CN106951197A - 一种基于信号测试的印刷设备远程故障诊断方法及系统 - Google Patents
一种基于信号测试的印刷设备远程故障诊断方法及系统 Download PDFInfo
- Publication number
- CN106951197A CN106951197A CN201710037405.6A CN201710037405A CN106951197A CN 106951197 A CN106951197 A CN 106951197A CN 201710037405 A CN201710037405 A CN 201710037405A CN 106951197 A CN106951197 A CN 106951197A
- Authority
- CN
- China
- Prior art keywords
- printing equipment
- fault diagnosis
- formula
- failure
- signal
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/121—Facilitating exception or error detection and recovery, e.g. fault, media or consumables depleted
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1278—Dedicated interfaces to print systems specifically adapted to adopt a particular infrastructure
- G06F3/1285—Remote printer device, e.g. being remote from client or server
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于信号测试的印刷设备远程故障诊断方法及系统,包括现场数据采集平台、数据和系统维护中心、印刷设备监测及服务平台三部分,由Inernet技术实现三部分间的信息传输。具体包括1)印刷设备测试信号的采集;2)基于One‑Class SVM的印刷设备异常检测;3)异常检测最佳核函数及参数选择;4)故障模式识别中基础故障概率的获取;5)多传感器特征信息融合诊断方法;6)故障诊断数据库的设计;7)系统整体结构及通讯方式;8)故障诊断的远程实现;9)系统功能实现。本发明将SVM技术、多信息融合技术和Internet技术相结合,实现了印刷设备远程故障诊断,具有诊断准确度高、速度快、大幅度提升印刷故障响应速度等优点。
Description
技术领域
本发明属于印刷设备远程故障诊断技术领域,尤其是涉及一种基于信号测试的印刷设备远程故障诊断方法及系统。
背景技术
随着印刷设备技术含量的不断提升,印刷设备故障日益趋向综合化、复杂化,一旦发生的故障得不到及时解决,必定会造成大量的原材料浪费,直接影响企业效益。当前印刷设备故障诊断主要依靠经验和振幅阈值检测,加上操作人员诊断知识缺乏,已经无法达到快速准确诊断的目的。同时印刷设备大部分运行历程处在正常状态,且出现的故障类型也无法预测,常常需要借助异地专家进行辅助诊断,因此印刷设备远程故障诊断技术将是印刷行业发展的必然趋势。
当前涉及印刷设备远程故障诊断发明有:“专利号CN200510069686,用于印刷设备的远程诊断系统”,其主要描述各子系统之间的数据传输及访问;“专利号201110365946,基于虚拟现实技术的印刷设备实时远程维护系统”,其主要是描述一种具备虚拟现实模块的印刷设备实时维护系统,可在无网络服务情况下实现印刷设备远程维护功能;“专利号201410109969,一种印刷设备远程故障监测系统及方法”,其主要描述了现场设备、监控服务器和远程访问端三者之间的通信连接。三者共同的问题是仅描述远程诊断子系统间的连接及通信方式,未涉及印刷设备具体诊断算法及实施流程。
发明内容
本发明的目的就是为了克服上述技术问题而提供一种基于信号测试的印刷设备远程故障诊断方法及系统。
为了实现上述目的,本发明的技术方案如下:一种基于信号测试的印刷设备远程故障诊断方法,包括现场数据采集平台、数据和系统维护中心、印刷设备监测及服务平台三部分,由Inernet技术实现三部分间的信息传输,其特征在于,包括以下步骤:
1)印刷设备测试信号的采集;
2)基于One-Class SVM的印刷设备异常检测;
3)异常检测最佳核函数及参数选择;
4)故障模式识别中基础故障概率的获取;
5)多传感器特征信息融合诊断方法;
6)故障诊断数据库的设计;
7)系统整体结构及通讯方式;
8)故障诊断的远程实现;
9)系统功能实现。
2.所述步骤1)中对印刷设备测试信号的采集,包括离散状态信号,连续状态信号和印刷图文信息。
3.所述步骤2)中One-C1ass SVM异常诊断方法,只需要印刷设备正常状态样本,通过自适应学习后形成特征轮廓,之后可以识别异于该轮廓的故障状态,从而实现印刷设备异常状态检测。
4.所述步骤3)中异常检测最佳核函数是选取高斯核函数作为原始数据映射到特征空间的非线性映射函数,核参数σ采用参数寻优方法,将部分原始数据作为测试数据,不断优化参数,得到最优特征轮廓。
5.所述步骤3)中将正常状态下的印刷设备信号特征作为样本集,将样本集通过核函数映射到高维特征空间,同时在高维空间中寻找一个以a为圆心,以R为半径的超球体,并引入松弛变量ξi,使得超球体尽可能包含所有数据样本,同时为了减少判断误差,需要该超球体容积尽量小,通过优化公式(1)得到包含大多数目标训练样本的超球ε(R,a,ξ),如公式(1):
