CN117668469A - 一种印刷机工作状态管理方法和系统 - Google Patents

一种印刷机工作状态管理方法和系统 Download PDF

Info

Publication number
CN117668469A
CN117668469A CN202410130393.1A CN202410130393A CN117668469A CN 117668469 A CN117668469 A CN 117668469A CN 202410130393 A CN202410130393 A CN 202410130393A CN 117668469 A CN117668469 A CN 117668469A
Authority
CN
China
Prior art keywords
model
real
signals
time
training
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.)
Granted
Application number
CN202410130393.1A
Other languages
English (en)
Other versions
CN117668469B (zh
Inventor
晏建斌
邓集辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Huacheng Packaging Technology Co ltd
Original Assignee
Shenzhen Huacheng Packaging Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Huacheng Packaging Technology Co ltd filed Critical Shenzhen Huacheng Packaging Technology Co ltd
Priority to CN202410130393.1A priority Critical patent/CN117668469B/zh
Publication of CN117668469A publication Critical patent/CN117668469A/zh
Application granted granted Critical
Publication of CN117668469B publication Critical patent/CN117668469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种印刷机工作状态管理方法和系统，涉及印刷机管理领域，其包括：数据处理单元用于构建信号训练模型，数据采集单元通过振动感应器获取轴承周期时间内的振动信号，通过数据处理单元的处理提取历史故障信号并变换为实时特征信号；样本扩充单元通过WGAN模型扩充轴承的实时特征信号，关系表达模型通过RBF神经网络对历史周期时间内轴承的故障信号特征与步进电机的调控进行关系表达训练，并将当前周期时间内的实时特征信号传输给训练好的模型，获取步进电机的调控方案；调控模块基于PID控制，根据调控方案对步进电机进行调控，实现印刷机工作过程中卷材的智能纠偏。

Description

一种印刷机工作状态管理方法和系统
技术领域
本发明涉及印刷机管理领域，更具体地说，它涉及一种印刷机工作状态管理方法和系统。
背景技术
印刷产业中最重要不可或缺的部分就是印刷机械，印刷机械是高精度、运行复杂且结构异常复杂的完备的机电系统。印刷机械为了实现油墨高质量转移的目标，需要印刷机械中成千上万个零部件的精密配合，而油纸的传输作为印刷机的重要步骤，其进行油纸传输的机构同样重要。油纸的传输主要是由导辊进行，导辊的主要目的是使油纸正位输送，实现印刷内容落在正确的方位上，由于卷材在印刷机完成印刷时要经过多个单元的输送，在传送过程中容易出现横向偏移从而影响印刷的套准精度及收卷精度，在印刷和收放卷过程中正薄膜卷材横向偏移，会造成的印刷偏位和错漏的情况，导辊发生偏移，以及对承印物造成划痕，刮破承印物，对纸张类承印物造成“起毛”、弄脏承印物表面等问题。
卷材在收卷过程中产生张力波动，这会对偏移量产生影响，进而沿导辊方向受到不均匀的张力，具有较大张力的一侧将受到更大的摩擦力，而另一侧的摩擦力相对更小。此时，薄膜卷材就会由受到小摩擦力区域向受到大摩擦力的区域移动，从而发生横向偏移，轴承作为导辊旋转输送中最重要的零件，当导辊输送的油纸或者卷材发生偏移时，导辊两端的轴承也会因为受力不均导致受到撞击的频率不同，此外，轴承发生故障也会导致导辊的卡阻、不灵活等现象，进而使导向辊发生偏移，因此，当导辊传动发生异常时，都会和轴承有关。而轴承的振动和受撞击情况，也是对轴承状态分析的重要因素，设备在工作过程中会产生振动，其中通过信号的监测会反映出印刷设备在工作中产生的故障频率，故而通过对轴承的振动情况进行分析，能够反应印刷机的工作状态，在印刷实际工况中，印刷轴承的工作环境差，噪声强度大，信号传输数据大，不易分析故障信号的冲击特征和振动信号。绝大多数印刷企业目前对设备是否健康的监测和诊断依旧依赖的是人工的判断，不仅受限于维修人员的经验，而且停机维修会造成时间、人力资源的浪费及生产成本的增加。因此，基于信号检测的印刷机故障诊断是印刷机智能运维的重要技术，本发明对印刷机的轴承振动信号的分析进行设计。
