模糊支持向量机在印刷机故障诊断中的应用研究

Research on the Application of Fuzzy Support Vector Machine

in Fault Diagnosis for Printing Presses

邓　丽1,2　王爱萍1,2　王海宽1,2　费敏锐1,2

(上海大学机电工程与自动化学院1，上海　200072;上海市电站自动化技术重点实验室2，上海　200072)

模糊支持向量机在印刷机故障诊断中的应用研究

Research on the Application of Fuzzy Support Vector Machine

in Fault Diagnosis for Printing Presses

邓丽1,2王爱萍1,2王海宽1,2费敏锐1,2

(上海大学机电工程与自动化学院1，上海200072;上海市电站自动化技术重点实验室2，上海200072)

摘要：由于印刷机结构复杂且故障样本缺乏，其故障诊断的样本以及结果具有很强的不确定性。针对这种情况，提出一种基于模糊支持向量机(FSVM)的印刷机故障诊断方法。通过在每个训练样本点中加入模糊隶属度，训练得到分类模型，并对模糊隶属度进行回归预测得到隶属度函数。仿真结果表明，与标准SVM相比，该方法效果较好。与实际印刷机监控系统相结合，该方法可以通过LIBSVM工具箱接口编程实现，具有实用性。

关键词：支持向量机模糊支持向量机模糊隶属度故障诊断印刷机远程系统

Abstract：Due to the complex structure of printing presses and lack of fault samples, the fault diagnosis samples and results are highly uncertain. Response to this situation, the fault diagnosis method based on fuzzy support vector machine (FSVM) for printing presses is proposed. The method, by adding fuzzy membership in each training sample point, obtains classification model by training, and builds membership function by regression prediction for fuzzy membership. The results of simulation show that comparing with standard support vector machine(SVM), this method offers better effects. In practical application, the method can be combined with printing presses monitoring system through library for support vector machines(LIBSVM) toolbox for programming, to show its practicability.

Keywords：Support vector machine (SVM)Fuzzy support vector machine (FSVM)Fuzzy membershipFault diagnosis

Printing pressRemote system

0引言

在人们的日常生活中，印刷品的需求量与日俱增，促使印刷机不断朝着更加高效与自动化的方向发展。而对于大型高速的印刷设备，稳定性在各要素中变得越来越重要。因此，智能化的故障诊断技术成为重要的研究方向，具有很大的实用价值，旨在减小生产故障造成的损失。

随着机器学习的兴起，基于人工智能的故障诊断得以逐渐发展与应用。例如，根据基于模糊规则的专家系统和BP神经网络构造印刷机故障学习系统[1]；以支持向量机分析图像纹理，并识别印刷机故障类型等[2-3]。各方法的优缺点如下：①专家系统便于应用，但依赖于专家经验，准备工作复杂；②神经网络无需准确建模，但在小样本问题中，容易出现局部最优的问题；③支持向量机适用于小样本问题，但传统支持向量机在解决有不确定性样本的实际问题时效果不佳。由于实际印刷故障信息有一定的模糊性，且有时故障原因不唯一，所以本文研究基于模糊支持向量机(fuzzy support vector machines，FSVM)的故障分类方法。

1印刷机故障分类分析

印刷机系统的结构复杂，要完成一整套印刷流程需要多个机构配合。以轮转印刷机为例，其各部分机构包括给纸单元、印刷单元、干燥单元、冷却与涂硅单元、折页单元、收纸单元等。尽管各单元有着不同的功能，但作为一个整体，它们之间相互联接、相互影响。印刷机内部存在复杂的耦合关系，要对其进行分析十分困难，尤其是基于建模的方式。

轮转印刷机的工序流程为：卷筒递纸、印刷、干燥、冷凝、上硅油、裁剪和收纸等，流程示意图如图1所示。给纸单元提供印刷纸张，张力控制单元对纸张传递进入印刷单元时的张力、位置进行控制，印刷单元负责将图案油墨印至纸张正反两面，干燥单元将印刷后的纸张用热风快速烘干，折页单元将连续纸张裁剪、折页，输出整齐的单张或多页叠加的书帖(报纸)。

