徐倩倩, 劉凱, 侯和平, 徐卓飛

(1.西安理工大學(xué) 機(jī)械與精密儀器工程學(xué)院，陜西 西安 710048;2.西安理工大學(xué) 印刷包裝與數(shù)字媒體學(xué)院，陜西 西安 710048)

基于畫面的印刷機(jī)輸紙及傳紙故障檢測(cè)識(shí)別方法

徐倩倩1, 劉凱1, 侯和平2, 徐卓飛2

(1.西安理工大學(xué) 機(jī)械與精密儀器工程學(xué)院，陜西 西安 710048;2.西安理工大學(xué) 印刷包裝與數(shù)字媒體學(xué)院，陜西 西安 710048)

為有效處理印刷圖像的高維非線性數(shù)據(jù)，實(shí)現(xiàn)基于印品圖像的紙張輸送和傳遞故障檢測(cè)與模式識(shí)別，結(jié)合HotellingT2控制圖對(duì)設(shè)備運(yùn)行正常/異常狀態(tài)檢測(cè)的能力，提出HotellingT2控制圖與PCA-SVM算法的融合，并將其應(yīng)用于印刷機(jī)輸紙、傳紙精度檢測(cè)中。首先繪制套印誤差的HotellingT2控制圖判斷設(shè)備運(yùn)行狀態(tài)；然后應(yīng)用主元分析對(duì)異常狀態(tài)數(shù)據(jù)降維，去除冗余信息；最后利用支持向量機(jī)對(duì)故障類型進(jìn)行識(shí)別并分類。經(jīng)實(shí)驗(yàn)驗(yàn)證，本方法高效地完成了印刷機(jī)的輸紙和傳紙故障的分類識(shí)別，有效實(shí)現(xiàn)了印刷機(jī)的自動(dòng)化故障診斷。

圖像信息； 故障診斷； 主元分析法； 支持向量機(jī)； HotellingT2控制圖

在印刷過(guò)程中，紙張的準(zhǔn)確輸送與傳遞是確保印刷質(zhì)量的關(guān)鍵因素。由于此過(guò)程中涉及輸紙系統(tǒng)、印刷系統(tǒng)以及傳送系統(tǒng)的協(xié)同聯(lián)動(dòng)，同一故障的產(chǎn)生原因復(fù)雜多樣，因此檢測(cè)識(shí)別紙張輸送故障難度很大。印刷圖像作為印刷機(jī)運(yùn)行的最終產(chǎn)品，包含有大量的設(shè)備運(yùn)行狀態(tài)信息，是印刷機(jī)故障檢測(cè)的重要信息來(lái)源[1]。然而現(xiàn)有基于圖像的印刷機(jī)故障診斷技術(shù)[2-4]多利用印刷過(guò)程中單一指標(biāo)的控制圖判斷印刷過(guò)程是否處于穩(wěn)態(tài)狀態(tài)，因此無(wú)法全面分析高維非線性的紙張輸送數(shù)據(jù)信息。

PCA-SVM故障診斷技術(shù)已被廣泛地應(yīng)用于機(jī)械故障診斷中，劉永斌等人[5-9]已將PCA-SVM技術(shù)應(yīng)用到內(nèi)燃機(jī)、模擬伺服閥、傳感器、汽輪機(jī)凝汽器及連續(xù)攪拌釜式反應(yīng)器的故障診斷中，取得了良好的分類效果。由于直接應(yīng)用主元分析方法對(duì)圖像故障數(shù)據(jù)進(jìn)行處理時(shí)，PCA對(duì)所有的數(shù)據(jù)都進(jìn)行了數(shù)據(jù)的預(yù)處理和降維處理，使得在實(shí)際生產(chǎn)過(guò)程中增大了數(shù)據(jù)處理的工作量，浪費(fèi)了對(duì)正常數(shù)據(jù)處理所需要的時(shí)間，導(dǎo)致故障診斷效率降低。因此，本文提出多元HotellingT2控制圖與現(xiàn)有PCA-SVM的機(jī)械故障診斷技術(shù)在印刷機(jī)故障診斷中的融合應(yīng)用，利用多元HotellingT2控制圖的狀態(tài)檢測(cè)能力對(duì)印刷過(guò)程進(jìn)行異常檢測(cè)，并對(duì)異常狀態(tài)圖像數(shù)據(jù)進(jìn)行PCA降維，將提取的圖像異常特征作為支持向量機(jī)的輸入變量，利用SVM對(duì)小樣本分類優(yōu)勢(shì)對(duì)故障類型進(jìn)行模式識(shí)別，最終實(shí)現(xiàn)基于圖像的多變量印刷機(jī)故障診斷，提高印刷機(jī)故障診斷效率。