发明内容
针对现有技术存在卷材横向偏移，会造成的印刷偏位和错漏的情况的问题，本发明的目的在于提供一种印刷机工作状态管理方法和系统，实现印刷机工作状态管理过程中的纠偏效果。
为实现上述目的，本发明提供了如下技术方案：
一种印刷机工作状态管理系统，所述印刷机工作状态管理系统包括：
数据模块，数据模块包括数据采集单元和数据处理单元,数据处理单元用于构建信号训练模型，通过Laplace小波和稀疏对轴承故障工作时的信号进行特征表达，数据采集单元通过振动感应器获取轴承周期时间内的振动信号，通过数据处理单元的处理提取历史故障信号并变换为实时特征信号，当前周期时间内的实时特征信号形成样本集；
样本训练模块，样本训练模块包括样本扩充单元和关系表达模型，样本扩充单元通过WGAN模型扩充轴承的实时特征信号，并生成伪数据集，关系表达模型通过RBF神经网络对历史周期时间内轴承的故障信号特征与步进电机的调控进行关系表达训练，并将当前周期时间内的实时特征信号传输给训练好的模型，获取步进电机的调控方案；
调控模块，调控模块基于PID控制，根据调控方案对步进电机进行调控。
优选的，所述数据处理单元的信号训练模型构建过程如下：
构建轴承正常工作状态下信号的表达；
将历史周期时间内的信号导入Laplace小波算法中，获取字典矩阵的原子表达，对历史周期时间内的信号进行稀疏表示，通过OMP正交匹配追踪算法进行迭代，逐项筛选构造求得稀疏解，对历史周期时间内信号的振动特征进行表达，记为历史信号；
将历史信号与正常工作状态下的信号表达进行对比并提取，获取轴承故障时信号所对应的特征，记为实时特征信号。
优选的，所述历史周期时间内的信号的稀疏表示进行拉格朗日乘子法转换为，
公式（1）,
其中，历史信号在字典矩阵/>上的表达/>，/>为正实数，/>为给定精度；
通过OMP算法对公式（1）进行寻优求解，进而获取历史信号所对应的特征，即历史信号/>的实时特征信号。
优选的，所述字典通过Laplace小波进行表达处理，
，
其中，设定字典矩阵由多个参数组/>定义的原子/>组成，/>为历史工作状态下小波的幅值参数，/>表示历史工作状态下的振荡频率，/>表示历史工作状态下的阻尼系数。
优选的，所述WGAN模型扩充实时特征信号且输出伪数据集的训练过程如下：
构建WGAN模型的框架，选择生成器、判别器/>的神经网络结构、随机噪声的分布函数，引入梯度惩罚和Wasserstein距离，设定迭代次数；
获取历史周期时间内的实时特征信号，形成训练集，导入WGAN模型中进行训练，得到训练好的WGAN模型，将当前周期时间内实时特征信号形成的样本集输入训练好的WGAN模型中，设定生成Q组伪数据集；
将样本集和伪数据集汇合形成导练集，并将导练集输出给训练好的关系表达模型。
优选的，所述WGAN模型的目标函数如下：
；
式中，为惩罚系数; />表示整个样本空间分布，即/>和/>样本分布总和，表示判别器的梯度，/>为实数，/>表示真实样本/>的判别器，/>为真实样本数据概率分布，/>为生成样本数据概率分布，/>、/>和/>分别表示从/>、/>和/>中随机获取一个真实样本/>。
优选的，所述关系表达模型通过RBF神经网络构建D-Z模型，即实时特征信号和执行偏移距离的表达关系模型，D-Z模型的构建过程如下：
训练集中每个实时特征信号作为RBF神经网络模型的输入，每个执行偏移距离作为输出，对RBF神经网络模型进行训练；
设定网络输出,通过高斯基函数进行权重向量更新，获取输入和输出的映射关系，生成实时特征信号和执行偏移距离的D-Z模型；
将当前周期时间内的实时特征信号传输给训练好的D-Z模型，获取实时特征信号对应的执行偏移距离。
优选的，所述RBF神经网络模型的损失函数，设定为Huber Loss损失函数，HuberLoss损失函数表达为，
，
其中，表示超参数，/>表示训练集中各个历史周期时间内实时特征信号真实对应的执行偏移距离，/>表示训练集经过RBF神经网络模型预测得到的执行偏移距离；
通过计算损失函数的梯度信息，逐步减小损失函数的值，优化RBF神经网络模型，使预测输出不断逼近真实训练集中的数值，当训练集的损失函数的值不再下降时终止训练，得到训练好的RBF神经网络模型。
优选的，所述步进电机的调控方案是构建步进电机转速与偏移量的模型，通过公式，
，
将步进电机转速与执行偏移距离进行联立表达，其中，表示需要执行的偏移距离，/>表示滑动丝杠机构上的机械传递总刚度，/>表示滑动丝杠机构的导程，/>表示系数，/>表示步进电机驱动滑动丝杠机构执行偏移距离时所需要的转速，/>表示步进电机的实时转速；进而对/>进行求解；
调控模块通过PID控制将步进电机的转速调控到对应的数值。
优选的，一种印刷机工作状态管理方法，包括：
数据处理单元通过振动感应器获取轴承当前周期时间内的振动信号；并将获取到的振动信号传输给数据处理单元中训练好的信号训练模型，提取当前周期时间内振动信号的故障信号并变换为实时特征信号，形成样本集；
将样本集导入训练好的WGAN模型中，输出伪数据集，将样本集和伪数据集汇合形成导练集；
