一种小样本下印刷机滚筒故障的智能诊断方法技术

本发明专利技术公开了一种小样本下印刷机滚筒故障的智能诊断方法，该方法包括采集印刷机滚筒各种运行状态下的振动信号，并对组成的振动数据集合进行一维归一化预处理；构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型，并通过批次样本训练的方式训练生成对抗网络，优化模型参数，进而生成数据以扩充样本集；进行二维预处理，将扩充后的一维样本数据转化成二维灰度图；构建二维卷积神经网络模型，并输入扩充样本集训练二维卷积神经网络模型，模型参数优化后即可实现小样本下印刷机滚筒故障的智能诊断。本发明专利技术的智能诊断模型泛化能力和鲁棒性强，不受印刷机滚筒转速、承载力、强噪声等的影响。强噪声等的影响。强噪声等的影响。

An intelligent diagnosis method of printing press cylinder fault under small sample

【技术实现步骤摘要】
一种小样本下印刷机滚筒故障的智能诊断方法


[0001]本专利技术属于机械设备故障诊断
，涉及一种小样本下印刷机滚筒故障的智能诊断方法。

技术介绍

[0002]印刷业承载着传播文化和知识的重任，是一种具有悠久历史的产业，甚至成为一些国家和地区的支柱性产业之一。印刷机是完成印刷任务的核心设备，而印刷机滚筒是参与产品印刷的直接作用单元，其运行的稳定性将直接影响印刷生产的顺利进行。印刷机滚筒的主要零部件如转子、轴承、齿轮等，在高速、重载以及印刷油墨腐蚀性污染等工况下容易发生故障，其必然会影响产品印刷质量，产生巨大的经济损失，严重时甚至会发生安全事故。通过合适的方法及时、准确地诊断出印刷机滚筒的故障，为印刷机的装调维护奠定基础，有助于消除上述不利影响。因此，研究用于印刷机滚筒故障诊断方法具有重要的学术意义和工程价值。
[0003]传统的机械故障诊断方法侧重于人为地设计复杂的降噪、滤波和特征提取过程。这些过程既繁琐又不智能。此外，这种基于人主观分析的方法在强噪声和复杂工况下难以准确提取故障特征。随着信息技术的飞速发展，基于数据驱动的智能诊断方法在故障诊断领域得到了逐步的应用，它能很好地弥补传统故障诊断方法的不足。然而，基于数据驱动的智能诊断方法大多是基于大量的训练数据而成功运行的。在工程实际中，考虑到安全等因素，机械设备通常不允许在故障状态下运行，很难获得设备的故障信号。特别地，对于向着个性定制、小批量生产发展的印刷行业，测量得到的印刷机滚筒动态信号数量较少。因此，有必要针对印刷机滚筒故障，研究小样本下的智能诊断方法。