式(1)中:l为样本数;Φ(xi)为输入样本xi的映射函数;a为高维空间中的某一圆心,R为超球半径,v作为一种折中尺度,可通过印刷设备实际运行情况选取。减小v值,可将数据尽可能放入球内;增大v值,可尽量缩小球半径,以保证判别准确性。
使用Lagrange函数,并引入核函数得到该优化问题的对称解,如公式(2):
式(2)中,对应αi=0的样本在超球内;对应的样本在超球面上,故称ai称为支持向量。K(xi,xj)=<Φ(xi)·Φ(xj)>为核函数。引入判决函数f(x),如公式(3):
作为判别新样本的准则,判断高维空间样本点与超球体中心的距离,即当f(x)≤0,为印刷设备状态正常;反之,状态异常。
6.所述步骤4)中采用多类支持向量机逐一投票的方式来获取印刷设备故障诊断基础概率,每类故障票数和总票数之比为为信号特征对应第j种故障的基本概率p(j)如公式(5)。
其中,V(j)为最终每类票数,m为故障样本个数,j=1,2,…,m。
7.所述步骤5)中假设印刷设备远程故障诊断系统中,总共获取有N个传感器信号特征,用于识别一个印刷设备故障,可能的故障类型有M个,则印刷设备故障识别的基础概率分配可用N×M的矩阵AP来表示,如公式(6):
式(6)中,pij表示第i个传感器信号特征得出第j种故障的基础概率,故矩阵每一行元素之和为1,即pi1+pi2+pi3+…piM=1。其中i=1,2,…,N,j=1,2,…,M
如果第c个传感器信号特征与第d个传感器信号特征进行信息诊断融合,则将矩阵AP中代表第c个传感器信号特征诊断概率的行向量转置与代表第d个传感器信号特征诊断概率的行向量相乘,得到M×M的融合矩阵AR,如公式(7):
矩阵中,可以将主对角线上元素对故障Tj识别的决定因子Zj,如公式(8):
Zj=pcipdj=MRij (8)
而非对角线上元素的总和为不确定因子Kcd,如公式(9):
故障Tj影响因子的元素之和为总影响因子Jcd,如公式(10):
因此,将第c个传感器信号特征与第c个传感器信号特征进行信息融合后,故障Ti的综合影响因子Qj如公式(11):
Qj=Zj+Kcd×Jcd (11)
假设印刷设备远程故障诊断系统中,布置有E个传感器,能够得到F个信号特征,然后信号特征之间依次两两进行信息融合,并通过式(11)计算各个故障综合影响因子(如第j种故障的综合影响因子依次为Q12j、Q23j、Q34j、...、QF1j)最后将得到的每个故障的综合影响因子线性相加,得到故障的最终影响因子(如第j种故障的综合影响因子为Qj=Q12j+Q23j+Q34j+…+QF1j)。其中每个信号特征均被使用两次,且融合时间与信号特征数量成线性关系。
在印刷设备远程故障诊断系统中,将最终影响因子Qj作为故障分类及诊断的主要标准,系统选取最终影响因子排名前三位的故障名称显示给印刷设备制造商或印刷设备使用者,以指导其进行故障维修,并给出故障诊断的准确性用于参考。如诊断出有可能的故障类型有k种,最终影响因子排名前三的分别是故障1、故障2和故障3,对应的准确性Zj分别如公式(12)、(13)、(14):
其余故障准确性如公式(15):
8.所述步骤7)和步骤8)中整个系统结构由现场数据采集平台(印刷设备使用者)、印刷设备监测及服务平台(印刷设备制造商)、数据和系统维护中心(印刷设备故障诊断中心)三部分组成,由Internet技术实现三部分的信息传输,并将Matlab Web Server技术嵌入Web服务器,使异地印刷设备制造商可调用Matlab软件实现远程故障诊断及测点信号显示。
9.所述步骤9)中印刷设备制造商或远程专家可通过印刷设备远程故障系统实现的功能有:可查看各个测点特定时刻的信号及特征图形,包括时域图、频域图、功率谱密度函数以及概率密度函数等图形,并显示关键点数据,为印刷设备远程专家提供诊断依据;原始测试信号经小波去噪后,计算各信号的各个特征值填入对应的特征矩阵,包括偏度指标、峭度指标等以及部分印品质量参数,用于进行异常检测及故障识别;显示印刷设备诊断结果及维修维护建议等。
该发明的有益效果在于:本发明通过提供一种基于信号测试的印刷设备远程故障诊断方法及系统,以测试信号数据作为诊断基础,采用One-Class SVM进行异常状态识别,并通过多信息融合进行故障精准分类,取得了较好的诊断效果,并且印刷设备制造商或远程专家可以随时通过网络调用印刷设备的状态信号进行协助诊断。
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
如图1是印刷设备异常检测流程图;
如图2是最佳参数选择伪彩色图;
如图3是印刷设备多信息融合诊断模型;
如图4是印刷设备故障数据库E-R模型;
如图5是系统结构及子系统间通讯方式示意图;
如图6是Matlab软件远程调用流程图;
如图7是印刷设备故障诊断系统界面;
如图8是系统信号曲线显示图;
如图9是印刷设备故障诊断系统诊断结果界面。
具体实施方法
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。
本发明的技术方案如下:一种基于信号测试的印刷设备远程故障诊断方法,包括现场数据采集平台、数据和系统维护中心、印刷设备监测及服务平台三部分,由Inernet技术实现三部分间的信息传输。现场数据采集平台将采集到的测试数据处理后利用Internet技术将数据信息分别传输给数据和系统维护中心、印刷设备监测及服务平台;数据和系统维护中心将获得数据信息进行存储、分析,并利用SVM技术和多信息融合技术进行印刷设备故障智能诊断,然后将故障信息有选择性的发送至印刷设备监测及服务平台、现场数据采集平台;印刷设备监测及服务平台将获得的印刷设备故障信息分析后,提出解决方案并发送给印刷设备使用者。