将导练集输入训练好的RBF神经网络中，获取对历史周期时间内轴承的故障信号特征与步进电机的调控进行关系表达训练，并将当前周期时间内的实时特征信号传输给训练好的模型，获取对应的执行偏移距离；
将获取的执行偏移距离输入到调控方案中，获取步进电机的转速调控值，通过PID控制步进电机进行转速调控。
与现有技术相比，本发明具备以下有益效果：
1、本发明中，通过对轴承振动历史数据的采集，为数据处理单元的信号训练模型提供可靠的数据支持，数据采集单元对轴承的振动情况进行实时监测，可以获得更准确的轴承工作状态信息，并通过信号训练模型获取故障信号的特征，通过WGAN模型扩充轴承的实时测量值，降低样本量较少造成的数据分析误差的情况，提高样本量，且为关系表达模型的构建提供更多的依据，使模型更加可靠。
2、本发明中，通过RBF神经构建实时特征信号和执行偏移距离的表达网络对D-Z模型，为当前时刻下实时特征信号的执行偏移距离输出提供数据支持和调整依据，通过D-Z模型优化处理方式，提高处理效果，并通过调控方案构建步进电机转速与偏移量的关系表达，层层递进，使故障信号与步进电机转速联立，优化处理过程，提高处理效果，实现调控方案的快速生成，减少时间成本。
附图说明
图1为本发明提出一种印刷机工作状态管理方法及系统的结构示意图；
图2为本发明方法步骤的示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
实施例一
参照图1、图2，实施例一对本发明提出的一种印刷机工作状态管理方法做进一步说明。
一种印刷机工作状态管理系统，所述数据处理单元的信号训练模型构建过程如下：
构建轴承正常工作状态下信号的表达；
将历史周期时间内的信号导入Laplace小波算法中，获取字典矩阵的原子表达，对历史周期时间内的信号进行稀疏表示，通过OMP正交匹配追踪算法进行迭代，逐项筛选构造求得稀疏解，对历史周期时间内信号的振动特征进行表达，记为历史信号；
将历史信号与正常工作状态下的信号表达进行对比并提取，获取轴承故障时信号所对应的特征，记为实时特征信号。
滚动轴承的结构为：保持架、滚珠、内外圈滚道，在对轴承实时工作状态进行诊断时，为了判断故障信号和正常工作信号，需要获取轴承在两者状态下的信号特征，轴承在正常工作状态下的信号特征与其本身的结构和加工使用的参数有关，因此在构建求取轴承故障频率的分析方法之前需要先计算轴承正常工作时的频率值，这是整个轴承故障诊断的基础，滚动轴承的结构为：保持架、滚珠、内外圈滚道，轴承正常工作状态假定如下：轴承外圈与轴承座之间无相对位移，且轴承各部件未产生径向和轴向形变；设定轴承正常工作状态下信号的表达式为：
；
其中，为正常工作状态下小波的幅值参数，对/>进行归一化处理，设定/>，表示正常工作状态下的振荡频率，/>表示阻尼系数；
设定轴承历史工作时，数据采集单元获取的历史信号为，历史信号的维度为/>，则历史信号/>，对历史信号/>的稀疏表示进行了线性定义为/>，式/>是字典矩阵，历史信号/>在字典矩阵/>上的表达/>，其中，/>和/>表示维度数，当一个信号在初始域或者变换后的域（变换后信号无损失）中存在大量的非零元素表明该信号是稀疏的，并且可以压缩。向量的稀疏性和信号的稀疏性相似，表示为存在的元素多为零或可以规范化为零，则轴承的历史信号进行稀疏表示的线性组合，并且其稀疏解/>，在此定义稀疏度/>是向量/>中非零元素的个数,则历史信号/>的稀疏表达模型为，
，
在稀疏表示中表示稀疏编码后的向量/>到字典矩阵/>的距离。/>是“subject to”的缩写，表示这个优化问题受到以下约束条件：/>，也就是要求稀疏编码后的向量/>要与原始数据向量/>尽可能地接近。范数/>表示向量/>的/>范数，本发明对取值为1。以/>范数约束进行稀疏分解，
其中，，
则范数的表达式如下：
，
则历史信号的稀疏表达模型为：
。
由于轴承的振动信号存在噪声，因此将上式进行结合实际，给定精度进行优化如下：
，
根据拉格朗日乘子法将上式转换为：
公式（1）,
其中，为正实数，以/>范数约束优化寻优到的向量/>中的各个元素。
匹配追踪算法主要是通过迭代，逐项筛选构造求得稀疏解，将解的非零项与其对应的字典进行线性逼近组合逼近原始信号，当逼近信号与原始信号满足迭代的残差条件即可以终止迭代。所得的稀疏解就是稀疏表示模型的最优的局部解也是全局最优解，在本发明中，设定字典矩阵由多个参数组/>定义的原子/>组成，则/>。
稀疏表示的方法是基于压缩感知的方式来提取信号中有用的成分进行表示，因此在稀疏表示中选择合适的字典来表示信号，提高信号的快速表达和稀疏表示的效率，选定符合印刷机轴承振动信号特点的原子来有效的提升稀疏表示的特征部分。选择具有印刷轴承振动特征的特定结构的结构化字典是适合印刷工况的选择。通过分析轴承振动信号特征来选择特定的原子，后经过特定的原子扩展的规则形成稀疏字典。结构化的字典不但具有分析字典构造简单的特征，也具备适合印刷机轴承特点的能力通过对印刷机轴承振动信号进行分析探究，发现其振动的频率与Laplace小波原子极为相似，因此将Laplace小波原子作为结构化字典原子；为了稀疏字典原子构造的简洁性，对Laplace小波的表达式进行参数化处理，
，
