印刷機故障診斷技術研究綜述

0 引言

隨著科學技術的不斷進步和現代化工業的飛速發展，現代機械設備在交通、國防、能源和工業等領域應用廣泛，并朝著高速度、高精度、高自動化和多功能化方向發展。因此，設備發生故障的潛在可能性和故障形式也相應增加，關鍵設備一旦發生故障，將嚴重影響企業的生產效率。如何確保機械設備在運行過程中保持安全平穩的狀態，對機械故障診斷提出嚴峻挑戰。近年來，計算機技術、信號處理、模式識別等學科不斷發展，機械設備故障診斷在理論知識和技術方法上不斷創新，從最初的簡易脫機診斷到現在的精密聯網診斷，發展速度也越來越快，同時取得了顯著的成果。

印刷業作為國民經濟的重要組成部分，兼具加工工業和文化產業的雙重屬性。我國已將印刷業列入“十三五”發展規劃中，推動印刷業向“綠色化、數字化、智能化”發展，為實現印刷強國的目標奠定基礎。印刷業的飛速發展離不開印刷設備的支撐，印刷機作為印刷包裝行業的核心設備，是印刷工藝方法完美實現的重要工具，其先進程度對印刷業的發展具有重大意義[1]。

印刷機是按一定印刷方式進行印品大量復制的半自動化、自動化專用機械，其種類繁多，結構復雜，集成度高，在文化傳播、商業包裝、貨幣證券等領域應用廣泛。隨著現代社會文明的不斷進步，人們對于印品質量的要求和期待也越來越高，在實際生產中印刷機一旦發生故障，勢必會影響到生產效率和印品質量，造成巨大的經濟損失[2～5]。在印刷機故障中，機械故障占到了總體的60%，因此，準確的了解印刷機各部件運動規律及機器運行狀態，并及時預測故障、發現故障、解決故障就顯得十分重要。

現代狀態監測和故障診斷技術快速發展并日趨完善，人們嘗試將其應用于印刷包裝設備領域，以尋求良好的技術支撐。近年來，人們密切關注印刷機故障征兆，廣泛深入地研究故障診斷方法，逐漸形成了以下幾種印刷機故障診斷方法：基于信號分析、基于知識處理、基于解析模型、基于印刷圖像等診斷技術和方法。

1 基于振動信號分析的印刷機故障診斷方法研究

振動信號是機械故障診斷中最常用的方法，聲音信號是一種特殊的振動信號。印刷機在工作過程中，由于各部件之間的傳動摩擦，一直伴隨著振動的存在，振動信號特征與印刷機結構及其運動特性有著密切的聯系。當印刷機發生故障時，其振動信號也將發生變化，不同的故障原因對應著不同的信號特征，從復雜的信號中選出所需要的信號進行處理和分析，并從中提取相應的故障特征，從而得到故障類型。隨著傳感器技術、計算機技術、信號處理技術的飛速發展，頻譜分析、全息譜理論、傅里葉變換、Wigner-Ville分布、小波和小波包分析等方法已經廣泛地應用于印刷機故障診斷中，對于保證印刷機工作穩定性、可靠性、高效性意義重大。

國外學者對印刷機的故障信號進行了深入地研究，并取得了一系列成果。G. B. Kulikov[6]從輪轉印刷機的印刷單元入手，分析運動部件的振動特性，通過對振動信號處理得到振動與印刷圖像間的關系；Y. Gritli[7]等對電機轉子中的故障頻率分量進行研究，提出了雙滑動頻率和離散小波變換的診斷方法，實現對故障信號的有效分析和特征提取，并通過仿真和實驗驗證了該方法的有效性；G. Betta[8]等針對旋轉機械故障現象，利用在線系統進行機器振動信號采集及分析，結合軟件和硬件系統建立故障模型，實現對故障的準確識別，通過實際測試證明該方法檢測準確率高、誤診率低、診斷性能良好；K. Anshuman[9]利用瞬態振動數據的Hilbert-huang變換對機械模型進行狀態監測，分別對健康及三種不同損壞狀況下的模型從希爾伯特譜、單頻聯合時頻分析、邊緣希爾伯特譜和瞬時相位進行了分析，結果表明該方法能夠在瞬態振動載荷下準確檢測和定位損傷；Abdelrhman Ahmed M[10]等研究了FFT頻譜和小波分析在診斷機械故障不同階段、不同故障條件和不同摩擦強度時的診斷效果，利用小波分析方法對故障進行檢測，結果表明振動頻譜可以清晰地反映故障的位置和發展階段。

