印刷机故障诊断技术研究综述

印刷机故障诊断技术研究综述Review on fault diagnosis technology of printing presses邓 瑞1，徐卓飞1，侯和平1，张海燕1，黄 卿2DENG Rui 1, XU Zhuo-fei 1, HOU He-ping 1, ZHANG Hai-yan 1, HUANG Qing 2（1.西安理工大学 印刷包装与数字媒体学院，西安 710048；2.南充职业技术学院，南充 637000）摘 要：在简单介绍印刷机故障诊断技术的基础上，将目前印刷机故障诊断技术主要分为基于信号分析、基于知识处理、基于解析模型、基于印刷图像等4类，对每类印刷机故障诊断技术中的研究方法、应用现状及优缺点进行了详细分析，最后从组合型智能诊断技术、在-离线复合诊断技术、基于印刷画面多元特征分析诊断技术、全面多功能诊断技术4个方面，对印刷机状态监测和故障诊断技术有待解决的问题进行了分析与探讨，提出了印刷机故障诊断技术的发展趋势与研究方向。

关键词：印刷机；故障诊断技术；发展趋势中图分类号：TS803.6 文献标识码：A 文章编号：1009-0134(2018)05-0006-05收稿日期：2017-11-05基金项目：国家自然科学基金项目（51305340，51275406）；陕西省自然科学基础研究计划项目（2017JQ5012）；陕西 省教育厅科学研究计划专项项目（17JK0545）作者简介：邓瑞（1993 -），男，陕西宝鸡人，硕士研究生，研究方向为印刷设备故障诊断及系统仿真分析。

0 引言随着科学技术的不断进步和现代化工业的飞速发展，现代机械设备在交通、国防、能源和工业等领域应用广泛，并朝着高速度、高精度、高自动化和多功能化方向发展。

因此，设备发生故障的潜在可能性和故障形式也相应增加，关键设备一旦发生故障，将严重影响企业的生产效率。

如何确保机械设备在运行过程中保持安全平稳的状态，对机械故障诊断提出严峻挑战。

近年来，计算机技术、信号处理、模式识别等学科不断发展，机械设备故障诊断在理论知识和技术方法上不断创新，从最初的简易脱机诊断到现在的精密联网诊断，发展速度也越来越快，同时取得了显著的成果。

印刷业作为国民经济的重要组成部分，兼具加工工业和文化产业的双重属性。

我国已将印刷业列入“十三五”发展规划中，推动印刷业向“绿色化、数字化、智能化”发展，为实现印刷强国的目标奠定基础。

印刷业的飞速发展离不开印刷设备的支撑，印刷机作为印刷包装行业的核心设备，是印刷工艺方法完美实现的重要工具，其先进程度对印刷业的发展具有重大意义[1]。

印刷机是按一定印刷方式进行印品大量复制的半自动化、自动化专用机械，其种类繁多，结构复杂，集成度高，在文化传播、商业包装、货币证券等领域应用广泛。

随着现代社会文明的不断进步，人们对于印品质量的要求和期待也越来越高，在实际生产中印刷机一旦发生故障，势必会影响到生产效率和印品质量，造成巨大的经济损失[2～5]。

在印刷机故障中，机械故障占到了总体的60%，因此，准确的了解印刷机各部件运动规律及机器运行状态，并及时预测故障、发现故障、解决故障就显得十分重要。

现代状态监测和故障诊断技术快速发展并日趋完善，人们尝试将其应用于印刷包装设备领域，以寻求良好的技术支撑。

近年来，人们密切关注印刷机故障征兆，广泛深入地研究故障诊断方法，逐渐形成了以下几种印刷机故障诊断方法：基于信号分析、基于知识处理、基于解析模型、基于印刷图像等诊断技术和方法。