其中，为历史工作状态下小波的幅值参数，对/>进行归一化处理，设定/>，/>表示历史工作状态下的振荡频率，/>表示历史工作状态下的阻尼系数，由此可知，振荡频率和阻尼参数/>对小波原子的周期振荡持续时间和衰减程度的影响不同，因此对振荡频率和阻尼参数/>选择合适的参数，对原子/>进行设定。
字典构造完成后，以OMP算法进行寻优求解，实现基于自适应互密度谱法稀疏字典的印刷机轴承故障特征提取，由于原子的构造方法不同，因此中的参数和参数的数量均不相同。应使构建字典矩阵/>的长度与信号长度相等，需要对字典原子进行归一化处理，即，且历史信号长度要小于参数组的数量，匹配追踪算法步骤如下：
通过施密特正交化筛选出需要分解信号中的最佳字典原子，对轴承的历史信号/>分解进行初始分解成原子/>的分量和残差，构成表达式，
,
其中，在初始状态下，表示历史信号/>在原子/>上的投影，/>对历史信号/>匹配后的剩余残差，要使/>是历史信号/>的一个逼近值，保证剩余残差/>取最小值，就必须使投影值/>最大，使得公式（1）成立，设定在本发明中采用OMP算法，只要/> ，不足设定的稀疏值，就必须对不断进行迭代分解直到剩余残差足够小为止，设定残差的迭代次数为/>，通过迭代，将历史信号/>的主要特征表示出来的公式为，
,
其中，表示原信号进行迭代分解得到的原子数量，表示/>次迭代下的原子/>，表示/>次迭代下历史信号/>的残差，进而获取历史信号/>的主要特征表达。
所述WGAN模型扩充实时特征信号且输出伪数据集的训练过程如下：
构建WGAN模型的框架，选择生成器、判别器/>的神经网络结构、随机噪声的分布函数，引入梯度惩罚和Wasserstein距离，设定迭代次数；
获取历史周期时间内的实时特征信号，形成训练集，导入WGAN模型中进行训练，得到训练好的WGAN模型，将当前周期时间内实时特征信号形成的样本集输入训练好的WGAN模型中，设定生成Q组伪数据集；
将样本集和伪数据集汇合形成导练集，并将导练集输出给训练好的关系表达模型。
样本训练模块，样本训练模块包括样本扩充单元和关系表达模型，样本扩充单元通过WGAN模型扩充轴承实时信号数据，生成伪样本数据，
原始GAN用KL散度和JS散度计量样本分布的距离，GAN的框架由生成器（Generator）和一个判别器/>（Generator）组成,整个训练过程，便是二者的对抗博弈：给定，/>表示输入的真实数据，在本系统中，/>表示样本数据表，/>表示样本数据表中随意一组数据，且一组数据包括测量时刻点上对应的温度值、溶氧量和发电功率，希望学习出生成器/>、判别器/>，使得/>，/>表示生成的伪数据组，以至于判别器/>无法对二者进行正确分辨。
生成器，可以是任意的神经网络结构，输入是随机噪声/>，随机噪声可以是高斯分布、均匀分布等，训练目标是让输出/>在后续的判别阶段能够获得更大的概率；判别器/>，可以是任意的神经网络结构，输入是/>或者/>；训练目标是准确地对二者进行区分，给予/>以更大的概率、/>以更小的概率（二分类），两个网络交替训练，对判别器/>进行多轮优化，而对生成器/>只进行一轮优化，能力同步提高。
当生成样本和真实样本分布存在明显差异时，当时，KL散度会趋于无穷大，JS散度变为常数导致GAN在训练过程中出现梯度消失现象，不利于生成器学习真实样本分布，使模型训练停滞不前，出现梯度消失、模型坍塌等现象。因此，在GAN模型中引入Wasserstein距离，即为WGAN模型，确保梯度平滑，使真实数据与生成数据重叠少或没有重叠，
其中，Wasserstein距离的定义如下：
；
式中，为所有可能组合的联合分布/>集合; />表示真实样本，即数据采集单元通过振动感应器获取的实时信号经过信号训练模型转换后形成的实时特征信号，/>表示生成样本，/>为真实样本与生成样本间的距离，/>为真实样本数据概率分布，/>为生成样本数据概率分布，/>、/>和/>分别表示从/>、/>和中随机获取一个真实样本/>；
WGAN模型引入梯度惩罚（Gradient PenaltyGP）项，改善WGAN中为满足1-Lipschitz连续性条件所使用的权值裁剪约束参数对网络的影响，梯度惩罚定义如下：
，
式中，为惩罚系数; />表示整个样本空间分布，即/>和/>样本分布总和，表示判别器的梯度，/>为实数；
则WGAN模型的目标函数如下：
；
通过迭代训练，生成器和判别器的参数不断调整，最终得到WGAN模型。
本实施例中，通过对轴承振动历史数据的采集，为数据处理单元的信号训练模型提供可靠的数据支持，数据采集单元对轴承的振动情况进行实时监测，可以获得更准确的轴承工作状态信息，并通过信号训练模型获取故障信号的特征，通过使用通过WGAN模型扩充轴承的实时测量值，降低样本量较少造成的数据分析误差的情况，提高样本量，且为关系表达模型的构建提供更多的依据，使模型更加可靠。
实施例二
参照图1和图2，实施例二对本发明提出的一种印刷机工作状态管理方法及系统做进一步说明。
一种印刷机工作状态管理系统中，关系表达模型通过RBF神经网络构建D-Z模型，即实时特征信号和执行偏移距离的表达关系模型，D-Z模型的构建过程如下：
训练集中每个实时特征信号作为RBF神经网络模型的输入，每个执行偏移距离作为输出，对RBF神经网络模型进行训练；
设定网络输出,通过高斯基函数进行权重向量更新，获取输入和输出的映射关系，生成实时特征信号和执行偏移距离的D-Z模型；