在國外相關研究的基礎上，國內關于信號分析的印刷機故障診斷理論中也出現了許多創新性的研究方法。劉天雄[11]采集了印刷機工作過程中產生的噪聲信號，以信號幅值作為主要參數，分別從時域、頻域兩個方面對信號進行分析，得到了不同故障狀態下對應的故障頻譜，并通過實驗驗證了該方法對于印刷機故障診斷的可靠性；付輝[12]對印刷機遞紙軸進行振動測試，運用小波變換的多分辨分析（MAR）方法對振動信號進行多尺度分解，并對信號進行功率譜估計，從而確定振動沖擊的頻率范圍；Peng Z K[13]等通過小波包變換（WPT）和固有模態函數（IMF）方法對希爾伯特-黃變換（HHT）進行改進，并使用改進的算法和基于小波變換的尺度譜方法在滾動軸承故障上檢測，通過實驗得到改進后的HHT具有較高的診斷率和計算速度；廖強[14]等利用優化后的多小波算法對故障信號進行后處理，將多個故障呈現在不同的通道中，實現復合故障的一次性提取，通過對包含有內圈和滾動體復合故障滾動軸承的振動信號進行分析，結果表明該方法是有效的；侯和平[15]等對印刷機滾動軸承故障信號進行拓延，利用經驗模式獲得本征模式分量并進行符號化序列研究，并計算符號化序列的符號熵，通過構建特征向量表征故障特性，最后結合模式分類方法實現了診斷；Li Y Y[16]等采集了膠印機墨輥軸承的聲音信號，并構建聲音信號的特征值，在計算不同頻帶聲音信號故障貢獻率的基礎上建立了用于故障頻率識別的聽覺模型，通過結合印刷機聲音信號的特征，將聽覺模型用于印刷機故障診斷中，實驗表明該方法是一種可行、有效的印刷機墨輥軸承故障診斷方法。

相關研究從不同的角度對印刷機振動信號進行了分析，實現了對單一故障的準確判斷，但印刷機在運行過程中各機組間及運動部件的周期相同，可能產生同頻和倍頻信號，信號間相互干擾及耦合，導致信號分析處理難度加大。振動信號的采集必須采用接觸式測量，但在某些工況下并不能直接獲取振動信號，同時信號在分析處理過程中的振動數據均為離線數據，并不是印刷機運行狀態的實時反映。因此，基于信號分析的印刷機故障診斷方法在實際應用中有一定的局限性，難以達到理想的診斷效果。

2 基于知識的印刷機故障診斷方法研究

由于印刷工藝的特殊性以及紙張、油墨可變因素較大，導致產生故障的因素很多，有時一種故障現象的產生甚至對應著十幾種故障原因，依靠維修人員進行故障診斷和排除已經滿足不了現代化印刷的要求。基于知識的印刷機故障診斷方法在借鑒人們長期實踐經驗和大量故障信息的基礎上，與知識信息相結合，對于指導人們進行印刷機的快速維護和檢修具有一定意義。同時該方法不需要對象具有精確的數學模型，因此在印刷包裝設備領域得到了廣泛應用。目前，比較成熟的診斷方法有：基于專家系統、基于模糊邏輯、基于故障樹、基于案例推理、支持向量機、基于神經網絡等。

