本发明属于印刷包装设备状态监测与故障智能诊断技术领域，具体涉及一种基于三维谱图分析的胶印机墨辊故障诊断方法。
背景技术：
印刷行业在整个社会的发展中占据着重要地位，印刷与人们的生活息息相关，同时印刷业具有加工工业和文化产业的双重属性，是国民经济的重要组成部分。现代社会飞速发展，人们对于各种印刷品质量要求越来越高，而任何机器在使用过程中都会有故障的发生，发生故障必然会降低生产效率，导致产品的质量下降，造成严重的经济损失。当故障严重时，可能对人身安全造成影响。因此在实际生产中，及时发现故障、解决故障、防范故障就显得十分重要。
完整的墨路系统是实现精美印刷的重要前提，墨路系统的调节、维护、保养在印刷机操作中占有重要地位。胶印机墨路系统由十多个墨辊组成，包括墨斗辊、传墨辊、匀墨辊、串墨辊、重辊等。滚动轴承作为墨辊的重要零部件之一，其运行的稳定性和可靠性对于胶印机的工作状态起着决定性作用。在实际环境中，墨辊轴承不仅受到润版液、酒精灯有机溶剂的腐蚀，同时周期性的运动导致辊子出现不同故障的磨损。墨辊两端轴承在工作状态下的运动形式是同步的，两端轴承周期、振幅、运动轨迹相同，具有一定的相关性；多个墨辊同步运动将产生同频和倍频信号，使得振动信号容易相互干扰并发生耦合，加大了故障特征提取的难度；多个墨辊振动产生的较强噪声可能淹没轴承早期微弱故障信号，仅对单一轴承振动信号分析很容易忽略故障特征；如何对墨辊系统滚动轴承振动信号快速提取并进行有效的特征提取，对于印刷机输墨系统的状态监测及故障诊断意义重大。
目前设备的主要维护管理方法就是根据振动信号进行诊断，对于印刷机这类复杂的机械设备而言，振动信号分析无疑是最为有效的手段。传统的振动研究多针对单一零部件振动信号的时域和频域特征展开，为全面的对整个结构进行分析，若能引入三维图像进行故障研究，则更利于全面把握设备状态，同时兼具直观间接的特点。
技术实现要素：
本发明的目的在于提供了一种基于三维谱图分析的胶印机墨辊故障诊断方法，为墨路系统轴承异常状态识别提供了直观准确的方法。
本发明所采用的技术方案是，一种基于三维谱图分析的胶印机墨辊故障诊断方法，具体按照以下步骤实施：
步骤1，采集印刷机胶辊两端轴承在正常状态和故障状态下的振动信号，同时构建与故障信号相对应的仿真信号；
步骤2，对采集到的振动信号及对应的仿真信号进行分析和处理，建立振动信号和仿真信号的三维图像；
步骤3，采用灰度共生矩阵的方法对振动信号的三维图像进行特征提取，并对灰度共生矩阵的纹理方向特征进行加权处理；
步骤4，采用bp神经网络对加权处理过的特征分别进行识别分类，准确识别出不同故障的特征，从而完成印刷机的故障诊断。
本发明的特点还在于：
步骤1中印刷机胶辊轴承为滚动轴承；
步骤1中通过高速多通道数据采集系统和加速度传感器采集印刷机胶辊两端轴承在正常状态和故障状态下的振动信号；通过编程软件获得不同类型故障状态下的仿真信号；
步骤1中的故障状态包括：轴承内圈故障状态、外圈故障状态、滚动体故障状态中的一种或几种；
步骤2具体包括以下步骤：
步骤2.1，输入采集的印刷机胶辊轴承两端在正常和故障状态下的振动信号为原始信号x(t)，找到原始信号x(t)的局部极大值点并用三次样条函数拟合成原数据的上包络线p，再找出所有的极小值点并将其用三次样条曲线拟合成下包络线q；
步骤2.2，计算上下包络的均值，记为m(t)：
步骤2.3，用原始信号x(t)减去包络线的均值得到一个分量h(t)
h(t)＝x(t)-m(t)(2)
步骤2.4，当分量满足h(t)关于时间轴局部对称及|h(t)极值点个数-h(t)零点个数|≤1的要求时，就将保存为imf分量，记为c(t)；如果不满足imf定义就把h(t)表示成输入信号重复步骤2.1～步骤2.3，直到满足emd要求；
步骤2.5，从原始信号x(t)中减去c(t)，得到剩余信号r(t)
r(t)＝x(t)-c(t)(3)
步骤2.6，将剩余信号r(t)作为原始信号进行步骤2.1～步骤2.5，直到第n阶不能再进行imf提取，最终将原始信号表示为：
x(t)的hilbert变换y(t)为：
式(5)中，pv为柯西主值，τ为时间变量；
对应于x(t)的解析信号z(t)为：
z(t)＝x(t)+iy(t)＝a(t)eiθ(t)(6)
