CN106528966A - 一种基于svm的高速印刷机振动信号故障特征提取方法 - Google Patents
一种基于svm的高速印刷机振动信号故障特征提取方法 Download PDFInfo
- Publication number
- CN106528966A CN106528966A CN201610922661.9A CN201610922661A CN106528966A CN 106528966 A CN106528966 A CN 106528966A CN 201610922661 A CN201610922661 A CN 201610922661A CN 106528966 A CN106528966 A CN 106528966A
- Authority
- CN
- China
- Prior art keywords
- svm
- fault
- parameters
- vibration signal
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 title abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000007639 printing Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 238000010009 beating Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004587 chromatography analysis Methods 0.000 abstract 2
- 239000000523 sample Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 108010074864 Factor XI Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000007645 offset printing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Inking, Control Or Cleaning Of Printing Machines (AREA)
Abstract
本发明涉及一种基于SVM的高速印刷机振动信号故障特征提取方法。根据印刷机典型故障的特征及通过内置传感器、外置传感器及印刷品获取的三种信息，建立了印刷机典型故障特征参数集。采用SVM方法建立了印刷机故障诊断模型。根据印刷机故障非线性可分的特点，确定了适用于印刷机典型故障的核函数。以某型多色平版印刷机为测试对象，针对各色组套印精度不一致问题，通过现场测试获取了动态信号、信号特征提取、网格参数寻优，完成了模块化多色印刷机色组间套印故障的识别与分类。该方法可作为远程状态监测及故障诊断的技术，适用于大多数类型的印刷机。
Description
技术领域
本发明属于印刷机故障诊断技术领域，尤其是涉及一种基于SVM的高速印刷机振动信号故障特征提取方法。
背景技术
目前，高速印刷机因图文转移工艺复杂，且大量凸轮连杆组合机构产生往复交变载荷，使得承印物、机械、图文的结构载荷耦合，并在印刷滚筒副间传递振动，成为影响印刷机稳定性的关键因素。一旦发生印刷机故障，将造成印刷材料的浪费，并且影响正常生产。印刷机械故障诊断主要依据三种信号：基于印刷机动态测试信号、基于画面信息和基于内置传感器检测信息。
印刷机内置控制信号。提供印刷机最基本的参数，包括机械、电气等方面参数，是进行故障诊断的基础，同时也为故障信号分析提供条件。建立内置控制信号与系统故障之间的映射关系，可以揭示故障形成机理。
传感器测试信号。通过在印刷机关键部件处布置传感器，通过信号采集分析，提取故障特征进行诊断。机械微位移、振动与噪声信号中蕴含着机器设备运行状态的重要信息，可用来进行机器状态监测与故障诊断。其中微位移信号能够直观地反映出部件的振动、位移幅值以及零件尺寸，振动信号最能真实得到机器运行状况，但基于振动信号的故障诊断技术在某些场合下存在着局限性，而机械噪声信号同样蕴含着丰富的设备状态信息，可以部分地替代振动信号作为故障诊断的手段，且具有非接触式测量的优点。
印刷品画面信息。印刷品质量能够反映印刷机整体的运行状态。在印刷过程中，纸张就是一个特殊的传感器，将印刷故障信息通过油墨记录在了印刷品上。印刷品检测参数中蕴含着印刷机状态的各种信息。通过特定的图像检测仪对印刷品进行检测，提取其关键图像参数，能够反映印刷机部分机械故障。
目前针对大型旋转机械的故障试验和理论研究较多，而对于以往复运动机构为主的专用印刷机械则鲜有学者涉足。
发明内容
本发明的目的在于提供一种基于SVM的高速印刷机振动信号故障特征提取方法，通过在印刷机关键部件处布置传感器、信号采集分析、提取故障特征进行印刷机状态监测与故障诊断。为了实现上述目的，本发明的技术方案如下。