國外學者針對印刷機的實際故障問題，從知識處理角度進行研究，取得了很好的效果。R. Javadpour[17]等通過具體分析故障診斷環境，將機器振動數據作為樣本信號輸入神經元模型，并利用神經網絡對模糊系統進行訓練，同時將神經網絡與模糊系統相結合，大大提高了故障診斷系統的預測精度；M. Kedadouche[18]等利用最小熵反褶積、經驗模式分解和能量算子對軸承故障信號進行分析，該方法不僅可以有效提取故障軸承的特征頻率及其相關諧波，還能夠揭示故障的嚴重程度；M.F. Golnaraghi[19]等提出一種增強故障特征表示的方法，并利用循環網絡神經和模糊神經對齒輪磨損、齒輪缺口和齒輪斷裂三種故障進行測試分析，用實驗證明了該理論的準確性，同時對于預測旋轉機械的損傷傳播趨勢具有重要意義；S. Tyagi[20]等提出一種基于支持向量機（SVM）分類器來檢測滾動軸承故障的分類技術，利用離散小波變換（DWT）在特征提取前對振動信號進行預處理，通過實驗得到采用DWT預處理的振動信號提高了ANN（人工神經網絡）和SVM分類的有效性。

國內學者在這方面也取得了一定研究成果?？紤]到印刷工藝的復雜性以及印刷故障原因的多樣性，董朝陽[21]利用故障樹分析法建立了幾種常見印刷機故障的故障樹，并結合模糊診斷理論建立了印刷機故障模糊診斷專家系統，趙楠[22]則針對印品的常見故障，建立其故障樹，利用最小割集算法對故障樹進行了定性分析，為印刷機故障診斷和結構優化提供了方向；Wang L J[23]針對設備故障的模糊性和復雜性，建立了基于模糊邏輯、神經網絡和專家系統的故障診斷系統，并采用VB、MATLAB和Access數據庫設計系統框架，研究結果表明該系統能快速、準確診斷故障；鄧麗[24,25]等針對印刷行業故障檢修網絡化程度低的問題，設計了一種基于支持向量機（SVM）的印刷機遠程網絡故障診斷檢測平臺，采用Windows開發環境，通過傳輸端口將測試數據發送給遠程服務站點，并存入本地數據庫，從而不斷擴充診斷知識庫，最后通過支持向量機對印刷故障進行識別分類；同時針對印刷機結構故障樣本缺乏的問題，提出一種基于模糊支持向量機（FSVM）的方法，從而實現印刷機故障快速診斷；Liu Y[26]等利用案例推理（CBR）技術建立了故障案例和故障征兆知識庫，通過計算不同故障的權重，結合查詢和推理技術設計了機械設備故障診斷系統；劉景艷[27]等針對傳統BP神經網絡診斷速度慢、精度低的缺點，有效結合遺傳算法和Elman神經網絡，并將其應用于齒輪箱故障診斷，仿真結果表明，該方法有效地提高了故障診斷的準確率。

基于知識的印刷機故障診斷方法在一定程度上解決了印刷機的簡單故障，但知識有淺知識和深知識之分，對于由多因素引起的綜合故障專家系統的診斷率則較低；對于新產生的、復雜故障，基于案例推理的方法則會受到限制；同時局限于印刷機故障樣本缺乏，神經網絡方法診斷準確率在一定程度上受到了影響。以上研究方法并沒有真正走出傳統故障診斷的范疇，從而限制了此類方法在印刷機上的進一步應用。隨著人工智能、模式識別技術的不斷發展，模糊邏輯、神經網絡等技術依舊是印刷機故障診斷領域研究的熱點。