印刷设备数据信号采集是实现远程故障诊断的基础,印刷设备需要检测的状态信号有三种:第一种是离散状态信号,即印刷设备PLC内部状态信号、数字电路状态码信息、各模块产生的中间信号,以及内部的监控报警信号等。离散状态信号通过印刷设备内置传感器获取,可直接从I/O控制端口(如PLC的RS232端口)读取设备当前的状态或数据;第二种是连续状态信号,即振动、噪声、滚筒跳动和印刷压力等。连续状态信息通过印刷设备外置传感器获取,得到模拟信号,经过A/D转换为数字信号后,再由计算机进行处理和存储。经过数据信号采集后,故障诊断系统将数据进行处理、分析和诊断;第三种是印刷图文信息。印刷品参数能够直接反映印刷设备故障状态,作为印刷设备故障诊断重要的参考标准之一。
印刷设备异常检测过程中,需要将正常状态下的印刷设备信号特征作为样本集,将样本集通过核函数映射到高维特征空间,同时在高维空间中寻找一个以a为圆心,以R为半径的超球体,并引入松弛变量ξi,使得超球体尽可能包含所有数据样本,同时为了减少判断误差,需要该超球体容积尽量小,通过优化公式(1)得到包含大多数目标训练样本的超球ε(R,a,ξ):
式(1)中:l为样本数;Φ(xi)为输入样本xi的映射函数;a为球心,R为超球半径,v作为一种折中尺度,可通过印刷设备实际运行情况选取。减小v值,可将数据尽可能放入球内;增大v值,可尽量缩小球半径,以保证判别准确性。
使用Lagrange函数,并引入核函数得到该优化问题的对称解:
式(2)中,对应αi=0的样本在超球内;对应的样本在超球面上,故称ai称为支持向量;K(xi,xj)=<Φ(xi)·Φ(xj)>为核函数。可引入判决函数:
作为判别新样本的准则,判断高维空间样本点与超球体中心的距离,即当f(x)≤0,为印刷设备状态正常;反之,状态异常。
印刷设备异常检测流程图见图1,分三步:一,采集正常状态印刷设备组测试信号,进行预处理后,提取特征参数,作为特征向量,归一化处理后对One-Class SVM进行训练,得到初步特征轮廓;二,将上述特征轮廓作为标准,并输入大量正常状态印刷设备特征参数样本进行检测,通过调整合适的核函数、核参数及控制变量,确保正常状态样本识别准确率较高,得到特征轮廓;三,特征轮廓确定以后,只需将待检测机组信号特征参数,输入One-Class SVM进行预测异常。
所述的步骤3)由于印刷设备机械信号复杂性,检测准确性是优先需要保证的准则,因此选取高斯核函数作为原始数据映射到特征空间的非线性映射函数。核参数σ可采用参数寻优方法,将部分原始数据作为测试数据,不断优化参数,得到最优特征轮廓。控制变量v代表对异常样本点的惩罚程度,v越大,对异常样本惩罚越小;反之越大。
对于核参数σ与控制变量v的选取原则,需要同时保证正常样本的较低的误判率,又要保证异常样本较高的识别率,下面以某一多色印刷设备机组为例,对核参数σ与控制变量v的选取进行分析。分析来源于同一台印刷设备样本数据,采用丹麦B&K测试系统对不同色组进行同步测试。其中已知第1色组为正常色组,第3色组为异常色组。
选取测试样本,选择传动面内侧墙板的三方向的振动信号,将振动信号的特征值组成机组异常检测的特征向量,其中时域信号中10个有纲量指标和6个无纲量指标,频域信号中13个特征指标,组成87维特征矩阵。其中从第一色组采集出来的420组正常样本中,随机选择210组进行One-Class SVM训练,用剩余的210组进行检测,再从第三色组采集出来的210组异常样本进行异常检测。选用高斯核函数,并通过选取不同核参数σ与控制变量v,得到One-Class SVM正常样本的误判率如表1所示、异常样本的识别率如表2所示。
σy | 0.02 | 0.04 | 0.06 | 0.08 | 0.1 | 0.12 | 0.14 | 0.16 | 0.18 | 0.2 | 0.22 | 0.24 | 0.26 | 0.28 | 0.3 |
0.2 | 6.67% | 6.67% | 8.10% | 10.00% | 12.86% | 13.81% | 14.76% | 15.24% | 17.14% | 20.48% | 21.90% | 23.33% | 24.29% | 25.71% | 27.14% |
0.3 | 4.29% | 5.71% | 7.62% | 9.52% | 11.90% | 13.33% | 14.29% | 15.24% | 16.67% | 19.52% | 20.95% | 22.38% | 23.33% | 25.24% | 26.19% |
0.4 | 3.33% | 5.24% | 6.67% | 8.10% | 10.00% | 12.38% | 14.29% | 14.76% | 14.76% | 16.67% | 19.52% | 20.95% | 22.86% | 24.76% | 25.71% |
0.5 | 2.86% | 5.24% | 5.71% | 7.62% | 10.48% | 11.90% | 13.81% | 13.81% | 14.29% | 16.19% | 19.05% | 20.48% | 22.38% | 23.81% | 23.81% |
0.6 | 2.86% | 4.29% | 5.24% | 7.62% | 9.52% | 11.90% | 13.81% | 13.81% | 14.29% | 16.19% | 18.57% | 19.05% | 21.90% | 23.81% | 23.33% |
0.7 | 2.38% | 3.33% | 4.29% | 7.14% | 9.05% | 11.43% | 13.33% | 13.81% | 13.81% | 16.19% | 18.10% | 18.57% | 20.95% | 22.38% | 22.86% |
0.8 | 1.43% | 2.38% | 3.33% | 7.14% | 8.57% | 10.48% | 13.33% | 13.33% | 13.33% | 15.71% | 17.62% | 17.62% | 20.00% | 21.90% | 21.90% |