针对印刷机的SVM及多信息融合故障诊断过程如图1所示，主要分以下三个步骤。
(1)特征参数的提取。通过对印刷机内置控制信号、外置传感器信号以及印品信息进行采集、处理，提取其中的故障特征参数并归类，构件出多个证据体子空间。根据印刷机故障特点，优先处理内置控制信号及视频图像信号。
(2)SVM局部初步诊断及结果。基于各证据体子空间搭建相应的SVM局部诊断子模块，并对诊断结果进行分析。
a、权重系数的获取。将各故障模式样本输入已搭建好的SVM局部诊断子模块，得到混淆矩阵，再对混淆矩阵进行分析处理得到诊断可靠度，计算得到各证据体对各故障模式的权重系数。
b、基本概率的获取。根据标准SVM判别模式，得到每一组SVM局部诊断的判别矩阵，再对判别矩阵进行进一步分析得到各SVM局部诊断体的隶属度，最后由隶属度决定基本概率。
(3)加权融合诊断。得到多个证据体的加权概率，并对多个证据体的加权概率分配结果进行加权组合，从而得到最后的诊断结果。
该发明的有益效果在于：本发明装置通过提供一种基于SVM的高速印刷机振动信号故障特征提取方法，通过现场测试获取了动态信号，通过特征提取、网格参数寻优，成功实现了模块化多色印刷机色组间套印误差故障的识别与分类。
结合附图参考后文中对本发明的优选实施例的说明，本发明的所述及其他目的、特征和优点将更为明显。
附图说明
图1是本发明的印刷机SVM故障诊断模型；
图2是实施例中某型多色平版印刷机测试现场；
图3是实施例中传感器实际布点位置；
图4是实施例中参数选择结果图(三维图)；
图5是测试集的实际分类和预测分类。
具体实施方式
有关本发明的详细说明及技术内容，将配合图表说明如下，然而所附图式仅作为说明用途，并非用于局限本发明。
请参考图1至图3所示，针对印刷机的SVM及多信息融合故障诊断过程，如图1所示，主要分以下三个步骤。
(1)特征参数的提取。通过对印刷机内置控制信号、外置传感器信号以及印品信息进行采集、处理，提取其中的故障特征参数并归类，构件出多个证据体子空间。根据印刷机故障特点，优先处理内置控制信号及视频图像信号。
(2)SVM局部初步诊断及结果。基于各证据体子空间搭建相应的SVM局部诊断子模块，并对诊断结果进行分析。
a、权重系数的获取。将各故障模式样本输入已搭建好的SVM局部诊断子模块，得到混淆矩阵，再对混淆矩阵进行分析处理得到诊断可靠度，计算得到各证据体对各故障模式的权重系数。
b、基本概率的获取。根据标准SVM判别模式，得到每一组SVM局部诊断的判别矩阵，再对判别矩阵进行进一步分析得到各SVM局部诊断体的隶属度，最后由隶属度决定基本概率。
(3)加权融合诊断。得到多个证据体的加权概率，并对多个证据体的加权概率分配结果进行加权组合，从而得到最后的诊断结果。
本发明提供一种基于SVM的高速印刷机振动信号故障特征提取方法，测试对象为某型单张纸多色平版印刷机(如图2所示)。印刷机出现严重套印不准问题，为找到故障原因。采用丹麦B&K测试系统对六个色组进行同步综合测试，其中第1至第6色组的色序分别为黑色、蓝色、桔黄色、青色、黄色和品红色。测试信号预处理、特征提取、SVM网格寻优及训练分类等所调用的程序均在为MATLAB 2014a环境下处理，其中采用了Libsvm工具包。
发明最佳实施例中第一步骤是特征参数的提取。
将传动侧胶皮滚筒肩铁径向跳动信号、传动侧靠近胶皮滚筒墙板内侧X方向(X为胶皮滚筒轴向方向，正方向指向传动面)振动信号以及各色组与第1色组的印品套印误差作为特征提取参数数据。试验中，不考虑输纸系统对套印的影响，现场传感器布点位置如图3所示。
测试设备：丹麦B&K公司PULSE测试系统，包括两台3560-B型PULSE多分析系统；德国米依公司制造的非接触式电涡流传感器测试系统，控制器型号：eddyDT3300，传感器探头型号：EU05，测量最大距离：0.5mm，频率范围：0～2.5kHz；丹麦B&K公司4506型三相加速度传感器，X方向灵敏度：9.921mV/ms2，X方向测量范围：0.3-5.5kHz；分度值为0.01mm的读数显微镜(为方便读数，相邻色组之间横纵依次错版0.2mm)。
实验中采用了多通道同步采集方式，分别在10000s/h、12000s/h、14000s/h和16000s/h的四个印刷速度下，6个色组各3组数据，将其中2组作为训练数据，余下1组作为测试数据。
由于微位移测试中，万向磁力座固定在墙板横梁和墙板外侧，测试得到的胶皮滚筒跳动信号为低频信号，而墙板及横梁上的信号多为高频振动信号，因此采用低通滤波器，设置截至频率为200Hz，处理后的跳动数据更接近滚筒的跳动真值。
发明最佳实施例中第二步骤是SVM局部初步诊断及结果。
信号特征值选取每个色组X方向振动信号时域特征参数中波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标6个无量纲参数；橡皮滚筒跳动信号时域特征参数中均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值10个有量纲参数；选取测试样张左前规、右前规和侧规处套印平均偏差量和各自传纸精密度，共6个特征参数。综上所述，每个色组特征组成一个22维特征向量，为统一量纲需要对数据进行[-1，1]归一化处理，归一化参数用属性数c和核参数g表示。