式(6)中，a(t)称为原始信号x(t)的瞬时振幅，θ(t)称为原始信号x(t)的瞬时相位
步骤2.7，对原始信号x(t)的每一阶imf进行hilbert变换，得到信号瞬时频率：
步骤2.8，通过软件编程采样，利用hht算法对采集到的振动信号分别进行变换，得到对应的振幅-时间-频率三维图像。
步骤3具体包括以下步骤：
步骤3.1，将振动信号的三维时频图像映射到二维图上，用灰度的明暗代替振动的幅值；
步骤3.2，计算二维图谱的灰度共生矩阵，对0°、45°、90°、135°四个方向上的四个灰度特征进行提取，得到图像的特征矩阵；
步骤3.3，对特征矩阵的纹理方向进行加权处理，以消除方向对诊断结果的影响，全面合理的描述图像特征；
步骤3.3的具体步骤为，
步骤3.3.1，选择熵值作为故障特征，求熵值在0°、45°、90°、135°四个方向上的平均值：
步骤3.3.2，计算熵值在0°、45°、90°、135°四个方向上的权重：
步骤3.3.3，根据权重因子组合0°、45°、90°、135°四个方向的特征值，得到加权处理后的特征向量：
步骤3.3.4，通过加权处理后的特征向量绘制图像特征统计图。
步骤4具体包括以下步骤：
步骤4.1，确定输入层单元数n；
步骤4.2，确定输出层单元数m；
步骤4.3，选取三层隐含层bp神经网络进行故障诊断。
本发明的有益效果是：
(1)本发明采用hht方法对滚动轴承振动信号进行emd处理得到imf分量，对imf分量进行hilbert变换，得到振动信号的能量分布三维图，与一般的二维时域频域图相比，振幅—时间—频率三维谱图更直观的体现了信号频段及能量的分布状态，可以同时观察振幅随时间、频率变化的趋势，同时对于低频、高频信号都具有较好的时间分辨率，能够完整的表现出原始信号的特征，为三维图像的特征提取奠定基础；
(2)本发明基于灰度共生矩阵的基础上利用灰度深浅代替振幅高低将振动三维图像映射为二维灰度图，并用权重因子将通过不同方向采集到的振动图像灰度特征进行加权处理，有效地消除了方向对故障特征的影响，从而使故障特征聚类性和有效性更高，也使得故障特征提取更加容易；
(3)本发明创新地提出了墨辊两端轴承同时进行监测和振动信号分析的方法，由于印刷机工作时产生的强噪声极易淹没滚动轴承的振动信号，当一端轴承已出现早期微弱故障特征时仍不能及时发现；但通过对两端滚动轴承振动信号分析对比，并利用信号三维谱图寻找异常，提高了对早期微弱故障的预知和识别能力，有效做到故障早期预示；
(4)本发明针对胶辊轴承系统的故障特性研究提出的基于三维谱图分析的胶印机墨辊故障诊断方法为其提供了新的研究思路。印刷机墨路系统结构复杂，多个墨辊相互接触传动，各零部件之间相互作用产生；本发明通过对墨辊两端轴承进行信号采集及特征提取，有效分离其他干扰信号从而获得较好的故障特征，利用神经网络模型对故障信号特征快速准确分类，实现了胶辊轴承故障的有效诊断。
附图说明
图1是本发明方法的印刷机故障诊断模型。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明为一种基于三维谱图分析的胶印机墨辊故障诊断方法，如图1所示，具体按照以下步骤实施：
步骤1，采集印刷机胶辊两端轴承在正常状态和故障状态下的振动信号，同时构建与故障信号相对应的仿真信号；
步骤1中通过高速多通道数据采集系统和加速度传感器采集印刷机胶辊两端轴承在正常状态和故障状态下的振动信号；通过编程软件获得不同类型故障状态下的仿真信号；步骤1中的故障状态包括：轴承内圈故障状态、外圈故障状态、滚动体故障状态中的一种或几种；
步骤2，对采集到的振动信号及对应的仿真信号进行分析和处理，建立振动信号和仿真信号的三维图像；
步骤2具体包括以下步骤：
步骤2.1，输入采集的印刷机胶辊两端轴承在正常和故障状态下的振动信号为原始信号x(t)，找到原始信号x(t)的局部极大值点并用三次样条函数拟合成原数据的上包络线p，再找出所有的极小值点并将其用三次样条曲线拟合成下包络线q；
步骤2.2，计算上下包络的均值，记为m(t)：
步骤2.3，用原始信号x(t)减去包络线的均值得到一个分量h(t)
h(t)＝x(t)-m(t)(2)