0.9 | 0.95% | 1.43% | 2.86% | 7.14% | 8.57% | 10.48% | 12.86% | 13.33% | 13.33% | 15.71% | 17.14% | 17.14% | 19.05% | 20.95% | 21.90% |
1 | 0.95% | 1.43% | 1.90% | 6.67% | 8.57% | 9.52% | 11.90% | 12.86% | 12.86% | 15.24% | 16.67% | 16.67% | 18.57% | 20.00% | 21.43% |
1.1 | 0.00% | 0.48% | 1.90% | 6.67% | 8.57% | 9.52% | 11.43% | 12.38% | 11.90% | 15.24% | 16.19% | 16.19% | 17.62% | 19.05% | 21.43% |
1.2 | 0.00% | 0.00% | 1.43% | 5.71% | 8.10% | 9.05% | 10.95% | 11.90% | 12.38% | 14.76% | 15.71% | 15.71% | 17.14% | 18.57% | 20.48% |
1.3 | 0.00% | 0.00% | 1.43% | 4.29% | 6.67% | 8.10% | 10.00% | 11.90% | 12.38% | 14.76% | 15.24% | 15.24% | 16.19% | 17.14% | 19.52% |
表1不同参数下正常样本的误判率
σv | 0.02 | 0.04 | 0.06 | 0.08 | 0.1 | 0.12 | 0.14 | 0.16 | 0.18 | 0.2 | 0.22 | 0.24 | 0.26 | 0.28 | 0.3 |
0.2 | 61.90% | 71.90% | 78.57% | 82.86% | 87.62% | 90.00% | 93.33% | 98.10% | 100% | 100% | 100% | 100% | 100% | 100% | 100% |
0.3 | 63.33% | 74.76% | 81.43% | 86.19% | 93.33% | 93.33% | 93.81% | 95.71% | 98.10% | 100% | 100% | 100% | 100% | 100% | 100% |
0.4 | 63.33% | 74.76% | 83.81% | 90.00% | 96.67% | 97.14% | 98.57% | 99.05% | 99.05% | 99.05% | 100% | 100% | 100% | 100% | 100% |
0.5 | 62.86% | 71.90% | 80.95% | 88.10% | 95.71% | 96.19% | 96.19% | 98.57% | 98.57% | 99.05% | 100% | 100% | 100% | 100% | 100% |
0.6 | 60.95% | 69.05% | 78.10% | 85.24% | 95.24% | 96.19% | 97.62% | 97.62% | 98.10% | 98.57% | 100% | 100% | 100% | 100% | 100% |
0.7 | 58.10% | 66.67% | 75.24% | 82.86% | 91.90% | 92.86% | 94.29% | 95.24% | 96.67% | 98.57% | 100% | 100% | 100% | 100% | 100% |
0.8 | 56.67% | 65.24% | 73.81% | 78.10% | 88.52% | 88.10% | 92.86% | 92.86% | 94.29% | 98.10% | 99.05% | 100% | 100% | 100% | 100% |
0.9 | 56.67% | 62.38% | 70.00% | 78.10% | 84.76% | 86.19% | 90.48% | 90.95% | 93.33% | 96.67% | 98.57% | 100% | 100% | 100% | 100% |
1 | 55.24% | 60.00% | 68.57% | 76.67% | 83.33% | 84.29% | 88.10% | 88.57% | 93.33% | 95.24% | 98.57% | 100% | 100% | 100% | 100% |
1.1 | 53.81% | 60.00% | 65.24% | 74.29% | 82.86% | 82.86% | 86.19% | 86.67% | 91.43% | 93.33% | 97.14% | 99.05% | 100% | 100% | 100% |
1.2 | 52.86% | 58.10% | 62.86% | 72.38% | 79.52% | 80.48% | 84.29% | 86.67% | 90.48% | 91.90% | 95.71% | 98.57% | 100% | 100% | 100% |
1.3 | 50.95% | 58.10% | 61.43% | 70.00% | 76.67% | 78.10% | 82.38% | 85.71% | 90.48% | 91.43% | 94.76% | 98.10% | 99.05% | 100% | 100% |
表2不同参数下异常样本的识别率
