[发明专利]一种基于正常域的印刷装备关键部件状态识别方法

权利要求书

1.一种基于正常域估计的印刷装备关键部件状态识别方法，其特征在于，包括以下步骤：

1)采集正常运行状态数据，采集滚动轴承在正常运行状态时的振动加速度数据；

2)振动加速度数据的分段处理，将所采集到的振动加速度数据按固定的时间间隔t_I进行分段，划分得到的每个数据段将对应一个状态特征向量；

3)进行经验模式分解，得到每段数据的本征模函数分量后，由各个本征模函数分量构成本征模函数矩阵；

4)提取状态特征向量，在获得正常状态下的滚动轴承振动数据的本征模函数矩阵后，计算基于能量矩的特征指标值作为状态特征量；

5)进行正常域边界估计

(i)基于相似度权重动态调整的粒子群算法进行支持向量数据中核参数和惩罚系数的优化：

粒子群中第i个粒子由3个D维向量构成，则这3个向量分别为：

当前位置：x_i＝(x_i1,x_i2,...,x_iD)；

历史最优位置：p_i＝(p_i1,p_i2,...,p_iD)；

速度：v_i＝(v_i1,v_i2,...,v_i3)；

其中i＝1,2,...,n；

整个粒子群中搜索到的最好位置记为：p_g＝(p_g1,p_g2,...,p_gD)，引入惯性权重ω,每个粒子d维的速度及位置按照下式更新：

v_id＝ω·v_id+c₁·rand()·(p_id-x_id)+c₂·rand()·(p_gd-x_id)

x_id＝x_id+v_id

式中，加速度常数c₁≥0,c₂≥0，rand()是[0，1]范围内的随机函数，V_max为用户设定的最大速度，粒子的速度被限制在[-V_max,V_max]之间；

当粒子聚集在最优位置p_g附近时，使粒子i位置x_i按群体聚集度c(t)和该粒子与最优粒子p_g的相似度s(i,g)随机变异，利用下式计算两个粒子i和j之间的相似度：

s(i,j)=1,d(i,j)≤dmin1-[d(i,j)smax]α,dmin≤d(i,j)≤dmax0,d(i,j)≥dmax]]>

其中，d(i,j)为粒子i和j在空间中的欧式距离；参数d_max、d_min和α均为常数。

(ii)基于已经优化完成的参数，计算正常域单值边界：

超球体O由函数f(x,w)定义，半径为R，引入松弛因子ξ_i≥0,i＝1,2,...,n，限制条件为：

||x_i-a||²≤R²+ξ_i

则超球体满足：

minϵ(R,a,ξi)=R2+CΣiξi]]>

其中，C为惩罚参数；

使用α_i，γ_i，得到优化后的目标函数：

L(R,a,ξ,α,γ)=Σi=1nαi(xi·xj)-Σi=i=1,j=11nαiαj(xi·xj)]]>

求解得出α_i的最优解

计算球体半径：

R2=(xSV·xSV)-2Σi=1nαi(xi·xSV)+Σi=1,j=1nαiαj(xi·xj)]]>

计算测试点距离该超球体球心的广义距离Dz：

Dz2=||z-a||2=(z·z)-2Σi=1nαi(z·xSV)+Σi=1,j=1nαiαj(xi·xj)]]>

得到的距离Dz为正常域边界；

6)进行滚动轴承的隐患辨识：实时采集印刷装备上滚动轴承的振动加速度数据，经实施步骤2)～4)的处理可获得统计状态特征向量(即状态点)，将实时状态点与正常域边界进行对比，若状态点位于正常域边界内，则表示当前状态正常，若位于正常域边界外，则表示发生异常。

2.如权利要求1所述的基于正常域估计的印刷装备关键部件状态识别方法，其特征在于，步骤3)中经验模式分解的具体步骤包括：

①：设原始信号为x(t)，找出其所有局部极值点，将所有的局部极大值点和局部极小值点分别用三次样条曲线连接起来，得到x(t)的上、下包络线；

②：记上、下包络局部均值组成的序列为m₁，令

h₁(t)＝x(t)-m₁

③：判断h₁(t)是否满足上述IMF分量所需的两个条件，若不满足，则将其作为待处理信号，继续进行①、②两步，即

h₂(t)＝h₁(t)-m₂

如此重复k次，

h_k(t)＝h_k-1(t)-m_k

直至h_k(t)满足IMF分量的两个条件，记h_k(t)为

c₁(t)＝h_k(t)

得到第一个IMF分量c₁(t)，使用时，为终止使上述迭代过程，常选用相邻两个结果的标准差小于某一个值作为停止准则，SD定义为

SD=Σt=0T|hk-1(t)-hk(t)|2hk2(t)]]>

式中，T为信号长度，

④：将IMF分量从原始信号中分离出来，得

r₁(t)＝x(t)-c₁(t)

⑤：将r₁(t)作为新的原始信号，重复步骤①～④，可得到

r2(t)=r1(t)-c2(t)r3(t)=r2(t)-c3(t)...rn(t)=rn-1(t)-cn(t)]]>

当IMF分量c_n(t)小于某一阈值或r_n(t)变为单调函数时，停止分解过程，本文采用后者作为终止条件，

⑥：将④和⑤公式相加，得

x(t)=Σi=1nci(t)+rn(t)]]>

式中，r_n(t)为分解的残余量，表示信号的平均趋势。