印刷机故障诊断技术研究综述

0 引言

随着科学技术的不断进步和现代化工业的飞速发展，现代机械设备在交通、国防、能源和工业等领域应用广泛，并朝着高速度、高精度、高自动化和多功能化方向发展。因此，设备发生故障的潜在可能性和故障形式也相应增加，关键设备一旦发生故障，将严重影响企业的生产效率。如何确保机械设备在运行过程中保持安全平稳的状态，对机械故障诊断提出严峻挑战。近年来，计算机技术、信号处理、模式识别等学科不断发展，机械设备故障诊断在理论知识和技术方法上不断创新，从最初的简易脱机诊断到现在的精密联网诊断，发展速度也越来越快，同时取得了显著的成果。

印刷业作为国民经济的重要组成部分，兼具加工工业和文化产业的双重属性。我国已将印刷业列入“十三五”发展规划中，推动印刷业向“绿色化、数字化、智能化”发展，为实现印刷强国的目标奠定基础。印刷业的飞速发展离不开印刷设备的支撑，印刷机作为印刷包装行业的核心设备，是印刷工艺方法完美实现的重要工具，其先进程度对印刷业的发展具有重大意义[1]。

印刷机是按一定印刷方式进行印品大量复制的半自动化、自动化专用机械，其种类繁多，结构复杂，集成度高，在文化传播、商业包装、货币证券等领域应用广泛。随着现代社会文明的不断进步，人们对于印品质量的要求和期待也越来越高，在实际生产中印刷机一旦发生故障，势必会影响到生产效率和印品质量，造成巨大的经济损失[2～5]。在印刷机故障中，机械故障占到了总体的60%，因此，准确的了解印刷机各部件运动规律及机器运行状态，并及时预测故障、发现故障、解决故障就显得十分重要。

现代状态监测和故障诊断技术快速发展并日趋完善，人们尝试将其应用于印刷包装设备领域，以寻求良好的技术支撑。近年来，人们密切关注印刷机故障征兆，广泛深入地研究故障诊断方法，逐渐形成了以下几种印刷机故障诊断方法：基于信号分析、基于知识处理、基于解析模型、基于印刷图像等诊断技术和方法。

1 基于振动信号分析的印刷机故障诊断方法研究

振动信号是机械故障诊断中最常用的方法，声音信号是一种特殊的振动信号。印刷机在工作过程中，由于各部件之间的传动摩擦，一直伴随着振动的存在，振动信号特征与印刷机结构及其运动特性有着密切的联系。当印刷机发生故障时，其振动信号也将发生变化，不同的故障原因对应着不同的信号特征，从复杂的信号中选出所需要的信号进行处理和分析，并从中提取相应的故障特征，从而得到故障类型。随着传感器技术、计算机技术、信号处理技术的飞速发展，频谱分析、全息谱理论、傅里叶变换、Wigner-Ville分布、小波和小波包分析等方法已经广泛地应用于印刷机故障诊断中，对于保证印刷机工作稳定性、可靠性、高效性意义重大。

国外学者对印刷机的故障信号进行了深入地研究，并取得了一系列成果。G. B. Kulikov[6]从轮转印刷机的印刷单元入手，分析运动部件的振动特性，通过对振动信号处理得到振动与印刷图像间的关系；Y. Gritli[7]等对电机转子中的故障频率分量进行研究，提出了双滑动频率和离散小波变换的诊断方法，实现对故障信号的有效分析和特征提取，并通过仿真和实验验证了该方法的有效性；G. Betta[8]等针对旋转机械故障现象，利用在线系统进行机器振动信号采集及分析，结合软件和硬件系统建立故障模型，实现对故障的准确识别，通过实际测试证明该方法检测准确率高、误诊率低、诊断性能良好；K. Anshuman[9]利用瞬态振动数据的Hilbert-huang变换对机械模型进行状态监测，分别对健康及三种不同损坏状况下的模型从希尔伯特谱、单频联合时频分析、边缘希尔伯特谱和瞬时相位进行了分析，结果表明该方法能够在瞬态振动载荷下准确检测和定位损伤；Abdelrhman Ahmed M[10]等研究了FFT频谱和小波分析在诊断机械故障不同阶段、不同故障条件和不同摩擦强度时的诊断效果，利用小波分析方法对故障进行检测，结果表明振动频谱可以清晰地反映故障的位置和发展阶段。