图1　轮转印刷机工作流程示意图

印刷机的故障分类方法繁多，分类因素包括机械结构、材料、生产环境等。其中较为直观的方法为按照印刷设备各功能部件划分故障位置并对故障予以命名。本文提到的故障分类便基于此种分类方法，且主要关于机械方面，暂不涉及材料与环境因素。简要的故障分类层次示意图如图2所示。虽然印刷机各机构之间存在一定耦合关系，但在实际情况中，可以大致将其故障按功能机构分为给纸、印刷、输墨、干燥、收纸等几部分，各部分可再进行具体分析。

图2　轮转机故障分类概况图

2基于FSVM的印刷机故障诊断算法

2.1　模糊支持向量机

Lin Chunfu等人于2002年提出模糊支持向量机(FSVM)算法[4-7]。该方法将模糊因子引入到样本的处理中，使得不同样本对学习结果贡献不同，从而减少不定因素对分类结果的影响。

在两类分类问题中，模糊支持向量机的训练集为：

(1)

从而可得分类优化问题为：

(2)

该问题同样可以转化为如下二次规划问题，即：

(3)

式中:αi为Lagrange乘子;ξi为松弛变量。

求解这个二次规划问题，可得最优分类函数为:

(4)

由上述公式可知，μi相当于为不同的样本按重要性给出了不同的惩罚参数的权值。应用模糊支持向量机时，一般取较大的参数C。当μi=1时，该样本与标准支持向量机中的样本处理方式相同; 而μi越小，则该样本在训练过程中作用越小。因此，模糊支持向量机可以减少孤立的、不确定的样本点对分类的影响。

2.2　数据分析与处理

x1~x7、p1~p7各符号定义如下。x1定义为出现等距离粗墨杠，墨杠间距等于齿轮节距；x2定义为咬口处有几条宽墨杠，少数呈等距离墨杠；x3定义为出现固定的一条墨杠；x4定义为出现固定区域的墨杠；x5定义为出现位置不固定的墨杠；x6定义为出现细篱笆状墨杠，墨杠间距等于匀墨辊齿轮节距；p1定义为滚筒齿轮磨损严重；p2定义为滚筒轴承磨损严重；p3定义为齿轮齿隙中嵌有硬物；p4定义为印版滚筒和橡皮滚筒之间的压力过大；p5定义为着墨辊对印版表面压力过大；p6定义为着墨辊同串墨辊之间的压力过大；p7定义为串墨辊齿轮、介轮啮合不准或磨损。

数据来源于模糊专家系统诊断，其中样本输出P的数值表示样本从属于pi类故障的程度，反映了样本的模糊信息。为了应用模糊支持向量机，需要对数据P进行如下处理。

① 当0.5≤p≤1时，该样本属于模糊正类，则模糊隶属度μ=p(表示存在该故障的隶属度)，分类标签y=1；

② 当0≤p<0.5时，该样本属于模糊负类，记模糊隶属度μ=1-p(表示不存在该故障的隶属度)，分类标签y=-1。

表1　处理后的印刷机故障样本输出与模糊隶属度表

2.3　训练分类器

参考印刷机故障分析以及上述样本数据可以看出，一种故障征兆对应多种故障原因，一种故障原因有可能有多种故障征兆。本文暂不考虑故障原因之间的关联，针对同属于“墨杠”这一大类别的故障诊断设计一个支持向量机网络，针对其中每个故障原因分别构造一个分类器。分类器的样本输入(即故障征兆数据)相同，样本输出与模糊隶属度各自独立。

本文以第1种故障原因为例，样本分类标签与模糊隶属度取自故障类别p1对应数据。将所有样本的2/3作为训练样本集，其余1/3作为测试样本集。根据模糊支持向量机算法，针对模糊训练的集进行训练，取RBF核函数，即：

(5)

选定惩罚参数C=10、核参数γ=0.15，得到故障1的最优分类函数为：

(6)

2.4　构造隶属度函数

样本隶属度来源于模糊诊断，即经验数据，表示样本点的模糊性。而当训练好的分类器对其他故障数据进行分类时，同样需要体现出样本的模糊信息。本文通过最优分类函数与模糊隶属度构造隶属度函数[8-9]，从而反映测试点通过模糊分类后属于正类或负类的隶属度。