分别绘制伪彩色图见图2,得出核参数σ在0.3~0.5内,控制变量v在0.08~0.12内,可保证对异常样本有较高的识别率,在86.2%~97.14%内,而此时对正常样本有较低的误判率,在7.62%~13.33%内。同时也可以看出异常样本的识别率与正常样本的误判率成反比关系,当需要判别条件苛刻时,可以牺牲正常样本的误判率来保证异常样本的识别率,因此核参数σ与控制变量v的选取可以控制判别尺度。
为保证较高的异常样本判别率,选择核参数σ=0.4,控制变量v=0.12,得到异常样本的识别率为97.14%,正常样本的误判率为12.38%,可作为该印刷设备机组异常检测的最佳参考参数。
所述的步骤4)在进行印刷设备故障诊断中,基础数据来源于信号特征诊断故障的基础概率,多类支持向量机是将多类问题分解成多个两类问题的组合,采用逐一投票的方式来识别故障模式。
假设在印刷设备远程故障诊断系统中,存储有信息源故障样本集:
S:{(x1,y1),(x2,y2),…,(xi,yi),…,(xm,ym)} (4)
式(4)中,xi为单信息源故障信号特征样本,yi∈{故障样本(共m个)},训练过程中不同的故障模式之间两两构造决策超平面,共得到个决策超平面,每个超平面决定两个故障模式之间的分类问题。当对新的故障信号特征样本进行分类时,逐一通过个决策超平面作出判断,当判断属于第i类故障时,第i类故障得票数加1;当判断第j类故障时,第j类故障得票数加1,最终每类票数V(j)和总票数之比
作为该信号特征对应第j种故障的基本概率。其中,m为故障样本个数;j=1,2,…,m。
所述的步骤5)假设印刷设备远程故障诊断系统中,总共获取有N个传感器信号特征,用于识别一个印刷设备故障,可能的故障类型有M个,则印刷设备故障识别的基础概率分配可用N×M的矩阵AP来表示:
式(6)中,pij表示第i个传感器信号特征得出第j种故障的基础概率,故矩阵每一行元素之和为1,即pi1+pi2+pi3+…piM=1。其中i=1,2,…,N,j=1,2,…,M
如果第c个传感器信号特征与第d个传感器信号特征进行信息诊断融合,则将矩阵AP中代表第c个传感器信号特征诊断概率的行向量转置与代表第d个传感器信号特征诊断概率的行向量相乘,得到M×M的融合矩阵AR,如公式(7):
矩阵中,可以将主对角线上元素对故障Tj识别的决定因子Zj,如公式(8):
而非对角线上元素的总和为不确定因子Kcd,如公式(9):
故障Tj影响因子的元素之和为总影响因子Jcd如公式(10):
因此,将第c个传感器信号特征与第c个传感器信号特征进行信息融合后,故障Ti的综合影响因子为:
Qj=Zj+Kcd×Jcd (11)
如图3印刷设备多信息融合诊断模型,假设印刷设备远程故障诊断系统中,布置有E个传感器,能够得到F个信号特征,然后信号特征之间依次两两进行信息融合,并通过式(11)计算各个故障综合影响因子(如第j种故障的综合影响因子依次为Q12j、Q23j、Q34j、...、QF1j)最后将得到的每个故障的综合影响因子线性相加,得到故障的最终影响因子(如第j种故障的综合影响因子为Qj=Q12j+Q23j+Q34j+…+QF1j)。其中每个信号特征均被使用两次,且融合时间与信号特征数量成线性关系。
在印刷设备远程故障诊断系统中,将最终影响因子Qj作为故障分类及诊断的主要标准,系统选取最终影响因子排名前三位的故障名称显示给印刷设备制造商或印刷设备使用者,以指导其进行故障维修,并给出故障诊断的准确性用于参考。如诊断出有可能的故障类型有k种,最终影响因子排名前三的分别是故障1、故障2和故障3,对应的准确性Zj分别如公式(12)、(13)、(14):
其余故障准确性如公式(15):
所述的步骤6)中印刷设备远程故障诊断数据库的设计是按照数据的结构来组织和管理数据的仓库,印刷设备远程故障诊断系统需要把大量的相关数据以一定的格式存储在数据库中,并根据需要对这些数据进行相应的处理。印刷设备远程故障诊断数据库的设计主要通过需求分析、概念设计和详细设计来进行。
需求分析主要根据功能需求——数据库能够存储和管理印刷设备运行过程中的基本信息需求——明确远程专家及印刷设备制造商需要获取的数据信息,即数据库需要的表及其字段。如时刻信息、状态信息、印刷设备信息(编号、名称、型号、类型、产商、地理位置)、零部件信息(编号、名称、型号、品牌、参数、位置、重要性)、传感器信息(编号、名称、型号、品牌、参数、位置)等;确定信息关系——主要的表之间的主要关系,如一台印刷设备拥有多个零部件,一个零部件只属于一台印刷设备;一个零部件拥有多个传感器,而一个传感器只从属于一个零部件等。
概念结构设计需要真实、充分反映事物以及事物之间的联系,还要满足远程专家对数据的要求。印刷设备远程故障诊断数据库E-R模型设计如图4。
详细设计阶段包括具体的逻辑设计、物理设计以及实施运行维护。该阶段需要根据信息需求,将所有信息在数据库中以表的形式进行存储。在印刷设备远程故障诊断系统中,共有20个表,各个表的名称和功能如表3。
表3印刷设备故障诊断数据库主表内容
所述的步骤7)印刷设备远程故障诊断系统主要利用Internet技术实现了系统中各部分之间数据信息的通讯,主要包括4个子系统的通讯,见图5,通讯实现过程如下:印刷设备制造商通过远程监测及服务平台利用浏览器HTML页面对网站所提供的服务进行选择,通过HTTP协议向Web服务器提出请求,随后CGI程序将印刷设备制造商的请求转换成数据库的查询命令。当数据库中存在所需数据时,直接将查询结果通过网页返回远程监测及服务平台;当数据库没有所需数据时,数据和系统维护中心通过TCP/IP协议向现场数据采集平台发出命令,现场数据采集平台根据命令转变成相应的信号控制设备进行数据采集工作,随后再将实时数据传输给数据和系统维护中心和远程监测及服务平台。
其中故障诊断功能通过调用Matlab软件实现数据处理、计算与可视化显示,使得印刷设备异常检测、故障识别以及实时信号曲线显示成为可能。