步骤2.4，当分量满足h(t)关于时间轴局部对称及|h(t)极值点个数-h(t)零点个数|≤1的要求时，就将保存为imf分量，记为c(t)；如果不满足imf定义就把h(t)表示成输入信号重复步骤2.1～步骤2.3，直到满足emd要求；
步骤2.5，从原始信号x(t)中减去c(t)，得到剩余信号r(t)
r(t)＝x(t)-c(t)(3)
步骤2.6，将剩余信号r(t)作为原始信号进行步骤2.1～步骤2.5，直到第n阶不能再进行imf提取，最终将原始信号表示为：
x(t)的hilbert变换y(t)为：
式(5)中，pv为柯西主值，τ为时间变量；
对应于x(t)的解析信号z(t)为：
z(t)＝x(t)+iy(t)＝a(t)eiθ(t)(6)
式(6)中，a(t)称为原始信号x(t)的瞬时振幅，θ(t)称为原始信号x(t)的瞬时相位
步骤2.7，对原始信号x(t)的每一阶imf进行hilbert变换，得到信号瞬时频率：
步骤2.8，利用hht算法对采集到的振动信号和振动信号分别进行变换，得到对应的振幅-时间-频率三维图像；
步骤3，采用灰度共生矩阵的方法对振动信号的三维图像进行特征提取，并对灰度共生矩阵的纹理方向特征进行加权处理；
步骤3具体包括以下步骤：
步骤3.1，将振动信号的三维时频图像映射到二维图上，用灰度的明暗代替振动的幅值；
步骤3.2，计算二维图谱的灰度共生矩阵，对四个方向上的四个灰度特征进行提取，得到图像的特征矩阵；
步骤3.3，对特征矩阵的纹理方向进行加权处理，以消除方向对诊断结果的影响，全面合理的描述图像特征；
步骤3.3的具体步骤为，
步骤3.3.1，选择熵值作为故障特征，求熵值在0°、45°、90°、135°四个方向上的平均值：
步骤3.3.2，计算熵值在0°、45°、90°、135°四个方向上的权重:
步骤3.3.3，根据权重因子组合0°、45°、90°、135°四个方向的特征值，得到加权处理后的特征向量：
步骤3.3.4，通过加权处理后的特征向量绘制图像特征统计图；
步骤4，采用bp神经网络对加权处理过的特征分别进行识别分类，准确识别出不同故障的特征，从而完成印刷机的故障诊断；
步骤4具体包括以下步骤：
步骤4.1，确定输入层单元数n，由于本发明设计了四种状态并获取四个灰度特征值作为输入，因此n＝4；
步骤4.2，确定输出层单元数m，保证每一种输入样本都有不同的向量对应，因此m＝4；
步骤4.3，选取三层隐含层bp神经网络进行故障诊断。
因此，本发明提出一种基于三维谱图分析的胶印机墨辊故障诊断方法，通过同时采集墨辊两端轴承振动信号进行，当胶辊轴承一端出现故障时，其三维图像特征将出现异常，通过对比两端轴承信号的三维频谱特性，放大异常状态的表现形式，从而利于发现早期微弱故障，提高故障诊断的时效性和准确率。
本发明的优点是：
(1)本发明采用hht方法对滚动轴承振动信号进行emd处理得到imf分量，对imf分量进行hilbert变换，得到振动信号的能量分布三维图，与一般的二维时域频域图相比，振幅—时间—频率三维谱图更直观的体现了信号频段及能量的分布状态，可以同时观察振幅随时间、频率变化的趋势，同时对于低频、高频信号都具有较好的时间分辨率，能够完整的表现出原始信号的特征，为三维图像的特征提取奠定基础；
(2)本发明基于灰度共生矩阵的基础上利用灰度深浅代替振幅高低将振动三维图像映射为二维灰度图，并用权重因子将通过不同方向采集到的振动图像灰度特征进行加权处理，有效地消除了方向对故障特征的影响，从而使故障特征聚类性和有效性更高，也使得故障特征提取更加容易；
(3)本发明创新地提出了墨辊两端轴承同时进行监测和振动信号分析的方法，由于印刷机工作时产生的强噪声极易淹没滚动轴承的振动信号，当一端轴承已出现早期微弱故障特征时仍不能及时发现；但通过对两端滚动轴承振动信号分析对比，并利用信号三维谱图寻找异常，提高了对早期微弱故障的预知和识别能力，有效做到故障早期预示；
(4)本发明针对胶辊轴承系统的故障特性研究提出的基于三维谱图分析的胶印机墨辊故障诊断方法为其提供了新的研究思路。印刷机墨路系统结构复杂，多个墨辊相互接触传动，各零部件之间相互作用产生；本发明通过对墨辊两端轴承进行信号采集及特征提取，有效分离其他干扰信号从而获得较好的故障特征，利用神经网络模型对故障信号特征快速准确分类，实现了胶辊轴承故障的有效诊断。