1 基于振动信号分析的印刷机故障诊断方法研究振动信号是机械故障诊断中最常用的方法，声音信号是一种特殊的振动信号。

印刷机在工作过程中，由于各部件之间的传动摩擦，一直伴随着振动的存在，振动信号特征与印刷机结构及其运动特性有着密切的联系。

当印刷机发生故障时，其振动信号也将发生变化，不同的故障原因对应着不同的信号特征，从复杂的信号中选出所需要的信号进行处理和分析，并从中提取相应的故障特征，从而得到故障类型。

随着传感器技术、计算机技术、信号处理技术的飞速发展，频谱分析、全息谱理论、傅里叶变换、Wigner-Ville 分布、小波和小波包分析等方法已经广泛地应用于印刷机故障诊断中，对于保证印刷机工作稳定性、可靠性、高效性意义重大。

国外学者对印刷机的故障信号进行了深入地研究，并取得了一系列成果。

G. B. Kulikov[6]从轮转印刷机的印刷单元入手，分析运动部件的振动特性，通过对振动信号处理得到振动与印刷图像间的关系；Y. Gritli[7]等对电机转子中的故障频率分量进行研究，提出了双滑动频率和离散小波变换的诊断方法，实现对故障信号的有效分析和特征提取，并通过仿真和实验验证了该方法的有效性；G. Betta[8]等针对旋转机械故障现象，利用在线系统进行机器振动信号采集及分析，结合软件和硬件系统建立故障模型，实现对故障的准确识别，通过实际测试证明该方法检测准确率高、误诊率低、诊断性能良好；K. Anshuman[9]利用瞬态振动数据的Hilbert-huang变换对机械模型进行状态监测，分别对健康及三种不同损坏状况下的模型从希尔伯特谱、单频联合时频分析、边缘希尔伯特谱和瞬时相位进行了分析，结果表明该方法能够在瞬态振动载荷下准确检测和定位损伤；Abdelrhman Ahmed M[10]等研究了FFT频谱和小波分析在诊断机械故障不同阶段、不同故障条件和不同摩擦强度时的诊断效果，利用小波分析方法对故障进行检测，结果表明振动频谱可以清晰地反映故障的位置和发展阶段。

在国外相关研究的基础上，国内关于信号分析的印刷机故障诊断理论中也出现了许多创新性的研究方法。

刘天雄[11]采集了印刷机工作过程中产生的噪声信号，以信号幅值作为主要参数，分别从时域、频域两个方面对信号进行分析，得到了不同故障状态下对应的故障频谱，并通过实验验证了该方法对于印刷机故障诊断的可靠性；付辉[12]对印刷机递纸轴进行振动测试，运用小波变换的多分辨分析（MAR）方法对振动信号进行多尺度分解，并对信号进行功率谱估计，从而确定振动冲击的频率范围；Peng Z K[13]等通过小波包变换（WPT）和固有模态函数（IMF）方法对希尔伯特-黄变换（HHT）进行改进，并使用改进的算法和基于小波变换的尺度谱方法在滚动轴承故障上检测，通过实验得到改进后的HHT具有较高的诊断率和计算速度；廖强[14]等利用优化后的多小波算法对故障信号进行后处理，将多个故障呈现在不同的通道中，实现复合故障的一次性提取，通过对包含有内圈和滚动体复合故障滚动轴承的振动信号进行分析，结果表明该方法是有效的；侯和平[15]等对印刷机滚动轴承故障信号进行拓延，利用经验模式获得本征模式分量并进行符号化序列研究，并计算符号化序列的符号熵，通过构建特征向量表征故障特性，最后结合模式分类方法实现了诊断；Li Y Y[16]等采集了胶印机墨辊轴承的声音信号，并构建声音信号的特征值，在计算不同频带声音信号故障贡献率的基础上建立了用于故障频率识别的听觉模型，通过结合印刷机声音信号的特征，将听觉模型用于印刷机故障诊断中，实验表明该方法是一种可行、有效的印刷机墨辊轴承故障诊断方法。

相关研究从不同的角度对印刷机振动信号进行了分析，实现了对单一故障的准确判断，但印刷机在运行过程中各机组间及运动部件的周期相同，可能产生同频和倍频信号，信号间相互干扰及耦合，导致信号分析处理难度加大。