所述的步骤8)将Matlab Web Server技术融入Web服务器中,从而实现调用Matlab软件强大的计算和绘图功能。如图6,当印刷设备制造商或远程专家在客户端(浏览器)向服务器发出需求指令时,指令先传给Matlab web服务器代理,由Matlab Web服务器代理筛选指令内容,如果是Matlab Web请求时,通过配置文件matweb.conf找到Matlab程序路径,将对Matlab的指令传向matlabserver.exe进行处理。matlabserver.exe根据传过来的参数调取相应的M文件进行计算,将计算结果或图片送达Matlab web服务代理。Matlab web服务代理根据输出模板将结果、数据或图片填入指定位置,从而输出网页文件。Web服务器通过Matlab web服务代理生成的文件显示在客户端浏览器上,从而实现结果显示。
所述的步骤9)印刷设备远程故障诊断界面见图7,印刷设备制造商或远程专家可通过印刷设备远程故障系统实现的功能有:可查看各个测点特定时刻的信号及特征图形,包括时域图、频域图、功率谱密度函数以及概率密度函数等图形,并显示关键点数据,为印刷设备远程专家提供诊断依据,见图8;原始测试信号经小波去噪后,计算各信号的各个特征值填入对应的特征矩阵,包括偏度指标、峭度指标等以及部分印品质量参数,用于进行异常检测及故障识别;显示印刷设备诊断结果及维修维护建议等,见图9。
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 (8)
1.一种基于信号测试的印刷设备远程故障诊断方法及系统,包括现场数据采集平台、数据和系统维护中心、印刷设备监测及服务平台三部分,由Inernet技术实现三部分间的信息传输,其特征在于,包括以下步骤:1)印刷设备测试信号的采集;2)基于One-Class SVM的印刷设备异常检测;3)异常检测最佳核函数及参数选择;4)故障模式识别中基础故障概率的获取;5)多传感器特征信息融合诊断方法;6)故障诊断数据库的设计;7)系统整体结构及通讯方式;8)故障诊断的远程实现;9)系统功能实现。
2.根据权利要求1所述的一种基于信号测试的印刷设备远程故障诊断方法及系统,其特征在于:所述步骤1)中对印刷设备测试信号的采集,包括离散状态信号,连续状态信号和印刷图文信息。
3.根据权利要求1所述的一种基于信号测试的印刷设备远程故障诊断方法及系统,其特征在于:所述步骤2)中One-Class SVM异常诊断方法,通过采集少量印刷设备正常状态,经自适应学习后形成特征轮廓,之后识别异于该轮廓的故障状态,从而实现印刷设备异常状态检测。
4.根据权利要求1所述的一种基于信号测试的印刷设备远程故障诊断方法及系统,其特征在于:所述步骤3)中异常检测最佳核函数是选取高斯核函数作为原始数据映射到特征空间的非线性映射函数,核参数σ采用参数寻优方法,将原始数据一部分作为测试数据,不断优化参数,得到最优特征轮廓。
5.根据权利要求1所述的一种基于信号测试的印刷设备远程故障诊断方法及系统,其特征在于:所述步骤3)中针对印刷设备典型故障的异常检测方法,将正常状态下的印刷设备信号特征作为样本集,将样本集通过核函数映射到高维特征空间,同时在高维空间中寻找一个以a为圆心,以R为半径的超球体,并引入松弛变量ξi,使得超球体尽可能包含所有数据样本,同时为了减少判断误差,需要该超球体容积尽量小,通过优化公式(1)得到包含大多数目标训练样本的超球ε(R,a,ξ),如公式(1):
式(1)中:l为样本数;Φ(xi)为输入样本xi的映射函数;a为高维空间中的某一圆心,R为超球半径,v作为一种折中尺度,可通过印刷设备实际运行情况选取。减小v值,可将数据尽可能放入球内;增大v值,可尽量缩小球半径,以保证判别准确性。
使用Lagrange函数,并引入核函数得到该优化问题的对称解,如公式(2):
式(2)中,对应αi=0的样本在超球内;对应的样本在超球面上,故称ai称为支持向量。K(xi,xj)=<Φ(xi)·Φ(xj)>为核函数。引入判决函数f(x),如公式(3):
作为判别新样本的准则,判断高维空间样本点与超球体中心的距离,即当f(x)≤0,为印刷设备状态正常;反之,状态异常。
6.根据权利要求1所述的一种基于信号测试的印刷设备远程故障诊断方法及系统,其特征在于:所述步骤4)中采用多类支持向量机逐一投票的方式来获取印刷设备故障诊断基础概率,每类故障票数和总票数之比为信号特征对应第j种故障的基本概率p(j)如公式(5)。
其中,V(j)为最终每类票数,m为故障样本个数,j=1,2,…,m。
7.根据权利要求1所述的一种基于信号测试的印刷设备远程故障诊断方法及系统,其特征在于:所述步骤5)中利用多传感器信息融合技术,对多个信息特征进行融合,得到融合矩阵AR。假设印刷设备远程故障诊断系统中,总共获取有N个传感器信号特征,用于识别一个印刷设备故障,可能的故障类型有M个,则印刷设备故障识别的基础概率分配可用N×M的矩阵AP来表示,如公式(6):
式(6)中,pij表示第i个传感器信号特征得出第j种故障的基础概率,故矩阵每一行元素之和为1,即pi1+pi2+pi3+…piM=1。其中i=1,2,…,N,j=1,2,…,M
如果第c个传感器信号特征与第d个传感器信号特征进行信息诊断融合,则将矩阵AP中代表第c个传感器信号特征诊断概率的行向量转置与代表第d个传感器信号特征诊断概率的行向量相乘,得到M×M的融合矩阵AR,如公式(7):
矩阵中,可以将主对角线上元素对故障Tj识别的决定因子Zj,如公式(8):
而非对角线上元素的总和为不确定因子Kcd,如公式(9):
故障Tj影响因子的元素之和为总影响因子Jcd,如公式(10):
因此,将第c个传感器信号特征与第c个传感器信号特征进行信息融合后,故障Tj的综合影响因子Qj如公式(11):
Qj=Zj+Kcd×Jcd (11) 。