3 基于解析模型的印刷機故障診斷方法研究

借助現代控制理論和優化方法的優點，基于模型的印刷機診斷方法能夠實現對系統運行時動態環境的準確觀測和有效評估，同時對系統本質規律進行定量分析，在考慮系統潛在信息的基礎上挖掘出故障信息，及時發現早期故障，避免造成重大損失。相關學者從解析模型入手開展了相關研究，并取得了一定成果。Liu T[28]等針對軸承故障提出了一種基于核主成分分析法（KPCA）和耦合隱馬爾可夫模型（CHMM）的軸承故障診斷方法，通過對軸承各通道振動信號進行特征提取，采用KPCA對各特征向量進行特征約減以獲取主要信息成分，最后利用CHMM對多通道信息進行融合和故障診斷，實驗結果表明該方法能夠更加有效地診斷軸承故障；樊巍[29]等對滾動軸承振動信號進行分幀處理，通過小波包方法得到信號特征參數，再由主成分分析法進行降維處理，利用少量訓練樣本對離散隱馬爾科夫模型（DHMM）進行訓練，實現了印刷機狀態的有效監測；李志農[30]針對傳統隱Markov模型（HMM）在機械故障診斷中的不足，提出了以譜峭度為特征提取、i HMM為識別器的基于無限隱馬爾可夫模型（i HMM）的方法，并利用最大似然估計來確定設備運轉中出現的故障類型，實驗結果表明該方法能夠自適應確定模型中隱藏狀態數和模型數學結構，具有明顯的優越性；蔣宇[31]等采集齒輪正常、早期裂紋與磨損三種狀態下的振動信號，應用時序AR模型將參數指標作為判斷依據，實現了三種故障模式的分類和判斷；董洪波[32]為解決旋轉結構中多裂紋的定量識別問題，利用小波有限元模型求得不同裂紋轉子的固有頻率，借助曲面擬合技術建立轉子數據庫，仿真證明該方法對轉子多裂紋能夠有效識別；Yuan H F[33]等通過使用混合核函數主元分析法和粗糙集對信號時域、頻域參數進行約簡并構造特征參數矩陣，應用遺傳算法優化離散隱馬爾科夫模型（DHMM），同時得到滾動軸承各狀態下的DHMM，通過比較測試樣本在各DHMM下的對數似然概率，實現對軸承故障類型的識別，實驗結果表明該診斷方法具有較強的適用性。

基于模型的印刷機故障診斷方法的前提是建立系統合理正確的解析模型，由于印刷機系統結構及運動規律比較復雜，有時無法建立與系統精度要求相匹配的模型，若系統模型過度簡化則會直接影響到故障診斷率。因此基于模型的診斷方法對易于建立模型的印刷機簡單部件具有較好的診斷效果，但在印刷機整機狀態監測及故障診斷過程中存在不足。

4 基于印刷圖像的印刷機故障診斷方法研究

相對于其他機械設備，印刷機最顯著的特征在于印刷品的生產：印刷機工作的最終目標是獲得高質量的印刷品，印刷品中不僅包含豐富的印刷圖文信息，還包含印刷機工作狀態的相關信息，可以說印刷圖像與印刷機的工作狀態有著緊密的聯系。隨著機器視覺的飛速發展，圖像處理技術理論和方法日趨成熟，并在機械設備狀態監測和故障診斷等領域得到了廣泛地應用。基于印刷圖像的印刷機故障診斷方法靈活多變，利用逆向推理進行故障研究，并進行有效診斷。從印刷品的角度入手對印刷機進行故障診斷，不僅極大地豐富了故障信息的來源，同時也為印刷機故障診斷提供了新思路。