(7)

3仿真试验

仿真试验平台为Matlab(R2010b)，SVM算法由LIBSVM工具箱实现。本文采用标准SVM、FSVM对印刷机故障样本进行训练及测试，核函数均选取RBF核函数。

① 无参数优化的SVM分类，即标准SVM两类，经试验选择适当参数：C=1.5、γ=0.1。

② 交叉验证(K-foldcross-validation)的SVM分类，k=3。

④FSVM分类，为每个样本增加惩罚参数的权重，C=10，γ的值参考方法③中所得数值。

模型训练完毕后，对带标签的测试样本进行分类预测，测试结果如表2所示。

表2　SVM故障诊断仿真结果

4实际应用方案

针对本文这一类故障进行诊断的FSVM网络示意图如图3所示。

图3　基于FSVM的故障诊断网络

本文研究基于上海市引进技术的吸收与创新计划

项目“网络化智能高端印刷机控制系统”，在印刷机远程监控平台中应用多分类SVM算法。该远程平台由Apache服务器、MySQL数据库、PHP语言实现B/S架构的远程发布。由于LIBSVM工具箱提供PHP语言接口，所以可以很方便地将SVM方法加入远程平台中，并通过给训练样本增加权重得到FSVM，构成故障诊断模块。

5结束语

本文简要介绍了卷筒印刷机的工作模式以及故障类别，提出一种基于模糊支持向量机的印刷机故障诊断方法。首先通过模糊诊断的方法得到故障样本，经过一系列处理得到样本输入、输出以及模糊隶属度，训练并构造FSVM分类器，且将其应用到印刷机故障诊断中;然后通过回归算法得到隶属度函数、测试样本点的隶属度。仿真结果表明，FSVM方法适用于小样本分类问题，并且可以较好地推广到实际应用当中。

参考文献

[1] 徐永财.印刷机机械故障学习与诊断排除系统研究[D].北京：北京印刷学院,2010.

[2] Qi Y L,Li Y L,Feng L P,et al.Research classification of printing fault based on RSVM[C]//Innovative computing information and control,ICICIC 3rd International Conference on IEEE,2008:415-415.

[3] 徐卓飞,张海燕,任玲辉.基于GLCM与SVM的印刷机收纸故障诊断方法[J].计算机工程与应用,2013,49(10):18-21,91.

[4] Tang W M,Zhang Y,Wang P.Fuzzy SVM with a new fuzzy membership function based on gray relational grade[C]//Proceedings of the International Conference on Information Engineering and Applications(IEA):Springer London,2013:561-569.

[5] Kadri O,Mouss L H,Mouss M D.Fault diagnosis of rotary kiln using SVM and binary ACO[J].Journal of mechanical science and technology,2012,26(2):601-608.

[6] 王国鹏,翟永杰,封官斌,等.模糊支持向量机在汽轮机故障诊断中的应用[J].华北电力大学学报,2003,30(4):47-50.

[7] 刘冠军,苏永定,潘才华.基于综合型模糊支持向量机的故障诊断方法及应用[J].仪器仪表学报,2009,30(7):1363-1367.

[8] 董朝阳.印刷机故障诊断专家系统的研究开发[D].西安:西安理工大学,2002.

[9] Yang Z,Yang X,Zhang B.Fuzzy support vector classification based on fuzzy optimization[C]//Proceedings of the Intelligent Computing 5th International Conference on Emerging Intelligent Computing Technology and Applications:Springer-Verlag,2009:134-143.

《自动化仪表》邮发代号： 4-304, 2015年定价： 18.00元，全年价： 216.00元； 国外代号： M 721

欢迎赐稿， 欢迎订阅， 欢迎宝贵建议， 欢迎惠刊各类广告

中图分类号：TP277

文献标志码：A

DOI:10.16086/j.cnki.issn1000-0380.201503003

上海市引进技术的吸收与创新计划基金资助项目(编号：11XI-32)；

上海市教委教师产学研践习基金资助项目。

修改稿收到日期：2014-05-06。

第一作者邓丽(1978-)，女，2008年毕业于东南大学控制理论与控制工程专业，获博士学位，讲师；主要从事智能优化算法、视觉信息处理等方面的研究。