8.根据权利要求1所述的一种基于信号测试的印刷设备远程故障诊断方法及系统,其特征在于:所述步骤8)中将Matlab Web Server技术嵌入Web服务器,使异地用户可调用Matlab软件实现远程故障诊断及测点信号显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710037405.6A CN106951197A (zh) | 2017-01-19 | 2017-01-19 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710037405.6A CN106951197A (zh) | 2017-01-19 | 2017-01-19 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106951197A true CN106951197A (zh) | 2017-07-14 |
Family
ID=59466056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710037405.6A Pending CN106951197A (zh) | 2017-01-19 | 2017-01-19 | 一种基于信号测试的印刷设备远程故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951197A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647707A (zh) * | 2018-04-25 | 2018-10-12 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
CN109753979A (zh) * | 2017-11-01 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 基于图像特征的故障检测方法及装置 |
CN110045672A (zh) * | 2018-01-15 | 2019-07-23 | 中冶长天国际工程有限责任公司 | 一种皮带机的故障诊断方法及装置 |
CN111897855A (zh) * | 2020-07-30 | 2020-11-06 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
CN113532711A (zh) * | 2021-06-03 | 2021-10-22 | 西安理工大学 | 一种卫星式柔版印刷机中心压印辊筒印刷压力识别方法 |
CN113837245A (zh) * | 2021-09-06 | 2021-12-24 | 西安理工大学 | 一种柔性印刷电子装备核心单元故障诊断方法 |
CN114489528A (zh) * | 2022-04-18 | 2022-05-13 | 中体彩印务技术有限公司 | 一种印刷设备故障监测方法及系统 |
CN115290368A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 一种粉罐车卸料过程中故障诊断方法 |
CN116373477A (zh) * | 2023-06-06 | 2023-07-04 | 山东力乐新材料研究院有限公司 | 一种基于印刷设备运行参数分析的故障预测方法及系统 |
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 |
CN116895286A (zh) * | 2023-09-11 | 2023-10-17 | 珠海芯烨电子科技有限公司 | 一种打印机故障监控方法以及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885406A (zh) * | 2014-03-11 | 2014-06-25 | 南京邮电大学 | 基于多数据融合的工业制气设备故障智能诊断和监控系统 |
CN103970997A (zh) * | 2014-05-06 | 2014-08-06 | 南昌华梦达航空科技发展有限公司 | 一种无人直升机传感器故障快速诊断方法 |
-
2017
- 2017-01-19 CN CN201710037405.6A patent/CN106951197A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885406A (zh) * | 2014-03-11 | 2014-06-25 | 南京邮电大学 | 基于多数据融合的工业制气设备故障智能诊断和监控系统 |
CN103970997A (zh) * | 2014-05-06 | 2014-08-06 | 南昌华梦达航空科技发展有限公司 | 一种无人直升机传感器故障快速诊断方法 |
Non-Patent Citations (2)
Title |
---|
姜万录: "基于SVM和证据理论的多数据融合故障诊断方法", 《仪器仪表学报》 * |
汪江: "汽轮组振动故障诊断SVM方法与远程监测技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753979A (zh) * | 2017-11-01 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 基于图像特征的故障检测方法及装置 |
CN110045672A (zh) * | 2018-01-15 | 2019-07-23 | 中冶长天国际工程有限责任公司 | 一种皮带机的故障诊断方法及装置 |