振动信号的采集必须采用接触式测量，但在某些工况下并不能直接获取振动信号，同时信号在分析处理过程中的振动数据均为离线数据，并不是印刷机运行状态的实时反映。

因此，基于信号分析的印刷机故障诊断方法在实际应用中有一定的局限性，难以达到理想的诊断效果。

2 基于知识的印刷机故障诊断方法研究由于印刷工艺的特殊性以及纸张、油墨可变因素较大，导致产生故障的因素很多，有时一种故障现象的产生甚至对应着十几种故障原因，依靠维修人员进行故障诊断和排除已经满足不了现代化印刷的要求。

基于知识的印刷机故障诊断方法在借鉴人们长期实践经验和大量故障信息的基础上，与知识信息相结合，对于指导人们进行印刷机的快速维护和检修具有一定意义。

同时该方法不需要对象具有精确的数学模型，因此在印刷包装设备领域得到了广泛应用。

目前，比较成熟的诊断方法有：基于专家系统、基于模糊逻辑、基于故障树、基于案例推理、支持向量机、基于神经网络等。

国外学者针对印刷机的实际故障问题，从知识处理角度进行研究，取得了很好的效果。

R. Javadpour[17]等通过具体分析故障诊断环境，将机器振动数据作为样本信号输入神经元模型，并利用神经网络对模糊系统进行训练，同时将神经网络与模糊系统相结合，大大提高了故障诊断系统的预测精度；M. Kedadouche[18]等利用最小熵反褶积、经验模式分解和能量算子对轴承故障信号进行分析，该方法不仅可以有效提取故障轴承的特征频率及其相关谐波，还能够揭示故障的严重程度；M.F. Golnaraghi[19]等提出一种增强故障特征表示的方法，并利用循环网络神经和模糊神经对齿轮磨损、齿轮缺口和齿轮断裂三种故障进行测试分析，用实验证明了该理论的准确性，同时对于预测旋转机械的损伤传播趋势具有重要意义；S. Tyagi[20]等提出一种基于支持向量机（SVM）分类器来检测滚动轴承故障的分类技术，利用离散小波变换（DWT）在特征提取前对振动信号进行预处理，通过实验得到采用DWT预处理的振动信号提高了ANN（人工神经网络）和SVM分类的有效性。

国内学者在这方面也取得了一定研究成果。

考虑到印刷工艺的复杂性以及印刷故障原因的多样性，董朝阳[21]利用故障树分析法建立了几种常见印刷机故障的故障树，并结合模糊诊断理论建立了印刷机故障模糊诊断专家系统，赵楠[22]则针对印品的常见故障，建立其故障树，利用最小割集算法对故障树进行了定性分析，为印刷机故障诊断和结构优化提供了方向；Wang L J[23]针对设备故障的模糊性和复杂性，建立了基于模糊逻辑、神经网络和专家系统的故障诊断系统，并采用VB、MATLAB和Access数据库设计系统框架，研究结果表明该系统能快速、准确诊断故障；邓丽[24,25]等针对印刷行业故障检修网络化程度低的问题，设计了一种基于支持向量机（SVM）的印刷机远程网络故障诊断检测平台，采用Windows开发环境，通过传输端口将测试数据发送给远程服务站点，并存入本地数据库，从而不断扩充诊断知识库，最后通过支持向量机对印刷故障进行识别分类；同时针对印刷机结构故障样本缺乏的问题，提出一种基于模糊支持向量机（FSVM）的方法，从而实现印刷机故障快速诊断；Liu Y[26]等利用案例推理（CBR）技术建立了故障案例和故障征兆知识库，通过计算不同故障的权重，结合查询和推理技术设计了机械设备故障诊断系统；刘景艳[27]等针对传统BP神经网络诊断速度慢、精度低的缺点，有效结合遗传算法和Elman神经网络，并将其应用于齿轮箱故障诊断，仿真结果表明，该方法有效地提高了故障诊断的准确率。