圖像信息是一種重要的故障信息存在形式，圖像處理技術可以挖掘人眼無法識別的信息和規律，并對其中蘊含的狀態特征進行提取，以實現印刷機的故障診斷。一些學者采用基于印刷圖像處理的診斷方法，進行了印刷機的診斷理論及應用研究。任玲輝[34]針對目前印刷機故障診斷特征單一、精度低等問題，研究了彩色印刷圖像故障特征及對應故障間的映射關系，提出基于圖像邊緣距離共生矩陣的全畫面印刷套印特征提取方法，并開發了精度檢測儀器及檢測系統，通過實驗證明了該系統的有效性；Xu Z F[35]等提出了一種基于紋理分析的墨杠檢測方法，即提取墨杠中所包含的紋理特征，建立紋理圖像數據庫，利用高速CCD采集待檢測印刷圖像，得到缺陷圖像后求其紋理特征，通過紋理特征比對分析墨杠產生的原因；Bai X Q[36]等對印刷機不同故障引起的不同畫面特征進行分析，利用灰度共生矩陣提取數據、主成分分析法處理數據，設計了基于印刷畫面信息的印刷機故障診斷系統，并通過實驗驗證了診斷系統的可用性；徐卓飛[37]等提出一種基于畫面分析的機械故障診斷方法，用于印刷機械中印刷單元的故障模式分類，通過多元統計方法分析了印刷單元6類故障與特征集的映射關系，依靠畫面特征實現了故障類別判斷，為印刷機維護提供了新的理論和方法；Duan L[38]等針對紅外圖像分析的不足，提出一種圖像分割方法來提高紅外圖像分析中的特征提取，并使用特征提取和融合方法獲得特征，通過采用樸素貝葉斯分類器和支持向量機證明了該方法對于特征提取的優越性。

基于印刷圖像處理的印刷機故障診斷方法，對于一些基本故障具有較好的識別效果，但是印刷圖像畫面中包含了極其豐富的特征信息，包括紋理、形狀、顏色等相關特征，這些特征是印刷過程中多因素相互作用及多種故障耦合的結果，只有去除掉冗余信息，有效地挖掘出故障特征信息，才能合理地構建特征集與故障模式之間的對應關系。借助圖像識別技術，不斷提高圖像識別程度，對于豐富印刷機故障診斷理論具有非常重要的意義。

5 結論及展望

近年來，計算機技術、控制理論、信號處理、人工智能、模式識別等技術飛速發展，現代印刷機已經發展成為高精密和高效自動化的“機、電、光、液、氣”一體化設備，如何有效提高印刷機可靠性和穩定性已成為行業急需解決的核心問題。目前不斷完善的印刷機狀態監測與故障診斷技術將在印刷機生產、裝配、調試、出廠等各個環節發揮作用，并在印刷生產過程中及時預測、發現并有效判斷故障的種類和位置，極大地減少了廢品產生帶來的環境污染和設備維護帶來了經濟損失，顯著的提高了生產效率和資源利用率[39]。本文對目前現有的印刷機狀態監測與故障診斷技術進行了系統介紹和分析，并結合印刷機實際應用中出現的故障情況，認為印刷機故障診斷技術具有如下趨勢：

1）目前印刷機故障數據獲取大多采用離線系統，因此采集到的振動數據信息并不是印刷機故障狀態的真實反映，不能很好的描述故障動態演化及其發展趨勢。在線數據能夠反映印刷機的最新動態，實時在線系統可以對印刷機自動巡檢診斷，同時實現故障數據的網絡共享，有效地促進了診斷方法的實時更新?；谠诰€系統實時動態監測下的有效數據分析，能夠充分反映印刷機工作狀態并及時發現早期微弱故障，并正確給出故障狀態變化的量化描述，從而實現故障快速有效的診斷和解決。

2）為了更好的解決印刷機高精密、高速度、高自動化發展趨勢與印刷機穩定性及診斷率之間的諸多矛盾，印刷機故障診斷技術已經從原來的簡易單一診斷向組合型智能診斷發展，即將幾種不同的診斷方法集成到一起，目前比較成熟的結合方式主要有基于規則的專家系統與神經網絡系統和模糊數學結合，卷積神經網絡與實例推理的結合，在提高專家系統學習能力的同時，便于神經網絡處理的模糊知識的表達方式等。這些結合方式實現了多種診斷方法的融合與優勢互補，從而全面提高診斷方法的敏感性、魯棒性和準確性。