将当前周期时间内的实时特征信号传输给训练好的D-Z模型，获取实时特征信号对应的执行偏移距离。
在RBF神经网络中，所述输入层接收输入数据，并将其传递给隐含层；所述隐含层由一系列径向基函数组成，这些函数根据输入数据与各自的中心点之间的距离来计算输出；每个基函数对应着一个中心点和一个偏差参数，通过调整这些参数，使得基函数能够适应输入数据的特征；输出层根据隐含层的输出计算最终的预测结果；通常情况下，输出层使用线性激活函数来得到连续的预测值。
本发明采用了RBF神经网络对实时特征信号和执行偏移距离的关系进行表达，解决了传统BP经网络预测评估泛化问题，RBF神经网络采用随机逼近的方法，能够获得较好的预测结果。
训练集中实时特征信号作为输入，则设定实时特征信号为，且实时特征信号/>的数量为/>，则训练集表示为/>，/>为网络径向基函数的中心点，其中/>表示基函数中心点的数量，
高斯基函数为，
,
所以网络输出,/>为第/>组实时特征信号对应权值为权值向量, />为第/>组数据对应节点的基宽度参数。
设定RBF神经网络模型的损失函数时，采用Huber Loss损失函数，Huber Loss是一种将MSE与MAE结合起来，取两者优点的损失函数，也被称作Smooth MeanAbsoluteErrorLoss（Smooth L1损失）。Huber Loss也是回归中使用的一种损失函数，当误差较小时，利用Huber Loss的MSE部分，当误差较大时，利用Huber损失的MAE部分。引入了一种新的超参数，它告诉损失函数从MSE到MAE的切换位置。在损失函数中引入超参数，使MSE向MAE的转变趋于平滑，有效衡量模型预测输出与真实值之间的差距，Huber Loss损失函数，
，
其中，表示超参数，/>表示训练集中各个历史周期时间内实时特征信号真实对应的执行偏移距离，/>表示训练集经过RBF神经网络模型预测得到的执行偏移距离。
通过计算损失函数的梯度信息，逐步减小损失函数的值，优化RBF神经网络模型，使预测输出不断逼近真实训练集中的数值，当训练集的损失函数的值不再下降时终止训练，得到训练好的RBF神经网络模型。
Huber Loss增强了MSE的离群点鲁棒性，减小了对离群点的敏感度问题。当误差较大时，使用MAE可降低异常值影响，使得训练更加健壮。其下降速度介于MAE与MSE之间，弥补了MAE在Loss下降速度慢的问题，而更接近MSE。
在使用训练集训练RBF神经网络模型的过程中，通过计算损失函数的梯度信息，并根据权值的更新，逐步减小损失函数的值，使RBF神经网络模型预测输出不断逼近真实实时特征信号对应的执行偏移距离，从而优化模型；采用梯度裁剪技术限制梯度范围；在训练集的损失函数的值不再下降时终止训练；得到训练好的RBF神经网络模型。
步进电机的调控方案是构建步进电机转速与偏移量的模型，通过公式，
，
将步进电机转速与执行偏移距离进行联立表达，其中，表示需要执行的偏移距离，/>表示滑动丝杠机构上的机械传递总刚度，/>表示滑动丝杠机构的导程，/>表示系数，/>表示步进电机驱动滑动丝杠机构执行偏移距离时所需要的转速，/>表示步进电机的实时转速；进而对/>进行求解；
调控模块通过PID控制将步进电机的转速调控到对应的数值。
本实施例中，通过RBF神经构建实时特征信号和执行偏移距离的表达网络对D-Z模型，为当前时刻下实时特征信号的执行偏移距离输出提供数据支持和调整依据，通过D-Z模型优化处理方式，提高处理效果，并通过调控方案构建步进电机转速与偏移量的关系表达，层层递进，使故障信号与步进电机转速联立，优化处理过程，提高处理效果，实现调控方案的快速生成，减少时间成本。
实施例三
参照图1和图2，实施例三对本发明提出的一种印刷机工作状态管理方法及系统做进一步说明。
所述印刷机工作状态管理系统，应用于微型计算机，包括人机交互界面，通过人机交互界面对系统运行数据进行页面显示，管理人员通过人机交互界面对系统进行功能性操作和访问，通讯连接遵循HTTP协议，且采用集成信息处理体系。
一种印刷机工作状态管理系统，所述印刷机工作状态管理系统包括：
数据模块，数据模块包括数据采集单元和数据处理单元,数据处理单元用于构建信号训练模型，通过Laplace小波和稀疏对轴承故障工作时的信号进行特征表达，数据采集单元通过振动感应器获取轴承周期时间内的振动信号，通过数据处理单元的处理提取历史故障信号并变换为实时特征信号，当前周期时间内的实时特征信号形成样本集；
样本训练模块，样本训练模块包括样本扩充单元和关系表达模型，样本扩充单元通过WGAN模型扩充轴承的实时特征信号，并生成伪数据集，关系表达模型通过RBF神经网络对历史周期时间内轴承的故障信号特征与步进电机的调控进行关系表达训练，并将当前周期时间内的实时特征信号传输给训练好的模型，获取步进电机的调控方案；
调控模块，调控模块基于PID控制，根据调控方案对步进电机进行调控。
一种印刷机工作状态管理方法，包括：
数据处理单元通过振动感应器获取轴承当前周期时间内的振动信号；并将获取到的振动信号传输给数据处理单元中训练好的信号训练模型，提取当前周期时间内振动信号的故障信号并变换为实时特征信号，形成样本集；
将样本集导入训练好的WGAN模型中，输出伪数据集，将样本集和伪数据集汇合形成导练集；