1 多元統(tǒng)計(jì)分析

多元統(tǒng)計(jì)過(guò)程控制是在單一變量統(tǒng)計(jì)過(guò)程控制的基礎(chǔ)上發(fā)展而來(lái)。相比于傳統(tǒng)過(guò)程質(zhì)量控制(Statistical Process Control，SPC)，多元統(tǒng)計(jì)方法能夠有效處理大量相關(guān)數(shù)據(jù)，在短時(shí)間內(nèi)提供大量的過(guò)程診斷信息，從而對(duì)多變量關(guān)聯(lián)的生產(chǎn)過(guò)程進(jìn)行有效的監(jiān)測(cè)和診斷。

1.1 PCA-SVM故障診斷技術(shù)

基于PCA-SVM的故障診斷技術(shù)結(jié)合了PCA的數(shù)據(jù)處理能力[10]和SVM的小樣本分類能力[11-16]，主要分為兩個(gè)步驟：一是應(yīng)用主元分析的數(shù)據(jù)降維方法將數(shù)據(jù)進(jìn)行簡(jiǎn)化提煉，得到新的主元；二是將主元作為支持向量機(jī)的輸入，通過(guò)對(duì)SVM訓(xùn)練，對(duì)故障樣本進(jìn)行故障類型識(shí)別。

假設(shè)X∈Rm×n、Xs是生產(chǎn)穩(wěn)定狀況下的運(yùn)行數(shù)據(jù)及其標(biāo)準(zhǔn)化數(shù)據(jù)，按式(1)對(duì)Xs進(jìn)行譜分解，文中選取累積方差貢獻(xiàn)率(Cumulative Percent Variance, CPV)來(lái)確定主元個(gè)數(shù)，將協(xié)方差矩陣的特征值從大到小排列，根據(jù)式(4)計(jì)算前k個(gè)特征值所占的累積比例，若達(dá)到閾值要求(一般為85%)，則主元數(shù)取k，并由式(3)計(jì)算新的主元yi。

(1)

(2)

(3)

式中,pi為特征向量，ti為譜分解系數(shù)，λi為特征向量對(duì)應(yīng)的特征值，tki為主元得分系數(shù)，i=1,2,…,k。得到的主元Y相互獨(dú)立，且數(shù)據(jù)維數(shù)由n維降低到k維，降低了數(shù)據(jù)的復(fù)雜程度。

將計(jì)算得到的信號(hào)主元作為支持向量機(jī)的輸入，此時(shí)最優(yōu)超平面和最優(yōu)判別函數(shù)變?yōu)椋?/p>

(4)

(5)

式中?i為各個(gè)樣本對(duì)應(yīng)的拉格朗日系數(shù)，n表示子樣本大小，?*、b*為求解出的最優(yōu)參數(shù)，zi為樣本類別，K(xi·x)為選取的核函數(shù)。

1.2 多元統(tǒng)計(jì)控制圖的融合應(yīng)用

在多元統(tǒng)計(jì)中，常用的監(jiān)控生產(chǎn)多質(zhì)量指標(biāo)的多元控制圖主要有HotellingT2、MCUSUM以及MEWMA控制圖。黃云云等[17]對(duì)這三種多元控制圖進(jìn)行了比較分析，發(fā)現(xiàn)MEWMA控制圖適用于變量非相關(guān)或自相關(guān)過(guò)程，MCUSUM控制圖適用于監(jiān)測(cè)過(guò)程均值小偏移，HotellingT2控制圖適用于監(jiān)測(cè)過(guò)程均值大偏移?？梢愿鶕?jù)測(cè)量數(shù)據(jù)的特征進(jìn)行選擇應(yīng)用。

