基于畫面的印刷機輸紙及傳紙故障檢測識別方法

徐倩倩, 劉凱, 侯和平, 徐卓飛

(1.西安理工大學 機械與精密儀器工程學院，陜西 西安 710048;2.西安理工大學 印刷包裝與數字媒體學院，陜西 西安 710048)

基于畫面的印刷機輸紙及傳紙故障檢測識別方法

徐倩倩1, 劉凱1, 侯和平2, 徐卓飛2

(1.西安理工大學 機械與精密儀器工程學院，陜西 西安 710048;2.西安理工大學 印刷包裝與數字媒體學院，陜西 西安 710048)

為有效處理印刷圖像的高維非線性數據，實現基于印品圖像的紙張輸送和傳遞故障檢測與模式識別，結合HotellingT2控制圖對設備運行正常/異常狀態(tài)檢測的能力，提出HotellingT2控制圖與PCA-SVM算法的融合，并將其應用于印刷機輸紙、傳紙精度檢測中。首先繪制套印誤差的HotellingT2控制圖判斷設備運行狀態(tài)；然后應用主元分析對異常狀態(tài)數據降維，去除冗余信息；最后利用支持向量機對故障類型進行識別并分類。經實驗驗證，本方法高效地完成了印刷機的輸紙和傳紙故障的分類識別，有效實現了印刷機的自動化故障診斷。

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

在印刷過程中，紙張的準確輸送與傳遞是確保印刷質量的關鍵因素。由于此過程中涉及輸紙系統(tǒng)、印刷系統(tǒng)以及傳送系統(tǒng)的協(xié)同聯(lián)動，同一故障的產生原因復雜多樣，因此檢測識別紙張輸送故障難度很大。印刷圖像作為印刷機運行的最終產品，包含有大量的設備運行狀態(tài)信息，是印刷機故障檢測的重要信息來源[1]。然而現有基于圖像的印刷機故障診斷技術[2-4]多利用印刷過程中單一指標的控制圖判斷印刷過程是否處于穩(wěn)態(tài)狀態(tài)，因此無法全面分析高維非線性的紙張輸送數據信息。

PCA-SVM故障診斷技術已被廣泛地應用于機械故障診斷中，劉永斌等人[5-9]已將PCA-SVM技術應用到內燃機、模擬伺服閥、傳感器、汽輪機凝汽器及連續(xù)攪拌釜式反應器的故障診斷中，取得了良好的分類效果。由于直接應用主元分析方法對圖像故障數據進行處理時，PCA對所有的數據都進行了數據的預處理和降維處理，使得在實際生產過程中增大了數據處理的工作量，浪費了對正常數據處理所需要的時間，導致故障診斷效率降低。因此，本文提出多元HotellingT2控制圖與現有PCA-SVM的機械故障診斷技術在印刷機故障診斷中的融合應用，利用多元HotellingT2控制圖的狀態(tài)檢測能力對印刷過程進行異常檢測，并對異常狀態(tài)圖像數據進行PCA降維，將提取的圖像異常特征作為支持向量機的輸入變量，利用SVM對小樣本分類優(yōu)勢對故障類型進行模式識別，最終實現基于圖像的多變量印刷機故障診斷，提高印刷機故障診斷效率。

1 多元統(tǒng)計分析

多元統(tǒng)計過程控制是在單一變量統(tǒng)計過程控制的基礎上發(fā)展而來。相比于傳統(tǒng)過程質量控制(Statistical Process Control，SPC)，多元統(tǒng)計方法能夠有效處理大量相關數據，在短時間內提供大量的過程診斷信息，從而對多變量關聯(lián)的生產過程進行有效的監(jiān)測和診斷。

1.1 PCA-SVM故障診斷技術

基于PCA-SVM的故障診斷技術結合了PCA的數據處理能力[10]和SVM的小樣本分類能力[11-16]，主要分為兩個步驟：一是應用主元分析的數據降維方法將數據進行簡化提煉，得到新的主元；二是將主元作為支持向量機的輸入，通過對SVM訓練，對故障樣本進行故障類型識別。

假設X∈Rm×n、Xs是生產穩(wěn)定狀況下的運行數據及其標準化數據，按式(1)對Xs進行譜分解，文中選取累積方差貢獻率(Cumulative Percent Variance, CPV)來確定主元個數，將協(xié)方差矩陣的特征值從大到小排列，根據式(4)計算前k個特征值所占的累積比例，若達到閾值要求(一般為85%)，則主元數取k，并由式(3)計算新的主元yi。