在国外相关研究的基础上，国内关于信号分析的印刷机故障诊断理论中也出现了许多创新性的研究方法。刘天雄[11]采集了印刷机工作过程中产生的噪声信号，以信号幅值作为主要参数，分别从时域、频域两个方面对信号进行分析，得到了不同故障状态下对应的故障频谱，并通过实验验证了该方法对于印刷机故障诊断的可靠性；付辉[12]对印刷机递纸轴进行振动测试，运用小波变换的多分辨分析（MAR）方法对振动信号进行多尺度分解，并对信号进行功率谱估计，从而确定振动冲击的频率范围；Peng Z K[13]等通过小波包变换（WPT）和固有模态函数（IMF）方法对希尔伯特-黄变换（HHT）进行改进，并使用改进的算法和基于小波变换的尺度谱方法在滚动轴承故障上检测，通过实验得到改进后的HHT具有较高的诊断率和计算速度；廖强[14]等利用优化后的多小波算法对故障信号进行后处理，将多个故障呈现在不同的通道中，实现复合故障的一次性提取，通过对包含有内圈和滚动体复合故障滚动轴承的振动信号进行分析，结果表明该方法是有效的；侯和平[15]等对印刷机滚动轴承故障信号进行拓延，利用经验模式获得本征模式分量并进行符号化序列研究，并计算符号化序列的符号熵，通过构建特征向量表征故障特性，最后结合模式分类方法实现了诊断；Li Y Y[16]等采集了胶印机墨辊轴承的声音信号，并构建声音信号的特征值，在计算不同频带声音信号故障贡献率的基础上建立了用于故障频率识别的听觉模型，通过结合印刷机声音信号的特征，将听觉模型用于印刷机故障诊断中，实验表明该方法是一种可行、有效的印刷机墨辊轴承故障诊断方法。

相关研究从不同的角度对印刷机振动信号进行了分析，实现了对单一故障的准确判断，但印刷机在运行过程中各机组间及运动部件的周期相同，可能产生同频和倍频信号，信号间相互干扰及耦合，导致信号分析处理难度加大。振动信号的采集必须采用接触式测量，但在某些工况下并不能直接获取振动信号，同时信号在分析处理过程中的振动数据均为离线数据，并不是印刷机运行状态的实时反映。因此，基于信号分析的印刷机故障诊断方法在实际应用中有一定的局限性，难以达到理想的诊断效果。

2 基于知识的印刷机故障诊断方法研究

由于印刷工艺的特殊性以及纸张、油墨可变因素较大，导致产生故障的因素很多，有时一种故障现象的产生甚至对应着十几种故障原因，依靠维修人员进行故障诊断和排除已经满足不了现代化印刷的要求。基于知识的印刷机故障诊断方法在借鉴人们长期实践经验和大量故障信息的基础上，与知识信息相结合，对于指导人们进行印刷机的快速维护和检修具有一定意义。同时该方法不需要对象具有精确的数学模型，因此在印刷包装设备领域得到了广泛应用。目前，比较成熟的诊断方法有：基于专家系统、基于模糊逻辑、基于故障树、基于案例推理、支持向量机、基于神经网络等。

国外学者针对印刷机的实际故障问题，从知识处理角度进行研究，取得了很好的效果。R. Javadpour[17]等通过具体分析故障诊断环境，将机器振动数据作为样本信号输入神经元模型，并利用神经网络对模糊系统进行训练，同时将神经网络与模糊系统相结合，大大提高了故障诊断系统的预测精度；M. Kedadouche[18]等利用最小熵反褶积、经验模式分解和能量算子对轴承故障信号进行分析，该方法不仅可以有效提取故障轴承的特征频率及其相关谐波，还能够揭示故障的严重程度；M.F. Golnaraghi[19]等提出一种增强故障特征表示的方法，并利用循环网络神经和模糊神经对齿轮磨损、齿轮缺口和齿轮断裂三种故障进行测试分析，用实验证明了该理论的准确性，同时对于预测旋转机械的损伤传播趋势具有重要意义；S. Tyagi[20]等提出一种基于支持向量机（SVM）分类器来检测滚动轴承故障的分类技术，利用离散小波变换（DWT）在特征提取前对振动信号进行预处理，通过实验得到采用DWT预处理的振动信号提高了ANN（人工神经网络）和SVM分类的有效性。