表1为印刷速度12000s/h下，六个色组未归一化处理前得到的22维特征向量，分别为振动信号时域特征参数中6个无量纲参数，跳动信号时域特征参数中10个有量纲参数以及印刷品质量中6个特征参数。
表1印刷速度12000s/h下各色组特征值
从表1可以发现，各色组之间部分特征值存在明显差异，而大致可以看出第1、2、5色组特征值差距较小，预测SVM识别难度较大，而第3、4、6色组之间或与其他色组特征值均存在较大差距。
使用降维主成份分析(PCA)预处理，采用网格参数寻优方法，通过改变核函数和样本分组，不断优化参数，最终选取识别率最高的方案。
支持向量机(SVM)是一种比较好的实现了结构风险最小化的机器学习方法，其对非线性和分类问题能够很好的解决，因此在印刷机故障诊断中被广泛采用。
SVM的主要思想包括：
(1)直接对线性可分样本集进行分析
对于非线性特征的样本集，支持向量机通过某种特定的非线性映射算法，将低维样本空间映射到高维(三维以上)特征空间(Hilbert空间)，使其线性可分，从而使得高维特征空间采用线性算法对样本集的非线性特征进行线性分离成为可能；
(2)基于结构风险最小化理论，在特征空间中建构最优分割超平面，使得分类器得到全局最优化。SVW方法最早使用最优分类超平面，将特征空间中样本线性分隔开。
对于非线性问题，在高维特征空间中通过非线性映射算法构造出最优超平面，实现样本分类，该非线性映射通过定义适当的内积函数实现，称为核函数。
假设n个样本训练集D＝{(xi，yi)|i＝1，2，…，n)，x∈Rn，y∈[+1，-1]能被一个超平面准确分开，并且离超平面最近向量与超平面之间的距离最大，则该超平面可保证置信风险最小，从而使真实误差最小。
<w，x>+b＝0 (1)
最优分类线方程需满足
yi[<w，xi>+b]≥1，i＝1，2，…，n (2)
其中W为分类线的权重矩阵，b为分类阈值。最大分类间隔为2/||w||，等价于最小化权重向量的范数||w||2/2。则最优超平面的求解可转化为二次规划求解问题：
利用拉格朗日算子将式(3)的最优超平面问题转化为其对偶问题
式(4)的解中只有少数αi不为零，其对应的训练样本即为支持向量。最后得到的最优超平面为：
其中，和b*分别是最优拉格朗日系数和分类阈值，b*可由任意支持向量求出。
在印刷机故障分类过程中，通常遇到非线性样本集，为了能够容忍噪声或离群点，引入松弛因子ξi，它允许在一定程度上违反间隔约束。于是式(3)变为
得到广义最优超平面，其中C＞0是惩罚因子。
根据泛函理论，只要核函数K(xi，xj)满足Mercer定理，即可对应某一变换空间的内积，即K(xi，xj)＝φ(xi)·φ(xj)，在高维特征空间只需要进行内积运算，并可以应用原空间中的函数实现。在式(6)中，用内积K(xi，xj)代替最优超平面中的点积，相当于变换到了某一新的高维特征空间，得到的分类决策函数为
印刷机故障特征识别常用的核函数：
1)多项式核函数(d阶)
K(xi，x)＝[<xi，x>+1]d (8)
2)径向基核函数
K(xi，x)＝exp(-||xi-x||2/2σ2) (9)
3)双曲正切核函数
K(xi，x)＝tanh[a<xi，x>+b] (10)
关于SVM参数的优化选取，目前常用的方法是让c和g在一定的范围内取值，对于取定的c和g对于把训练集作为原始数据集，利用KCV方法得到在此组c和g下训练集验证分类准确率，最终取使得训练集验证分类准确率最高的那组c和g做为最佳的参数，所以在能够达到最高验证分类准确率中的所有的成对的c和g中认为较小的惩罚参数c是更佳的选择对象。
将六个色组设定log2g和log2c均在[-8，8]范围内寻优，参数选择结果(三维图)如图4所示，核函数采用RBF核函数，最终CV意义下最佳准确率为61.4583％，最佳参数c＝181.0193，最佳参数g＝0.17678，训练样本最高准确率为86.4583％(83/96)，测试样本最高准确率为77.0833％(37/48)。
3)发明最佳实施例中第三步骤是加权融合诊断。
印刷机通用故障诊断测试指标分类集，如表2所示。
表2印刷机故障特征测试指标分类集
请参考图5所示。图5是测试集的实际分类和预测分类情况，48个样本正确分类37个，正确率77.0833％。表明经过最优参数选取，生成的最优超平面并没有很好地将各个色组的状态分离开，说明印刷机各机组之间还存在相似性，符合正常印刷机组的特点。为了寻找故障位置，需要对6个色组两两之间重新进行SVM分类。采取与整机相同的分类方法，6个色组两两之间进行最优参数选取，结果如表3所示。
表3印刷机6个色组最优参数选取