将导练集输入训练好的RBF神经网络中，获取对历史周期时间内轴承的故障信号特征与步进电机的调控进行关系表达训练，并将当前周期时间内的实时特征信号传输给训练好的模型，获取对应的执行偏移距离；
将获取的执行偏移距离输入到调控方案中，获取步进电机的转速调控值，通过PID控制步进电机进行转速调控。
另外，根据本申请的实施方式，一种印刷机工作状态管理系统及方法附图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，当然，一种印刷机工作状态管理系统及方法附图所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以进行适应性选择或者调整。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种印刷机工作状态管理系统，其特征在于，所述印刷机工作状态管理系统包括：
数据模块，数据模块包括数据采集单元和数据处理单元，数据处理单元用于构建信号训练模型，通过Laplace小波和稀疏对轴承故障工作时的信号进行特征表达，数据采集单元通过振动感应器获取轴承周期时间内的振动信号，通过数据处理单元的处理提取历史故障信号并变换为实时特征信号，当前周期时间内的实时特征信号形成样本集；
样本训练模块，样本训练模块包括样本扩充单元和关系表达模型，样本扩充单元通过WGAN模型扩充轴承的实时特征信号，并生成伪数据集，关系表达模型通过RBF神经网络对历史周期时间内轴承的故障信号特征与步进电机的调控进行关系表达训练，并将当前周期时间内的实时特征信号传输给训练好的模型，获取步进电机的调控方案；
调控模块，调控模块基于PID控制，根据调控方案对步进电机进行调控。
2.根据权利要求1所述的印刷机工作状态管理系统，其特征在于，所述数据处理单元的信号训练模型构建过程如下：
构建轴承正常工作状态下信号的表达；
将历史周期时间内的信号导入Laplace小波算法中，获取字典矩阵的原子表达，对历史周期时间内的信号进行稀疏表示，通过OMP正交匹配追踪算法进行迭代，逐项筛选构造求得稀疏解，对历史周期时间内信号的振动特征进行表达，记为历史信号；
将历史信号与正常工作状态下的信号表达进行对比并提取，获取轴承故障时信号所对应的特征，记为实时特征信号。
3.根据权利要求2所述的印刷机工作状态管理系统，其特征在于，所述历史周期时间内信号的稀疏表示进行拉格朗日乘子法转换为，
公式（1）；
其中，历史信号在字典矩阵/>上的表达/>，/>为正实数，/>为给定精度；
通过OMP算法对公式（1）进行寻优求解，进而获取历史信号所对应的特征，即历史信号/>的实时特征信号。
4.根据权利要求3所述的印刷机工作状态管理系统，其特征在于，所述字典通过Laplace小波进行表达处理，
；
其中，设定字典矩阵由多个参数组/>定义的原子/>组成，/>为历史工作状态下小波的幅值参数，/>表示历史工作状态下的振荡频率，/>表示历史工作状态下的阻尼系数。
5.根据权利要求1所述的印刷机工作状态管理系统，其特征在于，所述WGAN模型扩充实时特征信号且输出伪数据集的训练过程如下：
构建WGAN模型的框架，选择生成器、判别器/>的神经网络结构、随机噪声/>的分布函数，引入梯度惩罚和Wasserstein距离，设定迭代次数；
获取历史周期时间内的实时特征信号，形成训练集，导入WGAN模型中进行训练，得到训练好的WGAN模型，将当前周期时间内实时特征信号形成的样本集输入训练好的WGAN模型中，设定生成Q组伪数据集；
将样本集和伪数据集汇合形成导练集，并将导练集输出给训练好的关系表达模型。
6.根据权利要求5所述的印刷机工作状态管理系统，其特征在于，所述WGAN模型的目标函数如下：
；
式中，为惩罚系数，/>表示整个样本空间分布，即/>和/>样本分布总和，表示判别器的梯度，/>为实数，/>表示真实样本/>的判别器，/>为真实样本数据概率分布，/>为生成样本数据概率分布，/>、/>和/>分别表示从、/>和/>中随机获取一个真实样本/>。
7.根据权利要求5所述的印刷机工作状态管理系统，其特征在于，所述关系表达模型通过RBF神经网络构建D-Z模型，即实时特征信号和执行偏移距离的表达关系模型，D-Z模型的构建过程如下：
训练集中每个实时特征信号作为RBF神经网络模型的输入，每个执行偏移距离作为输出，对RBF神经网络模型进行训练；
设定网络输出,通过高斯基函数进行权重向量更新，获取输入和输出的映射关系，生成实时特征信号和执行偏移距离的D-Z模型；
将当前周期时间内的实时特征信号传输给训练好的D-Z模型，获取实时特征信号对应的执行偏移距离。
8.根据权利要求7所述的印刷机工作状态管理系统，其特征在于，所述RBF神经网络模型的损失函数，设定为Huber Loss损失函数，Huber Loss损失函数表达为，
；
其中，表示超参数，/>表示训练集中各个历史周期时间内实时特征信号真实对应的执行偏移距离，/>表示训练集经过RBF神经网络模型预测得到的执行偏移距离；
通过计算损失函数的梯度信息，逐步减小损失函数的值，优化RBF神经网络模型，使预测输出不断逼近真实训练集中的数值，当训练集的损失函数的值不再下降时终止训练，得到训练好的RBF神经网络模型。