多元統(tǒng)計(jì)控制圖與PCA-SVM在印刷機(jī)故障診斷中的應(yīng)用算法流程如圖1所示。多元統(tǒng)計(jì)控制圖的應(yīng)用對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行預(yù)檢測(cè)，因此PCA-SVM算法不需要對(duì)全部圖像數(shù)據(jù)進(jìn)行復(fù)雜降維處理，這就有效使得印刷機(jī)的檢測(cè)故障的復(fù)雜度降低，從而提高效率，降低印刷機(jī)維護(hù)成本。

2 印刷機(jī)紙路故障診斷

由于輸紙和傳紙時(shí)，紙張?zhí)幱诖』蛴∷顟B(tài)，所以必須在完全控制下傳送。輸紙和傳紙系統(tǒng)的運(yùn)動(dòng)精度直接影響印刷精度，尤其是套印精度，所以紙張的遞送和傳輸必須要確保準(zhǔn)確、穩(wěn)定。實(shí)驗(yàn)在山東某印刷設(shè)備制造有限公司進(jìn)行，印刷時(shí)要求印刷線寬范圍是25～35μm。

通過(guò)實(shí)驗(yàn)獲得輸紙穩(wěn)態(tài)樣張、4種故障樣張以及3種傳紙故障樣張。

1) 四種輸紙故障樣張:A1(側(cè)規(guī)部分有了周向的擺動(dòng)，抬起時(shí)間晚了)；A2(由于系統(tǒng)誤差較大導(dǎo)致兩次走紙時(shí)紙張到達(dá)前規(guī)時(shí)距離前規(guī)的中心線的距離不相同)；A3(拉規(guī)驅(qū)動(dòng)軸內(nèi)調(diào)整墊松動(dòng)，使其產(chǎn)生軸向串動(dòng)量)；A4(拉規(guī)螺絲松動(dòng)，抬起落下的時(shí)間周期不準(zhǔn))。

2) 三種傳紙故障樣張:B1(咬牙上的橡皮與紙張的接觸面太小，叼不住紙張，卻還不至于失控)；B2(擺動(dòng)遞紙牙與壓印滾筒的叼紙牙的交接時(shí)間過(guò)短)；B3(色組間紙張交接時(shí)，咬牙之間有空檔，紙張失控)。

數(shù)據(jù)采集對(duì)象：HG58-4四色膠印機(jī)，用銅版紙幅面為580mm×410mm。

數(shù)據(jù)測(cè)量工具：GATF測(cè)量?jī)x。

精度檢測(cè)標(biāo)識(shí)：為盡量避免實(shí)驗(yàn)過(guò)程中紙張伸縮變形產(chǎn)生的實(shí)驗(yàn)誤差，檢測(cè)紙張咬口部位兩端標(biāo)識(shí)。圖2(a)，在輸紙精度檢測(cè)過(guò)程中采取的是黑墨機(jī)組兩次走紙獲得的黑色套印標(biāo)識(shí)；圖2(b)，在傳紙精度檢測(cè)過(guò)程中采取的是彩色套印標(biāo)識(shí)，圖中不同顏色的檢測(cè)標(biāo)識(shí)表示不同的色組，分別是青、品、黃三色油墨印刷的傳紙檢測(cè)標(biāo)識(shí)，用來(lái)對(duì)不同色組進(jìn)行檢測(cè)。檢測(cè)標(biāo)識(shí)中，距離A表示軸向跳動(dòng)，距離B表示周向跳動(dòng)。