技术实现思路

[0004]本专利技术的目的是提供一种小样本下印刷机滚筒故障的智能诊断方法，解决了现有技术中存在的因样本数量过小导致基于数据驱动的诊断结果不准确的问题。
[0005]本专利技术所采用的技术方案是，一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，具体按照以下步骤实施：
[0006]步骤1、采集印刷机滚筒各种运行状态下的振动信号，并对振动信号组成的振动数据集合进行一维归一化预处理得到样本集；
[0007]步骤2、构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型；
[0008]步骤3、将样本集通过批次样本训练的方式训练条件生成对抗网络模型，优化模型参数，进而生成数据以扩充样本集得到扩充样本集；
[0009]步骤4、对扩充样本集进行二维预处理，从而将扩充后的一维样本数据转化成二维灰度图；
[0010]步骤5、构建二维卷积神经网络模型；
[0011]步骤6、训练二维卷积神经网络模型，模型参数优化后即可实现小样本下印刷机滚
筒故障的智能诊断。
[0012]本专利技术的特点还在于：
[0013]步骤1具体为，通过在印刷机滚筒关键位置布置传感器测量得到滚筒的振动信号，并对采集到的信号进行一维归一化预处理，其计算公式为：
[0014][0015]式中，x(k)表示采样样本中的第k个数据，x
min
和x
max
表示采集的振动信号的最大值和最小值，为一维归一化预处理后的第k个数据。
[0016]步骤2具体为，根据不同故障类别引入one
‑
hot标签信息作为条件信息同随机噪声输入生成器中，从而输出生成的振动信号样本；将一维归一化预处理后的真实振动信号样本和生成器生成的样本输入判别器中，从而输出生成样本属于真实样本的概率；条件生成对抗网络模型中生成器由三层全连接层组成，每层的神经元分别为256，512和1024；判别器由三层全连接层组成，每层的神经元分别为512，256和128；生成器和判别器的输出层的激活函数分别为tanh函数和sigmoid函数，其余层的激活函数为LeakyReLu函数。
[0017]步骤3具体为，每次选取120个样本进行训练，每个样本的信号长度为784，先初始化判别器和生成器的参数，生成器生成样本后固定生成器，训练判别器；对判别器更新5次后，固定判别器，更新生成器参数1次，训练生成器。
[0018]步骤4具体为，将扩充样本集进行二维预处理，将扩充后的一维样本数据X(k)转换成灰度值信号即
[0019][0020]式中，X
min
和X
max
分别表示生成样本数据的最小值和最大值，g表示取整，将灰度值信号按长度1
×
322截取成一系列一维灰度值向量，并将这些向量按尺度32
×
32组装成二维灰度值矩阵，即绘制成二维灰度图。
[0021]步骤5中二维卷积神经网络包含输入层、特征提取层以及分类层；特征提取层包含4层卷积层和2层池化层，最大池化层加入dropout机制；分类层由两个全连接层组成，第1个全连接层将所有特征矢量首尾连接组成一维向量，第2个全连接层的神经元个数与故障类别数目相同，利用Softmax回归分类器实现目标输出类别。
[0022]步骤6具体为，将扩充样本集以及与之对应的故障状态标签输入到构建的二维卷积神经网络模型中训练网络模型，优化模型参数，训练优化完成后即可实现小样本下印刷机滚筒故障的智能诊断。
[0023]本专利技术的有益效果是：本专利技术使用条件生成对抗网络通过生成器和判别器的对抗训练生成与真实样本数据具有相同统计特征数据，以扩充样本，从而解决原始样本不足的问题；本专利技术使用二维预处理将扩充的一维样本数据转化为二维灰度图，以全面地表达信号中所包含的信息，从而更便于进行特征提取；本专利技术使用二维卷积神经网络从输入的二维灰度图中提取敏感特征并由此实现印刷机滚筒故障的智能诊断，克服传统诊断方法对专家经验和知识的依赖；本专利技术结合一维预处理、条件生成对抗网络、二维预处理和二维卷积
神经网络，能够有效地在小样本数据下实现印刷机滚筒故障的智能诊断；本专利技术的智能诊断模型泛化能力和鲁棒性强，不受印刷机滚筒转速、承载力、强噪声等的影响。
附图说明
[0024]图1为本专利技术一种小样本下印刷机滚筒故障的智能诊断方法的流程图；
[0025]图2为本专利技术一种小样本下印刷机滚筒故障的智能诊断方法的网络结构图；
[0026]图3为本专利技术一个实施例的印刷机滚筒轴承故障诊断的混淆矩阵图；
[0027]图4为本专利技术一个实施例的诊断准确率与其它方法的准确率的对比图。
具体实施方式
[0028]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0029]本专利技术一种小样本下印刷机滚筒故障的智能诊断方法，如图1所示，具体按照以下步骤实施：
[0030]步骤1、采集印刷机滚筒各种运行状态下的振动信号，并对组成的振动数据集合进行一维归一化预处理；
[0031]通过在印刷机滚筒关键位置布置传感器测量得到滚筒的振动信号，并对采集到的信号进行一维归一化预处理，其计算公式为：
[0032][0033]式中，x(k)表示采样样本中的第k个数据，x
min
和x
max
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，具体按照以下步骤实施：步骤1、采集印刷机滚筒各种运行状态下的振动信号，并对振动信号组成的振动数据集合进行一维归一化预处理得到样本集；步骤2、构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型；步骤3、将样本集通过批次样本训练的方式训练条件生成对抗网络模型，优化模型参数，进而生成数据以扩充样本集得到扩充样本集；步骤4、对扩充样本集进行二维预处理，从而将扩充后的一维样本数据转化成二维灰度图；步骤5、构建二维卷积神经网络模型；步骤6、训练二维卷积神经网络模型，模型参数优化后即可实现小样本下印刷机滚筒故障的智能诊断。2.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤1具体为，通过在印刷机滚筒关键位置布置传感器测量得到滚筒的振动信号，并对采集到的信号进行一维归一化预处理，其计算公式为：式中，x(k)表示采样样本中的第k个数据，x
min
和x
max
表示采集的振动信号的最大值和最小值，为一维归一化预处理后的第k个数据。3.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤2具体为，根据不同故障类别引入one
‑
hot标签信息作为条件信息同随机噪声输入生成器中，从而输出生成的振动信号样本；将一维归一化预处理后的真实振动信号样本和生成器生成的样本输入判别器中，从而输出生成样本属于真实样本的概率；条件生成对抗网络模型中生成器由三层全连接层组成，每层的神经元分别为256，512和1024；判别器由三层全连接层组成，每层的神经元分别为512，256和128；生成器和判别器的输出层的激活函数分别为...

【专利技术属性】
技术研发人员：刘杰，丁天淇，王昌达，胡兵兵，逯丹凤，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：