CN108647707B (zh) * | 2018-04-25 | 2022-09-09 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
CN108647707A (zh) * | 2018-04-25 | 2018-10-12 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
CN111897855A (zh) * | 2020-07-30 | 2020-11-06 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN111897855B (zh) * | 2020-07-30 | 2023-11-10 | 广东省中山市质量计量监督检测所 | 电磁兼容性能诊断方法与系统 |
CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
CN113532711A (zh) * | 2021-06-03 | 2021-10-22 | 西安理工大学 | 一种卫星式柔版印刷机中心压印辊筒印刷压力识别方法 |
CN113532711B (zh) * | 2021-06-03 | 2024-04-05 | 西安理工大学 | 一种卫星式柔版印刷机中心压印辊筒印刷压力识别方法 |
CN113837245A (zh) * | 2021-09-06 | 2021-12-24 | 西安理工大学 | 一种柔性印刷电子装备核心单元故障诊断方法 |
CN113837245B (zh) * | 2021-09-06 | 2024-04-09 | 西安理工大学 | 一种柔性印刷电子装备核心单元故障诊断方法 |
CN114489528A (zh) * | 2022-04-18 | 2022-05-13 | 中体彩印务技术有限公司 | 一种印刷设备故障监测方法及系统 |
CN115290368A (zh) * | 2022-09-30 | 2022-11-04 | 南通润厚设备工程有限公司 | 一种粉罐车卸料过程中故障诊断方法 |
CN116373477A (zh) * | 2023-06-06 | 2023-07-04 | 山东力乐新材料研究院有限公司 | 一种基于印刷设备运行参数分析的故障预测方法及系统 |
CN116373477B (zh) * | 2023-06-06 | 2023-08-15 | 山东力乐新材料研究院有限公司 | 一种基于印刷设备运行参数分析的故障预测方法及系统 |
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 |
CN116895286A (zh) * | 2023-09-11 | 2023-10-17 | 珠海芯烨电子科技有限公司 | 一种打印机故障监控方法以及相关装置 |
CN116895286B (zh) * | 2023-09-11 | 2023-12-15 | 珠海芯烨电子科技有限公司 | 一种打印机故障监控方法以及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951197A (zh) | 一种基于信号测试的印刷设备远程故障诊断方法及系统 | |
CN108444708A (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 | |
CN102054179A (zh) | 一种旋转机械在线状态监测与故障诊断装置及方法 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN1323336C (zh) | 设备运行状态数据质量动态检测和保障方法 | |
CN109857090A (zh) | 一种均衡风缸制动装置健康评估系统和方法 | |
KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
CN108062514A (zh) | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 | |
CN114239641B (zh) | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
Hoffman et al. | The application of neural networks to vibrational diagnostics for multiple fault conditions | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
CN108920426A (zh) | 一种基于幂均算子和ds证据理论的故障诊断方法 | |
CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
CN109376778A (zh) | 一种基于特征变量加权的故障分类诊断方法 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN110261771A (zh) | 一种基于传感器互补性分析的故障诊断方法 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN115798516A (zh) | 一种可迁移的端到端声信号诊断方法及系统 | |
CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
CN106195247B (zh) | 一种基于大数据管理模式的变速器控制系统 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170714 |