国内学者在这方面也取得了一定研究成果。考虑到印刷工艺的复杂性以及印刷故障原因的多样性，董朝阳[21]利用故障树分析法建立了几种常见印刷机故障的故障树，并结合模糊诊断理论建立了印刷机故障模糊诊断专家系统，赵楠[22]则针对印品的常见故障，建立其故障树，利用最小割集算法对故障树进行了定性分析，为印刷机故障诊断和结构优化提供了方向；Wang L J[23]针对设备故障的模糊性和复杂性，建立了基于模糊逻辑、神经网络和专家系统的故障诊断系统，并采用VB、MATLAB和Access数据库设计系统框架，研究结果表明该系统能快速、准确诊断故障；邓丽[24,25]等针对印刷行业故障检修网络化程度低的问题，设计了一种基于支持向量机（SVM）的印刷机远程网络故障诊断检测平台，采用Windows开发环境，通过传输端口将测试数据发送给远程服务站点，并存入本地数据库，从而不断扩充诊断知识库，最后通过支持向量机对印刷故障进行识别分类；同时针对印刷机结构故障样本缺乏的问题，提出一种基于模糊支持向量机（FSVM）的方法，从而实现印刷机故障快速诊断；Liu Y[26]等利用案例推理（CBR）技术建立了故障案例和故障征兆知识库，通过计算不同故障的权重，结合查询和推理技术设计了机械设备故障诊断系统；刘景艳[27]等针对传统BP神经网络诊断速度慢、精度低的缺点，有效结合遗传算法和Elman神经网络，并将其应用于齿轮箱故障诊断，仿真结果表明，该方法有效地提高了故障诊断的准确率。

基于知识的印刷机故障诊断方法在一定程度上解决了印刷机的简单故障，但知识有浅知识和深知识之分，对于由多因素引起的综合故障专家系统的诊断率则较低；对于新产生的、复杂故障，基于案例推理的方法则会受到限制；同时局限于印刷机故障样本缺乏，神经网络方法诊断准确率在一定程度上受到了影响。以上研究方法并没有真正走出传统故障诊断的范畴，从而限制了此类方法在印刷机上的进一步应用。随着人工智能、模式识别技术的不断发展，模糊逻辑、神经网络等技术依旧是印刷机故障诊断领域研究的热点。

3 基于解析模型的印刷机故障诊断方法研究

借助现代控制理论和优化方法的优点，基于模型的印刷机诊断方法能够实现对系统运行时动态环境的准确观测和有效评估，同时对系统本质规律进行定量分析，在考虑系统潜在信息的基础上挖掘出故障信息，及时发现早期故障，避免造成重大损失。相关学者从解析模型入手开展了相关研究，并取得了一定成果。Liu T[28]等针对轴承故障提出了一种基于核主成分分析法（KPCA）和耦合隐马尔可夫模型（CHMM）的轴承故障诊断方法，通过对轴承各通道振动信号进行特征提取，采用KPCA对各特征向量进行特征约减以获取主要信息成分，最后利用CHMM对多通道信息进行融合和故障诊断，实验结果表明该方法能够更加有效地诊断轴承故障；樊巍[29]等对滚动轴承振动信号进行分帧处理，通过小波包方法得到信号特征参数，再由主成分分析法进行降维处理，利用少量训练样本对离散隐马尔科夫模型（DHMM）进行训练，实现了印刷机状态的有效监测；李志农[30]针对传统隐Markov模型（HMM）在机械故障诊断中的不足，提出了以谱峭度为特征提取、i HMM为识别器的基于无限隐马尔可夫模型（i HMM）的方法，并利用最大似然估计来确定设备运转中出现的故障类型，实验结果表明该方法能够自适应确定模型中隐藏状态数和模型数学结构，具有明显的优越性；蒋宇[31]等采集齿轮正常、早期裂纹与磨损三种状态下的振动信号，应用时序AR模型将参数指标作为判断依据，实现了三种故障模式的分类和判断；董洪波[32]为解决旋转结构中多裂纹的定量识别问题，利用小波有限元模型求得不同裂纹转子的固有频率，借助曲面拟合技术建立转子数据库，仿真证明该方法对转子多裂纹能够有效识别；Yuan H F[33]等通过使用混合核函数主元分析法和粗糙集对信号时域、频域参数进行约简并构造特征参数矩阵，应用遗传算法优化离散隐马尔科夫模型（DHMM），同时得到滚动轴承各状态下的DHMM，通过比较测试样本在各DHMM下的对数似然概率，实现对轴承故障类型的识别，实验结果表明该诊断方法具有较强的适用性。

基于模型的印刷机故障诊断方法的前提是建立系统合理正确的解析模型，由于印刷机系统结构及运动规律比较复杂，有时无法建立与系统精度要求相匹配的模型，若系统模型过度简化则会直接影响到故障诊断率。因此基于模型的诊断方法对易于建立模型的印刷机简单部件具有较好的诊断效果，但在印刷机整机状态监测及故障诊断过程中存在不足。

