動(dòng)數(shù)據(jù)更接近滾筒的跳動(dòng)真值。

發(fā)明最佳實(shí)施例中第二步驟是SVM局部初步診斷及結(jié)果。

信號(hào)特征值選取每個(gè)色組X方向振動(dòng)信號(hào)時(shí)域特征參數(shù)中波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、偏斜度指標(biāo)、峭度指標(biāo)6個(gè)無(wú)量綱參數(shù)；橡皮滾筒跳動(dòng)信號(hào)時(shí)域特征參數(shù)中均值、均方根值、方根幅值、絕對(duì)平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值10個(gè)有量綱參數(shù)；選取測(cè)試樣張左前規(guī)、右前規(guī)和側(cè)規(guī)處套印平均偏差量和各自傳紙精密度，共6個(gè)特征參數(shù)。綜上所述，每個(gè)色組特征組成一個(gè)22維特征向量，為統(tǒng)一量綱需要對(duì)數(shù)據(jù)進(jìn)行[-1，1]歸一化處理，歸一化參數(shù)用屬性數(shù)c和核參數(shù)g表示。

表1為印刷速度12000s/h下，六個(gè)色組未歸一化處理前得到的22維特征向量，分別為振動(dòng)信號(hào)時(shí)域特征參數(shù)中6個(gè)無(wú)量綱參數(shù)，跳動(dòng)信號(hào)時(shí)域特征參數(shù)中10個(gè)有量綱參數(shù)以及印刷品質(zhì)量中6個(gè)特征參數(shù)。

表1印刷速度12000s/h下各色組特征值

從表1可以發(fā)現(xiàn)，各色組之間部分特征值存在明顯差異，而大致可以看出第1、2、5色組特征值差距較小，預(yù)測(cè)SVM識(shí)別難度較大，而第3、4、6色組之間或與其他色組特征值均存在較大差距。

使用降維主成份分析(PCA)預(yù)處理，采用網(wǎng)格參數(shù)尋優(yōu)方法，通過(guò)改變核函數(shù)和樣本分組，不斷優(yōu)化參數(shù)，最終選取識(shí)別率最高的方案。

支持向量機(jī)(SVM)是一種比較好的實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化的機(jī)器學(xué)習(xí)方法，其對(duì)非線性和分類(lèi)問(wèn)題能夠很好的解決，因此在印刷機(jī)故障診斷中被廣泛采用。

SVM的主要思想包括：

(1)直接對(duì)線性可分樣本集進(jìn)行分析

對(duì)于非線性特征的樣本集，支持向量機(jī)通過(guò)某種特定的非線性映射算法，將低維樣本空間映射到高維(三維以上)特征空間(Hilbert空間)，使其線性可分，從而使得高維特征空間采用線性算法對(duì)樣本集的非線性特征進(jìn)行線性分離成為可能；

(2)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論，在特征空間中建構(gòu)最優(yōu)分割超平面，使得分類(lèi)器得到全局最優(yōu)化。SVW方法最早使用最優(yōu)分類(lèi)超平面，將特征空間中樣本線性分隔開(kāi)。

對(duì)于非線性問(wèn)題，在高維特征空間中通過(guò)非線性映射算法構(gòu)造出最優(yōu)超平面，實(shí)現(xiàn)樣本分類(lèi)，該非線性映射通過(guò)定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)，稱(chēng)為核函數(shù)。

假設(shè)n個(gè)樣本訓(xùn)練集D＝{(x_i，y_i)|i＝1，2，…，n)，x∈Rⁿ，y∈[+1，-1]能被一個(gè)超平面準(zhǔn)確分開(kāi)，并且離超平面最近向量與超平面之間的距離最大，則該超平面可保證置信風(fēng)險(xiǎn)最小，從而使真實(shí)誤差最小。

<w，x>+b＝0 (1)

最優(yōu)分類(lèi)線方程需滿足

y_i[<w，x_i>+b]≥1，i＝1，2，…，n (2)

其中W為分類(lèi)線的權(quán)重矩陣，b為分類(lèi)閾值。最大分類(lèi)間隔為2/||w||，等價(jià)于最小化權(quán)重向量的范數(shù)||w||²/2。則最優(yōu)超平面的求解可轉(zhuǎn)化為二次規(guī)劃求解問(wèn)題：

利用拉格朗日算子將式(3)的最優(yōu)超平面問(wèn)題轉(zhuǎn)化為其對(duì)偶問(wèn)題

式(4)的解中只有少數(shù)α_i不為零，其對(duì)應(yīng)的訓(xùn)練樣本即為支持向量。最后得到的最優(yōu)超平面為：

其中，和b^*分別是最優(yōu)拉格朗日系數(shù)和分類(lèi)閾值，b^*可由任意支持向量求出。

在印刷機(jī)故障分類(lèi)過(guò)程中，通常遇到非線性樣本集，為了能夠容忍噪聲或離群點(diǎn)，引入松弛因子ξ_i，它允許在一定程度上違反間隔約束。于是式(3)變?yōu)?/p>

得到廣義最優(yōu)超平面，其中C＞0是懲罰因子。

根據(jù)泛函理論，只要核函數(shù)K(x_i，x_j)滿足Mercer定理，即可對(duì)應(yīng)某一變換空間的內(nèi)積，即K(x_i，x_j)＝φ(x_i)·φ(x_j)，在高維特征空間只需要進(jìn)行內(nèi)積運(yùn)算，并可以應(yīng)用原空間中的函數(shù)實(shí)現(xiàn)。在式(6)中，用內(nèi)積K(x_i，x_j)代替最優(yōu)超平面中的點(diǎn)積，相當(dāng)于變換到了某一新的高維特征空間，得到的分類(lèi)決策函數(shù)為