表3中可以看出：当选定最优参数时，第1色组与第3、4、6色组能够被很容易的划分，说明在印刷机运行状态下，第1色组与第3、4、6色组处于两个不同状态，与实际检测情况相符，可以说明SVM应用在印刷机机组异常检测上是有效的，其优势是仅仅通过对正常样本的学习，而达到对异常状态的识别，当然也存在对正常状态的误判，其原因在于两色组样本存在重叠，而且色组之间也存在相互影响。
借此，根据印刷机典型故障的特征及通过内置传感器、外置传感器及印刷品获取的三种信息，建立了印刷机典型故障特征参数集。采用SVM方法，建立了印刷机的SVM故障诊断模型。根据印刷机故障非线性可分的特点，确定了适用于印刷机典型故障的核函数。
以某型多色平版印刷机为测试对象，针对各色组套印精度不一致问题，通过现场测试获取了动态信号。通过特征提取、网格参数寻优，成功实现了模块化多色印刷机色组间套印误差故障的识别与分类。
以上实施例是参照附图，对本发明的优选实施例进行详细说明。本领域的技术人员通过对上述实施例进行各种形式上的修改或变更，但不背离本发明的实质的情况下，都落在本发明的保护范围之内。
Claims (7)
1.一种基于SVM的高速印刷机振动信号故障特征提取方法，其特征在于，包括如下三个步骤：
S1、特征参数的提取。通过对印刷机内置控制信号、外置传感器信号以及印品信息进行采集、处理，提取其中的故障特征参数并归类，构件出多个证据体子空间。根据印刷机故障特点，优先处理内置控制信号及视频图像信号。
S2、SVM局部初步诊断及结果。基于各证据体子空间搭建相应的SVM局部诊断子模块，并对诊断结果进行分析。
a、权重系数的获取。将各故障模式样本输入已搭建好的SVM局部诊断子模块，得到混淆矩阵，再对混淆矩阵进行分析处理得到诊断可靠度，计算得到各证据体对各故障模式的权重系数。
b、基本概率的获取。根据标准SVM判别模式，得到每一组SVM局部诊断的判别矩阵，再对判别矩阵进行进一步分析得到各SVM局部诊断体的隶属度，最后由隶属度决定基本概率。
S3、加权融合诊断。得到多个证据体的加权概率，并对多个证据体的加权概率分配结果进行加权组合，从而得到最后的诊断结果。
2.如权利要求1所述的一种基于SVM的高速印刷机振动信号故障特征提取方法，其特征在于：所述步骤S1中对测试数据的获取，是将传动侧胶皮滚筒肩铁径向跳动信号、传动侧靠近胶皮滚筒墙板内侧X方向，X为胶皮滚筒轴向方向，正方向指向传动面，振动信号以及各色组与第1色组的印品套印误差作为特征提取参数数据。
3.如权利要求1所述的一种基于SVM的高速印刷机振动信号故障特征提取方法，其特征在于：所述步骤S1中对信号预处理，是采用低通滤波器，设置截至频率为200Hz，处理后的跳动数据更接近滚筒的跳动真值。
4.如权利要求1所述的一种基于SVM的高速印刷机振动信号故障特征提取方法，其特征在于：所述步骤S2中对所述权重系数的获取：信号特征值选取各个色组未归一化处理前得到的22维特征向量，分别为振动信号时域特征参数中6个无量纲参数，跳动信号时域特征参数中10个有量纲参数以及印刷品质量中6个特征参数，每个色组特征组成一个22维特征向量，为统一量纲需要对数据进行归一化处理，归一化参数用属性数c和核参数g表示。
5.如权利要求1所述的一种基于SVM的高速印刷机振动信号故障特征提取方法，其特征在于：所述步骤S1中，所述测试数据的获取采用了多通道同步采集方式，分别在10000s/h、12000s/h、14000s/h和16000s/h的四个印刷速度下测量出6个色组各3组测试数据。
6.如权利要求1所述的一种基于SVM的高速印刷机振动信号故障特征提取方法，其特征在于：所述步骤S1中，每个色组X方向振动信号时域特征参数中波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标6个无量纲参数；橡皮滚筒跳动信号时域特征参数中均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值、峰峰值10个有量纲参数；测试样张左前规、右前规和侧规处套印平均偏差量和各自传纸精密度共6个特征参数。
7.如权利要求4所述的一种基于SVM的高速印刷机振动信号故障特征提取方法，其特征在于：所述步骤S2中，所述属性数c和核参数g在一定的范围内取值，对于取定的所述属性数c和核参数g对于把训练集作为原始数据集，利用KCV方法得到在此组所述属性数c和核参数g下训练集验证分类准确率，最终取使得训练集验证分类准确率最高的那组所述属性数c和核参数g做为最佳的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610922661.9A CN106528966A (zh) | 2016-10-27 | 2016-10-27 | 一种基于svm的高速印刷机振动信号故障特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610922661.9A CN106528966A (zh) | 2016-10-27 | 2016-10-27 | 一种基于svm的高速印刷机振动信号故障特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106528966A true CN106528966A (zh) | 2017-03-22 |