4 基于印刷图像的印刷机故障诊断方法研究

相对于其他机械设备，印刷机最显著的特征在于印刷品的生产：印刷机工作的最终目标是获得高质量的印刷品，印刷品中不仅包含丰富的印刷图文信息，还包含印刷机工作状态的相关信息，可以说印刷图像与印刷机的工作状态有着紧密的联系。随着机器视觉的飞速发展，图像处理技术理论和方法日趋成熟，并在机械设备状态监测和故障诊断等领域得到了广泛地应用。基于印刷图像的印刷机故障诊断方法灵活多变，利用逆向推理进行故障研究，并进行有效诊断。从印刷品的角度入手对印刷机进行故障诊断，不仅极大地丰富了故障信息的来源，同时也为印刷机故障诊断提供了新思路。

图像信息是一种重要的故障信息存在形式，图像处理技术可以挖掘人眼无法识别的信息和规律，并对其中蕴含的状态特征进行提取，以实现印刷机的故障诊断。一些学者采用基于印刷图像处理的诊断方法，进行了印刷机的诊断理论及应用研究。任玲辉[34]针对目前印刷机故障诊断特征单一、精度低等问题，研究了彩色印刷图像故障特征及对应故障间的映射关系，提出基于图像边缘距离共生矩阵的全画面印刷套印特征提取方法，并开发了精度检测仪器及检测系统，通过实验证明了该系统的有效性；Xu Z F[35]等提出了一种基于纹理分析的墨杠检测方法，即提取墨杠中所包含的纹理特征，建立纹理图像数据库，利用高速CCD采集待检测印刷图像，得到缺陷图像后求其纹理特征，通过纹理特征比对分析墨杠产生的原因；Bai X Q[36]等对印刷机不同故障引起的不同画面特征进行分析，利用灰度共生矩阵提取数据、主成分分析法处理数据，设计了基于印刷画面信息的印刷机故障诊断系统，并通过实验验证了诊断系统的可用性；徐卓飞[37]等提出一种基于画面分析的机械故障诊断方法，用于印刷机械中印刷单元的故障模式分类，通过多元统计方法分析了印刷单元6类故障与特征集的映射关系，依靠画面特征实现了故障类别判断，为印刷机维护提供了新的理论和方法；Duan L[38]等针对红外图像分析的不足，提出一种图像分割方法来提高红外图像分析中的特征提取，并使用特征提取和融合方法获得特征，通过采用朴素贝叶斯分类器和支持向量机证明了该方法对于特征提取的优越性。

基于印刷图像处理的印刷机故障诊断方法，对于一些基本故障具有较好的识别效果，但是印刷图像画面中包含了极其丰富的特征信息，包括纹理、形状、颜色等相关特征，这些特征是印刷过程中多因素相互作用及多种故障耦合的结果，只有去除掉冗余信息，有效地挖掘出故障特征信息，才能合理地构建特征集与故障模式之间的对应关系。借助图像识别技术，不断提高图像识别程度，对于丰富印刷机故障诊断理论具有非常重要的意义。

5 结论及展望

近年来，计算机技术、控制理论、信号处理、人工智能、模式识别等技术飞速发展，现代印刷机已经发展成为高精密和高效自动化的“机、电、光、液、气”一体化设备，如何有效提高印刷机可靠性和稳定性已成为行业急需解决的核心问题。目前不断完善的印刷机状态监测与故障诊断技术将在印刷机生产、装配、调试、出厂等各个环节发挥作用，并在印刷生产过程中及时预测、发现并有效判断故障的种类和位置，极大地减少了废品产生带来的环境污染和设备维护带来了经济损失，显著的提高了生产效率和资源利用率[39]。本文对目前现有的印刷机状态监测与故障诊断技术进行了系统介绍和分析，并结合印刷机实际应用中出现的故障情况，认为印刷机故障诊断技术具有如下趋势：

1）目前印刷机故障数据获取大多采用离线系统，因此采集到的振动数据信息并不是印刷机故障状态的真实反映，不能很好的描述故障动态演化及其发展趋势。在线数据能够反映印刷机的最新动态，实时在线系统可以对印刷机自动巡检诊断，同时实现故障数据的网络共享，有效地促进了诊断方法的实时更新。基于在线系统实时动态监测下的有效数据分析，能够充分反映印刷机工作状态并及时发现早期微弱故障，并正确给出故障状态变化的量化描述，从而实现故障快速有效的诊断和解决。