2.1 輸紙及傳紙故障Hotelling T2控制圖

以輸紙精度故障檢測(cè)中的一組穩(wěn)態(tài)數(shù)據(jù)為例，對(duì)穩(wěn)態(tài)數(shù)據(jù)分別進(jìn)行多元T2控制圖繪制和PCA降維數(shù)據(jù)處理，并進(jìn)行模式識(shí)別。在保證模式識(shí)別效果不變的情況下，得到穩(wěn)態(tài)數(shù)據(jù)的多元T2控制圖，繪制耗時(shí)為t1= 0.239 0s，PCA數(shù)據(jù)降維處理耗時(shí)為t2=0.433 0s。對(duì)比t1與t2可知多元T2控制圖的應(yīng)用減少了穩(wěn)態(tài)數(shù)據(jù)的處理時(shí)間，同時(shí)多元控制圖的應(yīng)用亦降低了后續(xù)SVM支持向量機(jī)模式分類的數(shù)據(jù)類型個(gè)數(shù)。因此，本文利用多元統(tǒng)計(jì)控制圖對(duì)檢測(cè)數(shù)據(jù)首先進(jìn)行正常/異常狀態(tài)檢測(cè)。

1) 輸紙故障數(shù)據(jù)處理

針對(duì)4種輸紙故障，在連續(xù)500張印品中隨即選取100張印品，應(yīng)用GATF測(cè)量?jī)x測(cè)量印品咬口兩端印刷標(biāo)識(shí)的周向和軸向套印誤差。由于印刷精度屬于計(jì)量值數(shù)據(jù)，為了體現(xiàn)出印品套印誤差的變化趨勢(shì)，將200組數(shù)據(jù)按照時(shí)間順序也就是印刷順序分成40組，計(jì)算子樣本每個(gè)變量的均值及變量總均值，得到故障樣本周向輸紙誤差均值的極差為20.286 0μm，相比于公司應(yīng)用的GB/T3264-2005標(biāo)準(zhǔn)規(guī)定(輸紙誤差標(biāo)準(zhǔn)30μm)可以看出均值發(fā)生較大偏移，符合HotellingT2控制圖的選取要求。

2) 傳紙故障數(shù)據(jù)處理

針對(duì)傳紙故障，同樣在連續(xù)500張印品中隨即選取100張印品，應(yīng)用GATF測(cè)量?jī)x測(cè)量1/2色組、1/3色組、1/4色組、2/3色組、3/4色組間的周向和軸向傳紙誤差，得到200×10的數(shù)據(jù)矩陣。為了確保T2統(tǒng)計(jì)量的控制上限UCL>0，選取子樣本大小n=20，則樣本數(shù)據(jù)分為了10組。計(jì)算子樣本每個(gè)變量的均值及變量總均值，得到傳紙誤差均值的極差為16.650 5μm，相比于GB/T3264-2005標(biāo)準(zhǔn)規(guī)定(傳紙精密度誤差范圍28μm)為大偏移，亦符合HotellingT2控制圖的選取要求。

(6)

(7)

由公式(6)、(7)分別計(jì)算子樣本數(shù)據(jù)的HotellingT2值以及輸紙故障數(shù)據(jù)T2統(tǒng)計(jì)量的控制上限UCL1=14.566；傳紙故障數(shù)據(jù)的T2統(tǒng)計(jì)量的控制上限UCL2=44.129。圖3為輸紙、傳紙故障的多元T2統(tǒng)計(jì)量控制圖。從圖可看出，輸紙穩(wěn)態(tài)數(shù)據(jù)處于統(tǒng)計(jì)量控制線內(nèi)，故障A1的第36組樣本、A2的第6組樣本、A3的第37組樣本、A4的第21組樣本，故障B1的第7、9、10組樣本、故障B2的第5、10組樣本以及故障B3的第4組樣本超出控制上限，稱為故障異常點(diǎn)。根據(jù)點(diǎn)出界就判異的準(zhǔn)則，多元T2正確檢測(cè)出了輸紙和傳紙故障。

2.2 輸紙及傳紙故障主元特征提取

輸紙CPVh(h=1,2,3,4)和傳紙CPVl(l=1,2,3)，由CPV≥85%判斷主元數(shù)k=3。計(jì)算出主元系數(shù)tki(i=1,2,…,k)見(jiàn)表1及表2，獲得主元特征矩陣Y。圖4為主元降維得到4種輸紙故障的主元以及3種傳紙故障主元規(guī)律曲線。