9.根据权利要求1所述的印刷机工作状态管理系统，其特征在于，所述步进电机的调控方案是构建步进电机转速与偏移量的模型，通过公式，
；
将步进电机转速与执行偏移距离进行联立表达，其中，表示需要执行的偏移距离，/>表示滑动丝杠机构上的机械传递总刚度，/>表示滑动丝杠机构的导程，/>表示系数，/>表示步进电机驱动滑动丝杠机构执行偏移距离时所需要的转速，/>表示步进电机的实时转速；进而对/>进行求解；
调控模块通过PID控制将步进电机的转速调控到对应的数值。
10.一种印刷机工作状态管理方法，用于实现权利要求1~9任一项所述的印刷机工作状态管理系统，其特征在于，包括：
数据处理单元通过振动感应器获取轴承当前周期时间内的振动信号；并将获取到的振动信号传输给数据处理单元中训练好的信号训练模型，提取当前周期时间内振动信号的故障信号并变换为实时特征信号，形成样本集；
将样本集导入训练好的WGAN模型中，输出伪数据集，将样本集和伪数据集汇合形成导练集；
将导练集输入训练好的RBF神经网络中，获取对历史周期时间内轴承的故障信号特征与步进电机的调控进行关系表达训练，并将当前周期时间内的实时特征信号传输给训练好的模型，获取对应的执行偏移距离；
将获取的执行偏移距离输入到调控方案中，获取步进电机的转速调控值，通过PID控制步进电机进行转速调控。
CN202410130393.1A 2024-01-31 2024-01-31 一种印刷机工作状态管理方法和系统 Active CN117668469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410130393.1A CN117668469B (zh) 2024-01-31 2024-01-31 一种印刷机工作状态管理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410130393.1A CN117668469B (zh) 2024-01-31 2024-01-31 一种印刷机工作状态管理方法和系统

Publications (2)

Publication Number Publication Date
CN117668469A true CN117668469A (zh) 2024-03-08
CN117668469B CN117668469B (zh) 2024-04-02

Family

ID=90079238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410130393.1A Active CN117668469B (zh) 2024-01-31 2024-01-31 一种印刷机工作状态管理方法和系统

Country Status (1)

Country Link
CN (1) CN117668469B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132554A (zh) * 2019-04-17 2019-08-16 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN116358871A (zh) * 2023-03-29 2023-06-30 哈尔滨理工大学 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法
CN117332353A (zh) * 2023-10-20 2024-01-02 华侨大学 一种汽轮发电机转子异常振动故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132554A (zh) * 2019-04-17 2019-08-16 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN116358871A (zh) * 2023-03-29 2023-06-30 哈尔滨理工大学 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法
CN117332353A (zh) * 2023-10-20 2024-01-02 华侨大学 一种汽轮发电机转子异常振动故障诊断方法

Also Published As

Publication number Publication date
CN117668469B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN111829782B (zh) 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
Che et al. Combining multiple deep learning algorithms for prognostic and health management of aircraft
Wu et al. Multi-sensor information fusion for remaining useful life prediction of machining tools by adaptive network based fuzzy inference system
