[发明专利]一种小样本下印刷机滚筒故障的智能诊断方法

说明书

本发明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。

技术领域

本发明属于机械设备故障诊断技术领域，涉及一种小样本下印刷机滚筒故障的智能诊断方法。

背景技术

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。

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。

发明内容

本发明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。

本发明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：

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。

本发明的特点还在于：

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。