2.3 輸紙及傳紙故障分類識(shí)別

針對(duì)4類輸紙故障，從每個(gè)故障主元3×40數(shù)據(jù)集中選取第1～28組作為訓(xùn)練樣本集，共構(gòu)成大小為3×112的訓(xùn)練數(shù)據(jù)矩陣。選擇徑向基核函數(shù)為核函數(shù)，經(jīng)過(guò)模型訓(xùn)練，網(wǎng)格搜索法確定徑向基核函數(shù)的參數(shù)c=1.624 50，懲罰因子g=0.615 57,參數(shù)選擇結(jié)果見(jiàn)圖5(a)。

針對(duì)三類傳紙故障，建立SVM模型，每類故障取前8組主元共24組主元作為支持向量機(jī)模型的訓(xùn)練數(shù)據(jù)集，利用交叉驗(yàn)證法得到最優(yōu)參數(shù)：c=0.031 25，g=0.031 25，參數(shù)選擇結(jié)果見(jiàn)圖5(b)。

應(yīng)用MATLAB軟件編程計(jì)算輸紙和傳紙故障的分類正確率percent均為1，說(shuō)明支持向量機(jī)經(jīng)過(guò)訓(xùn)練完成參數(shù)c和g的選擇后，對(duì)驗(yàn)證樣本進(jìn)行了零錯(cuò)誤分類?？梢?jiàn)本文提出的方法對(duì)于PCA方法的改進(jìn)及在印刷機(jī)故障中的應(yīng)用具有一定的可靠性。

3 結(jié) 論

針對(duì)印刷圖像中紙張輸送信息的多變量、非線性特征，本文提出了多元T2控制圖與PCA-SVM的融合應(yīng)用方法，首先利用多元T2控制圖對(duì)印刷機(jī)輸紙及傳紙狀態(tài)進(jìn)行異常檢測(cè)；然后應(yīng)用PCA對(duì)故障樣本進(jìn)行數(shù)據(jù)降維處理，去除冗余數(shù)據(jù)；最后利用SVM對(duì)小樣本數(shù)據(jù)分類優(yōu)勢(shì)對(duì)故障樣本類型進(jìn)行分類識(shí)別。

本方法的優(yōu)勢(shì)在于：① 相比于印刷機(jī)現(xiàn)有單變量故障識(shí)別方法，本方法充分考慮了多變量數(shù)據(jù)信息中包含的故障狀態(tài)信息；② 多元T2控制圖的應(yīng)用簡(jiǎn)化了PCA與SVM的數(shù)據(jù)處理量，通過(guò)對(duì)比兩者對(duì)穩(wěn)態(tài)數(shù)據(jù)處理的耗時(shí)，發(fā)現(xiàn)在達(dá)到相同的模式識(shí)別效果基礎(chǔ)上，多元T2控制圖耗時(shí)明顯低于數(shù)據(jù)降維耗時(shí)，提高了故障診斷效率。

印刷機(jī)的輸紙及傳紙精度檢測(cè)實(shí)驗(yàn)表明，多元T2控制圖與PCA-SVM的融合應(yīng)用實(shí)現(xiàn)了基于圖像的多變量印刷機(jī)故障診斷，并取得了良好的模式識(shí)別效果，為印刷機(jī)故障診斷提供了一種新的有效方法。

[1]任玲輝,劉凱,張海燕.基于圖像處理技術(shù)的機(jī)械故障診斷研究進(jìn)展[J].機(jī)械設(shè)計(jì)與研究,2011, 27(5):21-24.

Ren Linghui, Liu Kai, Zhang Haiyan. Progress on mechanical fault diagnosis based on image processing[J]. Machine Design and Research, 2011, 27(5):21-24.

[2]趙艷東.統(tǒng)計(jì)過(guò)程控制(SPC)方法在印刷質(zhì)量管理中的應(yīng)用研究[D].武漢：武漢大學(xué), 2005.