Family
ID=58293089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610922661.9A Pending CN106528966A (zh) | 2016-10-27 | 2016-10-27 | 一种基于svm的高速印刷机振动信号故障特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106528966A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704712A (zh) * | 2017-10-31 | 2018-02-16 | 郑州恩普特科技股份有限公司 | 基于全矢谱特征提取的机械故障诊断方法和系统 |
| CN107860587A (zh) * | 2017-11-08 | 2018-03-30 | 南京康尼机电股份有限公司 | 基于多特征融合的车辆门系统亚健康状态预警及诊断方法 |
| CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
| CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
| CN108958221A (zh) * | 2018-07-12 | 2018-12-07 | 华北电力大学（保定） | 基于工业物联网与支持向量机多分类算法的设备故障诊断方法 |
| CN111046790A (zh) * | 2019-12-11 | 2020-04-21 | 江苏大学镇江流体工程装备技术研究院 | 一种泵轴承故障诊断方法 |
| CN113916536A (zh) * | 2021-09-03 | 2022-01-11 | 山东科技大学 | 一种正弦滚轴筛联轴器故障诊断方法及系统 |
| CN116754234A (zh) * | 2023-08-17 | 2023-09-15 | 山东经典印务有限责任公司 | 一种自动化印刷生产设备运行状态检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
| CN102913431A (zh) * | 2012-11-08 | 2013-02-06 | 北京化工大学 | 一种基于模拟示功图的往复压缩机连杆大、小头瓦故障诊断方法 |
| CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
| CN105205477A (zh) * | 2015-10-22 | 2015-12-30 | 西安理工大学 | 一种基于印品图像信息的印刷机状态识别方法 |
-
2016
- 2016-10-27 CN CN201610922661.9A patent/CN106528966A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
| CN102913431A (zh) * | 2012-11-08 | 2013-02-06 | 北京化工大学 | 一种基于模拟示功图的往复压缩机连杆大、小头瓦故障诊断方法 |
| CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
| CN105205477A (zh) * | 2015-10-22 | 2015-12-30 | 西安理工大学 | 一种基于印品图像信息的印刷机状态识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| 何正嘉等: "《现代信号处理及工程应用》", 31 October 2007 * |
| 倪丽萍著: "《基于分形技术的金融数据分析方法研究》", 31 December 2015 * |
| 向阳辉等: "结合 SVM 和改进证据理论的多信息融合故障诊断", 《振动与冲击》 * |
| 周传德主编: "《传感器与测试技术》", 30 June 2009 * |
| 张少华: "印刷机机械参数对印品质量的影响", 《中国优秀硕士学位论文全文数据库-工程科技Ⅰ辑》 * |
| 徐倩倩: "基于画面的印刷机输纸及传纸故障检测识别方法", 《西安理工大学学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
| CN107704712A (zh) * | 2017-10-31 | 2018-02-16 | 郑州恩普特科技股份有限公司 | 基于全矢谱特征提取的机械故障诊断方法和系统 |
| CN107860587A (zh) * | 2017-11-08 | 2018-03-30 | 南京康尼机电股份有限公司 | 基于多特征融合的车辆门系统亚健康状态预警及诊断方法 |