(1)

(2)

(3)

式中,pi為特征向量，ti為譜分解系數，λi為特征向量對應的特征值，tki為主元得分系數，i=1,2,…,k。得到的主元Y相互獨立，且數據維數由n維降低到k維，降低了數據的復雜程度。

將計算得到的信號主元作為支持向量機的輸入，此時最優(yōu)超平面和最優(yōu)判別函數變?yōu)椋?/p>

(4)

(5)

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

1.2 多元統(tǒng)計控制圖的融合應用

在多元統(tǒng)計中，常用的監(jiān)控生產多質量指標的多元控制圖主要有HotellingT2、MCUSUM以及MEWMA控制圖。黃云云等[17]對這三種多元控制圖進行了比較分析，發(fā)現MEWMA控制圖適用于變量非相關或自相關過程，MCUSUM控制圖適用于監(jiān)測過程均值小偏移，HotellingT2控制圖適用于監(jiān)測過程均值大偏移。可以根據測量數據的特征進行選擇應用。

多元統(tǒng)計控制圖與PCA-SVM在印刷機故障診斷中的應用算法流程如圖1所示。多元統(tǒng)計控制圖的應用對設備運行狀態(tài)進行預檢測，因此PCA-SVM算法不需要對全部圖像數據進行復雜降維處理，這就有效使得印刷機的檢測故障的復雜度降低，從而提高效率，降低印刷機維護成本。

2 印刷機紙路故障診斷

由于輸紙和傳紙時，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)的運動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確、穩(wěn)定。實驗在山東某印刷設備制造有限公司進行，印刷時要求印刷線寬范圍是25～35μm。

通過實驗獲得輸紙穩(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(側規(guī)部分有了周向的擺動，抬起時間晚了)；A2(由于系統(tǒng)誤差較大導致兩次走紙時紙張到達前規(guī)時距離前規(guī)的中心線的距離不相同)；A3(拉規(guī)驅動軸內調整墊松動，使其產生軸向串動量)；A4(拉規(guī)螺絲松動，抬起落下的時間周期不準)。

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(擺動遞紙牙與壓印滾筒的叼紙牙的交接時間過短)；B3(色組間紙張交接時，咬牙之間有空檔，紙張失控)。

數據采集對象：HG58-4四色膠印機，用銅版紙幅面為580mm×410mm。

數據測量工具：GATF測量儀。

精度檢測標識：為盡量避免實驗過程中紙張伸縮變形產生的實驗誤差，檢測紙張咬口部位兩端標識。圖2(a)，在輸紙精度檢測過程中采取的是黑墨機組兩次走紙獲得的黑色套印標識；圖2(b)，在傳紙精度檢測過程中采取的是彩色套印標識，圖中不同顏色的檢測標識表示不同的色組，分別是青、品、黃三色油墨印刷的傳紙檢測標識，用來對不同色組進行檢測。檢測標識中，距離A表示軸向跳動，距離B表示周向跳動。

2.1 輸紙及傳紙故障Hotelling T2控制圖

以輸紙精度故障檢測中的一組穩(wěn)態(tài)數據為例，對穩(wěn)態(tài)數據分別進行多元T2控制圖繪制和PCA降維數據處理，并進行模式識別。在保證模式識別效果不變的情況下，得到穩(wěn)態(tài)數據的多元T2控制圖，繪制耗時為t1= 0.239 0s，PCA數據降維處理耗時為t2=0.433 0s。對比t1與t2可知多元T2控制圖的應用減少了穩(wěn)態(tài)數據的處理時間，同時多元控制圖的應用亦降低了后續(xù)SVM支持向量機模式分類的數據類型個數。因此，本文利用多元統(tǒng)計控制圖對檢測數據首先進行正常/異常狀態(tài)檢測。

1) 輸紙故障數據處理

針對4種輸紙故障，在連續(xù)500張印品中隨即選取100張印品，應用GATF測量儀測量印品咬口兩端印刷標識的周向和軸向套印誤差。由于印刷精度屬于計量值數據，為了體現出印品套印誤差的變化趨勢，將200組數據按照時間順序也就是印刷順序分成40組，計算子樣本每個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，相比于公司應用的GB/T3264-2005標準規(guī)定(輸紙誤差標準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) 傳紙故障數據處理