Zhao Yandong. Study of statistical process control (SPC) application in printing quality[D].Wuhan: Wuhan University, 2005.

[3]任玲輝,劉凱,張海燕.灰度投影積分極值法的矩形檢測(cè)[J].計(jì)算機(jī)工程,2012,38(8):159-161.

Ren Linghui, Liu Kai, Zhang Haiyan. Rectangle detection of gray projection integral extreme value method[J]. Computer Engineering, 2012,38(8):159-161.

[4]徐卓飛,張海燕,任玲輝.基于GLCM與SVM的印刷機(jī)收紙故障診斷方法[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(10): 18-21.

Xu Zhuofei, Zhang Haiyan, Ren Linghui. Automatic fault diagnosis method for receiving paper unit in printing press based on GLCM and SVM[J]. Computer Engineering and Applications,2013,49(10): 18-21.

[5]劉永斌,何清波,孔凡讓.基于PCA和SVM的內(nèi)燃機(jī)故障診斷[J].振動(dòng)、測(cè)試與診斷,2012,32(2): 250-255.

Liu Yongbin,He Qingbo,Kong Fanrang. Internal-combustion engine fault diagnosis based on PCA and SVM[J]. Journal of Vibration Measurement & Diagnosis, 2012,32(2): 250-255.

[6]王磊,屈衛(wèi)東.應(yīng)用PCA-SVM對(duì)伺服閥進(jìn)行故障診斷[J].自動(dòng)化儀表,2013,34(1): 21-24, 27.

Wang Lei, Qu Weidong. Conducting fault diagnosis of servo valve by using PCA-SVM[J]. Process Automation Instrumentation, 2013,34(1): 21-24, 27.

[7]彭紅星,陳祥光,徐巍.PCA特征抽取與SVM多類分類在傳感器故障診斷中的應(yīng)用[J].數(shù)據(jù)采集與處理,2010,25(1):111-116.

Peng Hongxing,Chen Xiangguang,Xu Wei. Application of PCA feature extraction and SVM multi-classification on sensor fault diagnosis[J]. Journal of Data Acquisition & Processing, 2010,25(1):111-116.

[8]張曦,閻威武,劉振亞.基于核主元分析和鄰近支持向量機(jī)的汽輪機(jī)凝汽器過(guò)程監(jiān)控和故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào),2007,27(14):56-61.

Zhang Xi,Yan Weiwu,Liu Zhenya. Process monitoring and fault diagnosis of condenser using KPCA and PSVM[J]. Proceedings of the Chinese Society for Electrical Engineering, 2007,27(14):56-61.

[9]劉愛(ài)倫,袁小艷,俞金壽.基于KPCA-SVC的復(fù)雜過(guò)程故障診斷[J].儀器儀表學(xué)報(bào),2007,28(5):870-874.

Liu Ailun,Yuan Xiaoyan,Yu Jinshou. Fault diagnosis of complex chemical process based on KPCA-SVC[J]. Chinese Journal of Scientific Instrument, 2007,28(5):870-874.

[10]李榮雨.基于PCA的統(tǒng)計(jì)過(guò)程監(jiān)控研究[D].杭州:浙江大學(xué),2007.

Li Rongyu. Research on statistical process monitoring based on PCA[D].Hangzhou:Zhejiang University, 2007.

[11]王凱,張永祥,李軍.基于支持向量機(jī)的齒輪故障診斷方法研究[J].振動(dòng)與沖擊,2006,25(6): 97-99.

Wang Kai,Zhang Yongxiang,Li Jun. Study on diagnosis method of gear fault based on support vector machine[J].Journal of Vibration and Shock, 2006,25(6): 97-99.

[12]肖健華,樊可清,吳今培.應(yīng)用于故障診斷的SVM理論研究[J].振動(dòng)、測(cè)試與診斷,2001,21(4):258-262．

Xiao Jianhua, Fan Keqing, Wu Jinpei. A Study on SVM for fault diagnosis[J]. Journal of Vibration,Measurement & Diagnosis, 2001,21(4):258-262．

[13]胡壽松,王源.基于支持向量機(jī)的非線性系統(tǒng)故障診斷[J].控制與決策,2001,16(5):617-620.