3）印刷品的缺陷信息是印刷機故障診斷的重要依據，但是印刷圖像中不僅包含了故障信息，還包含海量的過程數據，而有用的信息往往被淹沒其中，不易被直接發現，如果能夠引入圖像識別技術，對于進一步挖掘故障特征至關重要。同時印刷機作為一種結構復雜的過程生產設備，不同故障對應有不同的表現形式，僅僅依靠印刷圖像上的單一信息很難做到印刷機的全面診斷，因此借助信息融合技術，從印刷畫面入手構建不同信息的多元特征集，并對其進行有效評價與分析，提高融合信息特征的有效性和可靠性，對于復雜故障下印刷機故障診斷具有重大意義。

4）隨著印刷機狀態監測故障診斷技術的深入研究，診斷系統將越來越綜合化，由過去單純地監測和診斷，向今后集監控、測試、預測、診斷、隔離、定位、控制、保護、管理和訓練于一體的綜合化診斷系統方向邁進，這將是今后故障診斷技術重點研究的方向。

參考文獻：

[1]何正嘉,陳進,王太勇,等.機械故障診斷理論及應用[M].北京:高等教育出版社,2010.

[2]成剛虎.印刷機械[M].北京:印刷工業出版社,2007.

[3]李紅衛,楊東升,孫一蘭,等.智能故障診斷技術研究綜述與展望[J].計算機工程與設計,2013,34(2):632-637.

[4]譚巨興,張清華,王欽若,等.旋轉機械設備智能故障診斷方法的研究[J].工業控制計算機,2016,29(1):36-38.

[5]韓曉良.我國印刷機械制造業發展概況[J].今日印刷,2003,(1):2-4.

[6]G.B. Kulikov. Diagnosing causes of increased vibration of printing units of tower rotary printing press[J].Journal of Machinery Manufacture & Reliability.2008,37(4):391-396.

[7]Gritli Y,Rossi C,Zarri L,et al. Double frequency sliding and wavelet analysis for rotor fault diagnosis in induction motors under time-varying operating condition[J].IEEE International Symposium on Diagnostics for Electric Machines,2011:676-683.

[8].G.Betta, Liguori C,Paolillo A,et al. A DSP-based FFT-analyzer for the fault diagnosis of rotating machine based on vibration analysis[J].IEEE Transactions on Instrumentation &Measurement,2002,51(6):1316-1322.

[9]. Anshuman Kunwar，Ratneshwar J，Matthew Whelan，et al.Damage detection in an experimental bridge model using Hilbert-Huang transform of transient vibrations[J].Structural Control &Health Monitoring,2013,20(1):1-15.

[10].AbdelrhmanA M,Salman L M,Lim M H,et al.Vibration Analysis of Multi Stages Rotor for Blade Faults Diagnosis[J].Advanced Materials Research,2014,845:133-137.

[11]劉天雄.印刷機械狀態監測與故障早期診斷[J].今日印刷,1998,(6):99-102.

[12]付輝.基于小波變換的印刷機遞紙機構振動信號的研究[J].工程技術研究,2017,(1):77-78.

[13]Z.K. Peng, P.W. Tse, F.L.Chu A comparison study of improved Hilbert-Huang transform and wavelet transform: Application to fault diagnosis for rolling bearing[J].Mechanical Systems & Signal Processing,2005,19(5):974-988.

[14]廖強,李迅波,陳勇強.自適應冗余提升多小波包在滾動軸承復合故障診斷中的應用[J].機械設計與制造,2015,(6):21-24.

[15]侯和平,徐卓飛,劉凱.基于本征模式分量符號化分析的滾動軸承故障診斷方法研究[J].機械強度,2016,38(5):916-921.

[16]Li Y Y, Zhang H Y, Xu Z F,et al. Diagnosis Method of Presses Bearing Based on Acoustic Signal and Spectrum Analysis[A].2016 China Academic Conference on Printing，Packaging Engineering and Media Technology[C]. Xi’an ,China,2016.

[17]Javadpour Roya，Knapp G M.A fuzzy neural network approach to machine condition monitoring[J].Computers & Industrial Engineering,2003,45(2):323-330.