2）为了更好的解决印刷机高精密、高速度、高自动化发展趋势与印刷机稳定性及诊断率之间的诸多矛盾，印刷机故障诊断技术已经从原来的简易单一诊断向组合型智能诊断发展，即将几种不同的诊断方法集成到一起，目前比较成熟的结合方式主要有基于规则的专家系统与神经网络系统和模糊数学结合，卷积神经网络与实例推理的结合，在提高专家系统学习能力的同时，便于神经网络处理的模糊知识的表达方式等。这些结合方式实现了多种诊断方法的融合与优势互补，从而全面提高诊断方法的敏感性、鲁棒性和准确性。

3）印刷品的缺陷信息是印刷机故障诊断的重要依据，但是印刷图像中不仅包含了故障信息，还包含海量的过程数据，而有用的信息往往被淹没其中，不易被直接发现，如果能够引入图像识别技术，对于进一步挖掘故障特征至关重要。同时印刷机作为一种结构复杂的过程生产设备，不同故障对应有不同的表现形式，仅仅依靠印刷图像上的单一信息很难做到印刷机的全面诊断，因此借助信息融合技术，从印刷画面入手构建不同信息的多元特征集，并对其进行有效评价与分析，提高融合信息特征的有效性和可靠性，对于复杂故障下印刷机故障诊断具有重大意义。

4）随着印刷机状态监测故障诊断技术的深入研究，诊断系统将越来越综合化，由过去单纯地监测和诊断，向今后集监控、测试、预测、诊断、隔离、定位、控制、保护、管理和训练于一体的综合化诊断系统方向迈进，这将是今后故障诊断技术重点研究的方向。

参考文献：

[1]何正嘉,陈进,王太勇,等.机械故障诊断理论及应用[M].北京:高等教育出版社,2010.

[2]成刚虎.印刷机械[M].北京:印刷工业出版社,2007.

[3]李红卫,杨东升,孙一兰,等.智能故障诊断技术研究综述与展望[J].计算机工程与设计,2013,34(2):632-637.

[4]谭巨兴,张清华,王钦若,等.旋转机械设备智能故障诊断方法的研究[J].工业控制计算机,2016,29(1):36-38.

[5]韩晓良.我国印刷机械制造业发展概况[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]刘天雄.印刷机械状态监测与故障早期诊断[J].今日印刷,1998,(6):99-102.

[12]付辉.基于小波变换的印刷机递纸机构振动信号的研究[J].工程技术研究,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]廖强,李迅波,陈勇强.自适应冗余提升多小波包在滚动轴承复合故障诊断中的应用[J].机械设计与制造,2015,(6):21-24.

[15]侯和平,徐卓飞,刘凯.基于本征模式分量符号化分析的滚动轴承故障诊断方法研究[J].机械强度,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]董朝阳,成刚虎.印刷机故障诊断专家系统的研究开发[J].西安理工大学学报,2001,6:126-128.

[22]赵楠,成刚虎,刘国栋.浅谈印刷机故障诊断技术[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]邓丽,王爱萍,王海宽,等.基于支持向量机的印刷机远程故障诊断监测平台设计[J].测控技术,2014,33(10):39-42.

[25]邓丽,王爱萍,王海宽,等.模糊支持向量机在印刷机故障诊断中的应用研究[J].自动化仪表,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]刘景艳,李玉东,郭顺京.基于Elman神经网络的齿轮箱故障诊断[J].工矿自动化,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,郑晴晴.基于DHMM的滚动轴承故障诊断[J].机械工程与自动化,2015,4:132-133,136.

[30]李志农,柳宝,侯娟.基于无限隐Markov模型的旋转机械故障诊断方法研究[J].仪器仪表学报,2016,37(10):2185-2192.

[31]蒋宇.李志雄.利用时序模型参数指标的齿轮故障诊断研究[J].现代制造工程,2009,(6):126-128.

[32]董洪波.基于小波有限元模型的转子多裂纹识别方法[J].辽宁工程技术大学学报(自然科学版),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]任玲辉,刘凯,张海燕.基于图像处理技术的机械故障诊断研究进展[J].机械设计与研究,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]徐卓飞,张海燕,宋希龙,等.基于多元图像特征分析的印刷单元故障诊断方法[J].包装工程,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]闻新,张兴旺,朱亚萍,等.智能故障诊断技术-MATLAB应用[M].北京:北京航空航天大学出版社,2015.