印刷機(jī)故障特征識(shí)別常用的核函數(shù)：

1)多項(xiàng)式核函數(shù)(d階)

K(x_i，x)＝[<x_i，x>+1]^d (8)

2)徑向基核函數(shù)

K(x_i，x)＝exp(-||x_i-x||²/2σ²) (9)

3)雙曲正切核函數(shù)

K(x_i，x)＝tanh[a<x_i，x>+b] (10)

關(guān)于SVM參數(shù)的優(yōu)化選取，目前常用的方法是讓c和g在一定的范圍內(nèi)取值，對(duì)于取定的c和g對(duì)于把訓(xùn)練集作為原始數(shù)據(jù)集，利用KCV方法得到在此組c和g下訓(xùn)練集驗(yàn)證分類(lèi)準(zhǔn)確率，最終取使得訓(xùn)練集驗(yàn)證分類(lèi)準(zhǔn)確率最高的那組c和g做為最佳的參數(shù)，所以在能夠達(dá)到最高驗(yàn)證分類(lèi)準(zhǔn)確率中的所有的成對(duì)的c和g中認(rèn)為較小的懲罰參數(shù)c是更佳的選擇對(duì)象。

將六個(gè)色組設(shè)定log2g和log2c均在[-8，8]范圍內(nèi)尋優(yōu)，參數(shù)選擇結(jié)果(三維圖)如圖4所示，核函數(shù)采用RBF核函數(shù)，最終CV意義下最佳準(zhǔn)確率為61.4583％，最佳參數(shù)c＝181.0193，最佳參數(shù)g＝0.17678，訓(xùn)練樣本最高準(zhǔn)確率為86.4583％(83/96)，測(cè)試樣本最高準(zhǔn)確率為77.0833％(37/48)。

3)發(fā)明最佳實(shí)施例中第三步驟是加權(quán)融合診斷。

印刷機(jī)通用故障診斷測(cè)試指標(biāo)分類(lèi)集，如表2所示。

表2印刷機(jī)故障特征測(cè)試指標(biāo)分類(lèi)集

請(qǐng)參考圖5所示。圖5是測(cè)試集的實(shí)際分類(lèi)和預(yù)測(cè)分類(lèi)情況，48個(gè)樣本正確分類(lèi)37個(gè)，正確率77.0833％。表明經(jīng)過(guò)最優(yōu)參數(shù)選取，生成的最優(yōu)超平面并沒(méi)有很好地將各個(gè)色組的狀態(tài)分離開(kāi)，說(shuō)明印刷機(jī)各機(jī)組之間還存在相似性，符合正常印刷機(jī)組的特點(diǎn)。為了尋找故障位置，需要對(duì)6個(gè)色組兩兩之間重新進(jìn)行SVM分類(lèi)。采取與整機(jī)相同的分類(lèi)方法，6個(gè)色組兩兩之間進(jìn)行最優(yōu)參數(shù)選取，結(jié)果如表3所示。

表3印刷機(jī)6個(gè)色組最優(yōu)參數(shù)選取

表3中可以看出：當(dāng)選定最優(yōu)參數(shù)時(shí)，第1色組與第3、4、6色組能夠被很容易的劃分，說(shuō)明在印刷機(jī)運(yùn)行狀態(tài)下，第1色組與第3、4、6色組處于兩個(gè)不同狀態(tài)，與實(shí)際檢測(cè)情況相符，可以說(shuō)明SVM應(yīng)用在印刷機(jī)機(jī)組異常檢測(cè)上是有效的，其優(yōu)勢(shì)是僅僅通過(guò)對(duì)正常樣本的學(xué)習(xí)，而達(dá)到對(duì)異常狀態(tài)的識(shí)別，當(dāng)然也存在對(duì)正常狀態(tài)的誤判，其原因在于兩色組樣本存在重疊，而且色組之間也存在相互影響。

借此，根據(jù)印刷機(jī)典型故障的特征及通過(guò)內(nèi)置傳感器、外置傳感器及印刷品獲取的三種信息，建立了印刷機(jī)典型故障特征參數(shù)集。采用SVM方法，建立了印刷機(jī)的SVM故障診斷模型。根據(jù)印刷機(jī)故障非線性可分的特點(diǎn)，確定了適用于印刷機(jī)典型故障的核函數(shù)。

以某型多色平版印刷機(jī)為測(cè)試對(duì)象，針對(duì)各色組套印精度不一致問(wèn)題，通過(guò)現(xiàn)場(chǎng)測(cè)試獲取了動(dòng)態(tài)信號(hào)。通過(guò)特征提取、網(wǎng)格參數(shù)尋優(yōu)，成功實(shí)現(xiàn)了模塊化多色印刷機(jī)色組間套印誤差故障的識(shí)別與分類(lèi)。

以上實(shí)施例是參照附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)說(shuō)明。本領(lǐng)域的技術(shù)人員通過(guò)對(duì)上述實(shí)施例進(jìn)行各種形式上的修改或變更，但不背離本發(fā)明的實(shí)質(zhì)的情況下，都落在本發(fā)明的保護(hù)范圍之內(nèi)。