[18]Kedadouche M，Thomas M，Tahan A. Monitoring Machines by Using a Hybrid Method Combining MED, EMD, and TKEO[J].Advances in Acoustics and Vibration,2014:1-10.

[19]Wilson Q. Wang，M.F.Golnaraghi,F.Ismail. Prognosis of machine health condition using neuro-fuzzy systems[J].Mechanical Systems & Signal Processing,2004,18(4):813-83.

[20]Sunil Tyagi，PanigrahiS K.A DWT and SVM based method for rolling element bearing fault diagnosis and its comparison with Artificial Neural Networks[J].Journal of Applied and Computational Mechanics,2017,3(1):80-91.

[21]董朝陽,成剛虎.印刷機故障診斷專家系統的研究開發[J].西安理工大學學報,2001,6:126-128.

[22]趙楠,成剛虎,劉國棟.淺談印刷機故障診斷技術[J].今日印刷,2006,(7):85-87.

[23]Wang Lijun. Application on Fuzzy Neural Network Expert System in Fault Diagnosis[J].Journal of Chongqing Jiaotong University,2012,31(3):469-472.

[24]鄧麗,王愛萍,王海寬,等.基于支持向量機的印刷機遠程故障診斷監測平臺設計[J].測控技術,2014,33(10):39-42.

[25]鄧麗,王愛萍,王海寬,等.模糊支持向量機在印刷機故障診斷中的應用研究[J].自動化儀表,2015,36(3):9-12.

[26]Liu Y.Wang H. Application of CBR on fault diagnosis of mechanical equipment[J].Electronic Design Engineering,2011:1-4.

[27]劉景艷,李玉東,郭順京.基于Elman神經網絡的齒輪箱故障診斷[J].工礦自動化,2016,8:47-51.

[28]LIU Tao , CHEN Jin , DONG Guang-ming. Application of KPCA and coupled hidden Markov model in bearing fault diagnosis[J].Journal of Vibration & Shock,2014,33(21):85-89.

[29]樊巍,傅攀,鄭晴晴.基于DHMM的滾動軸承故障診斷[J].機械工程與自動化,2015,4:132-133,136.

[30]李志農,柳寶,侯娟.基于無限隱Markov模型的旋轉機械故障診斷方法研究[J].儀器儀表學報,2016,37(10):2185-2192.

[31]蔣宇.李志雄.利用時序模型參數指標的齒輪故障診斷研究[J].現代制造工程,2009,(6):126-128.

[32]董洪波.基于小波有限元模型的轉子多裂紋識別方法[J].遼寧工程技術大學學報(自然科學版),2013,(5):592-596.

[33]Yuan H F，ChenJ，WangH Q. InteUigent Fault Diagnosis Based on GA-DHMM and KPCA-RS of Rolling Bearing[J].Measurement & Control Technology,2014,33(11):21-24.

[34]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.

[35]Xu Zhuofei，Zhang Haiyan，Ren Linghui. A Fault Diagnosis Method for the Roller-Marks in Offset Printing Machine Based on Texture Recognition[J]. Applied Mechanics &Materials,2013,262:361-366.

[36]Bai Xueqian，Zhang Haiyan，Chun Weibo，et al.A Method of Printing Press Fault Diagnosis Based on Image Texture Information[J].Lecture Notes in Electrical Engineering,2017,417:837-843.

[37]徐卓飛,張海燕,宋希龍,等.基于多元圖像特征分析的印刷單元故障診斷方法[J].包裝工程,2015,36(7):78-83.

[38]Duan L，Yao M，Wang J，et al. Segmented Infrared Image Analysis for Rotating Machinery Fault Diagnosis[J].Infrared Physics & Technology,2016,77:267-276.

[39]聞新,張興旺,朱亞萍,等.智能故障診斷技術-MATLAB應用[M].北京:北京航空航天大學出版社,2015.