| CN108168682A (zh) * | 2017-12-22 | 2018-06-15 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 一种基于振动信号支持向量机的gil故障在线监测系统 |
| CN108958221A (zh) * | 2018-07-12 | 2018-12-07 | 华北电力大学（保定） | 基于工业物联网与支持向量机多分类算法的设备故障诊断方法 |
| CN111046790A (zh) * | 2019-12-11 | 2020-04-21 | 江苏大学镇江流体工程装备技术研究院 | 一种泵轴承故障诊断方法 |
| CN113916536A (zh) * | 2021-09-03 | 2022-01-11 | 山东科技大学 | 一种正弦滚轴筛联轴器故障诊断方法及系统 |
| CN116754234A (zh) * | 2023-08-17 | 2023-09-15 | 山东经典印务有限责任公司 | 一种自动化印刷生产设备运行状态检测方法 |
| CN116754234B (zh) * | 2023-08-17 | 2023-11-21 | 山东经典印务有限责任公司 | 一种自动化印刷生产设备运行状态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106528966A (zh) | 一种基于svm的高速印刷机振动信号故障特征提取方法 | |
| US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
| KR100729107B1 (ko) | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 | |
| Feng et al. | Design and implementation of a self-validating pressure sensor | |
| US7672486B2 (en) | Method for evaluating the quality of a printed matter, provided by a printing machine | |
| WO2014115615A1 (ja) | 異常診断方法およびその装置 | |
| CN102662390B (zh) | 一种随机模糊故障特征融合的旋转机械设备故障诊断方法 | |
| CN112258460A (zh) | 一种基于图像识别的印刷制品质量实时监测质检系统 | |
| CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
| CN102837497B (zh) | 一种印刷机精度检测装置及精度检测的方法 | |
| CN104460654B (zh) | 一种基于量化特征关系的齿轮不完备故障诊断规则提取方法 | |
| CN108062514A (zh) | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 | |
| KR102398046B1 (ko) | 비지도 도메인 적응 기법을 통한 고장 진단 장치 및 이를 이용한 고장 진단 방법 | |
| CN108469375A (zh) | 一种加筋板屈曲载荷判定方法及试验系统 | |
| CN113386459A (zh) | 借助缺陷分类的检查 | |
| CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
| CN108437630A (zh) | 一种印刷质量监控系统及方法 | |
| CN101587540A (zh) | 一种利用页面文档几何失真检测文档来源的打印机取证方法 | |
| CN105205477A (zh) | 一种基于印品图像信息的印刷机状态识别方法 | |
| CN110667258B (zh) | 借助神经网络进行印刷品质分析的方法 | |
| CN110108474A (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
| CN104568492B (zh) | 一种印刷机故障在线检测装置及检测方法 | |
| CN103895343B (zh) | 一种印刷物质量检查方法及系统 | |
| EP3833992B1 (en) | Method and system for monitoring a fleet of circuit breakers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170322 |
|
| WD01 | Invention patent application deemed withdrawn after publication |