Hu Shousong,Wang Yuan. Support vector machine based fault diagnosis for nonlinear dynamics systems[J]. Control and Decidion, 2001,16(5):617-620.

[14]李凌均,張周鎖,何正嘉.支持向量機(jī)在機(jī)械故障診斷中的應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用,2002,38(19):19-21.

Li Lingjun,Zhang Zhousuo,He Zhengjia. Application research on support vector machines in mechanical fault dagnosis[J]. Computer Engineering and Applications, 2002,38(19):19-21.

[15]任大林,隨修武,杜玉紅. 基于SVM的電火花加工參數(shù)優(yōu)化研究[J]. 機(jī)械科學(xué)與技術(shù),2014,33(8):1167-1171.

Ren Dalin,Sui Xiuwu,Du Yuhong. Study on the optimum processing parameter of EDM based on the SVM[J]. Mechanical Science and Technology for Aerospace Engineering, 2014,33(8):1167-1171.

[16]胡良謀,曹克強(qiáng),蘇新兵. 基于加權(quán)LS-SVM的非線性系統(tǒng)內(nèi)?？刂蒲芯縖J]. 機(jī)械科學(xué)與技術(shù), 2012,31(1):101-106.

Hu Liangmou,Cao Keqiang,Su Xinbing. Research on internal model control for nonlinear system based on weighted LS-SVM[J]. Mechanical Science and Technology， 2012,31(1):101-106.

[17]黃云云,楊曉翔,黃劍平.MCUSUM、MEWMA及HotellingT2控制圖的比較分析[J].現(xiàn)代制造技術(shù)與設(shè)備,2010,(3):64-65, 68.

Huang Yunyun,Yang Xiaoxiang,Huang Jianping. Comparisons of MCUSUM, MEWMA and HotellingT2control charts[J]. Modern Manufacturing Technology and Equipment, 2010,(3):64-65, 68.

(責(zé)任編輯 王衛(wèi)勛)

Research on fault diagnosis and pattern recognition method of printing machine paper feeding and transfer registers

XU Qianqian1, LIU Kai1, HOU Heping2, XU Zhuofei2

(1.Faculty of Mechanical and Precision Instrument Engineering, Xi’an University of Technology,Xi’an 710048,China; 2.Faculty of Printing, Packaging Engineering and Digital Media Technology,Xi’an University of Technology, Xi’an 710048,China)

For the effective processing of the multidimensional non-linear data of printing images to realize the fault diagnosis and pattern recognition of paper feeding and transfer, the fusion of HotellingT2control chart with PCA-SVM algorithm is suggested in this paper, which is used in the detection of printing machine paper deeding and transfer register. HotellingT2control chart is first drawn to identify the normal/abnormal state of printing machine operation, and then, principal component analysis is used to reduce the abnormal state data dimension so as to eliminate the redundant information; and at last, support vector machine is used to classify the recognition of fault types. The experiment results indicate that the method in this paper can effectively complete the classification recognition of printing machine paper feeding and paper transfer fault, whereby realizing the fault automatic diagnosis of printing machine.

image information; fault diagnosis; PCA; SVM; HotellingT2control chart

1006-4710(2015)04-0379-06

2015-01-26

國(guó)家自然科學(xué)基金資助項(xiàng)目(51305340, 51275406)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃資助項(xiàng)目(2013JM7009)；陜西省教育廳科學(xué)研究計(jì)劃資助項(xiàng)目(2013JK1030)。

徐倩倩，女，博士生，主要研究方向?yàn)橛∷C(jī)狀態(tài)監(jiān)測(cè)及故障診斷。E-mail:18700197780 @163.com。

劉凱，男，教授，博導(dǎo)，主要研究方向?yàn)楝F(xiàn)代傳動(dòng)技術(shù)、無(wú)極變速傳動(dòng)系統(tǒng)與車輛系統(tǒng)人機(jī)工程。E-mail: kliu@mail.xaut.edu.cn。

TS803.6

A