針對傳紙故障，同樣在連續(xù)500張印品中隨即選取100張印品，應用GATF測量儀測量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的數據矩陣。為了確保T2統(tǒng)計量的控制上限UCL>0，選取子樣本大小n=20，則樣本數據分為了10組。計算子樣本每個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標準規(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)分別計算子樣本數據的HotellingT2值以及輸紙故障數據T2統(tǒng)計量的控制上限UCL1=14.566；傳紙故障數據的T2統(tǒng)計量的控制上限UCL2=44.129。圖3為輸紙、傳紙故障的多元T2統(tǒng)計量控制圖。從圖可看出，輸紙穩(wěn)態(tài)數據處于統(tǒng)計量控制線內，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。根據點出界就判異的準則，多元T2正確檢測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k=3。計算出主元系數tki(i=1,2,…,k)見表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別

針對4類輸紙故障，從每個故障主元3×40數據集中選取第1～28組作為訓練樣本集，共構成大小為3×112的訓練數據矩陣。選擇徑向基核函數為核函數，經過模型訓練，網格搜索法確定徑向基核函數的參數c=1.624 50，懲罰因子g=0.615 57,參數選擇結果見圖5(a)。

針對三類傳紙故障，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模型的訓練數據集，利用交叉驗證法得到最優(yōu)參數：c=0.031 25，g=0.031 25，參數選擇結果見圖5(b)。

應用MATLAB軟件編程計算輸紙和傳紙故障的分類正確率percent均為1，說明支持向量機經過訓練完成參數c和g的選擇后，對驗證樣本進行了零錯誤分類?？梢姳疚奶岢龅姆椒▽τ赑CA方法的改進及在印刷機故障中的應用具有一定的可靠性。

3 結 論

針對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的融合應用方法，首先利用多元T2控制圖對印刷機輸紙及傳紙狀態(tài)進行異常檢測；然后應用PCA對故障樣本進行數據降維處理，去除冗余數據；最后利用SVM對小樣本數據分類優(yōu)勢對故障樣本類型進行分類識別。

本方法的優(yōu)勢在于：① 相比于印刷機現有單變量故障識別方法，本方法充分考慮了多變量數據信息中包含的故障狀態(tài)信息；② 多元T2控制圖的應用簡化了PCA與SVM的數據處理量，通過對比兩者對穩(wěn)態(tài)數據處理的耗時，發(fā)現在達到相同的模式識別效果基礎上，多元T2控制圖耗時明顯低于數據降維耗時，提高了故障診斷效率。

印刷機的輸紙及傳紙精度檢測實驗表明，多元T2控制圖與PCA-SVM的融合應用實現了基于圖像的多變量印刷機故障診斷，并取得了良好的模式識別效果，為印刷機故障診斷提供了一種新的有效方法。

[1]任玲輝,劉凱,張海燕.基于圖像處理技術的機械故障診斷研究進展[J].機械設計與研究,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)計過程控制(SPC)方法在印刷質量管理中的應用研究[D].武漢：武漢大學, 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[J].計算機工程,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的印刷機收紙故障診斷方法[J].計算機工程與應用,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的內燃機故障診斷[J].振動、測試與診斷,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.應用PCA-SVM對伺服閥進行故障診斷[J].自動化儀表,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用[J].數據采集與處理,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的汽輪機凝汽器過程監(jiān)控和故障診斷[J].中國電機工程學報,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]劉愛倫,袁小艷,俞金壽.基于KPCA-SVC的復雜過程故障診斷[J].儀器儀表學報,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)計過程監(jiān)控研究[D].杭州:浙江大學,2007.

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

[11]王凱,張永祥,李軍.基于支持向量機的齒輪故障診斷方法研究[J].振動與沖擊,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.應用于故障診斷的SVM理論研究[J].振動、測試與診斷,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.支持向量機在機械故障診斷中的應用研究[J].計算機工程與應用,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的電火花加工參數優(yōu)化研究[J]. 機械科學與技術,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,蘇新兵. 基于加權LS-SVM的非線性系統(tǒng)內?？刂蒲芯縖J]. 機械科學與技術, 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].現代制造技術與設備,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

國家自然科學基金資助項目(51305340, 51275406)；陜西省自然科學基礎研究計劃資助項目(2013JM7009)；陜西省教育廳科學研究計劃資助項目(2013JK1030)。

徐倩倩，女，博士生，主要研究方向為印刷機狀態(tài)監(jiān)測及故障診斷。E-mail:18700197780 @163.com。

劉凱，男，教授，博導，主要研究方向為現代傳動技術、無極變速傳動系統(tǒng)與車輛系統(tǒng)人機工程。E-mail: kliu@mail.xaut.edu.cn。

TS803.6

A