Wen et al. A new reinforcement learning based learning rate scheduler for convolutional neural network in fault classification
Huynh et al. A parametric predictive maintenance decision-making framework considering improved system health prognosis precision
JP6294268B2 (ja) 射出成形機の異常診断装置
US20060047512A1 (en) System, device, and methods for updating system-monitoring models
US20230152786A1 (en) Industrial equipment operation, maintenance and optimization method and system based on complex network model
Stepanov et al. Diagnostics of mechatronic systems on the basis of neural networks with high-performance data collection
US20230120046A1 (en) Machining diagnosis device, learning device, inference device, machining diagnosis method and recording medium
EP3945472A3 (en) Method of and system for online machine learning with dynamic model evaluation and selection
CN117668469B (zh) 一种印刷机工作状态管理方法和系统
Chowdhury et al. XAI-3DP: Diagnosis and understanding faults of 3-D printer with explainable ensemble AI
Addeh et al. Control chart patterns detection using COA based trained MLP neural network and shape features
Wang et al. Modeling and predicting remanufacturing time of equipment using deep belief networks
Xin et al. Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications
Luo et al. A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories
EP4136515B1 (en) Method, apparatus and computer program product for monitoring of industrial devices
KR20210100399A (ko) 인공 지능을 이용한 가공품질 예측 시스템 및 방법
Okoro et al. An approach to reliability analysis of aircraft systems for a small dataset
Li et al. Fusing convolutional generative adversarial encoders for 3D printer fault detection with only normal signals
Wen et al. A Novel Bayesian Update Method for Parameter Reconstruction of Remaining Useful Life Prognostics
KR102655363B1 (ko) 진동데이터에 기초한 cnc 공작기계의 공구 마모도 측정 장치 및 방법
Ibrahim et al. Predictive maintenance of high-velocity oxy-fuel machine using convolution neural network
Wang et al. Semisupervised Classification With Sequence Gaussian Mixture Variational Autoencoder

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
GR01 Patent grant
GR01 Patent grant