黄燕

摘 要： 针对当前复印机故障信号检测提取方法中存在误检率高的问题，提出基于蚁群的复杂复印机故障信号的检测与提取方法。基于蚁群的复杂复印机故障信号的检测中，利用检测某一路径的最大代价和最小代价得到蚂蚁于该路径上所释放信息素的浓度，以此计算蚁群对于某条路径选取的概率。更新该条路径上信息素浓度，按照路径上的蚂蚁存留的信息素浓度对复印机故障检测过程中路径选择优先顺序进行判断，以检测出复印机故障信号源。将复印机故障信号源代入小波包分析中，得到复印机总故障信号，计算故障信号中的各个频带信号相应能量，利用各频带相应能量，构建复印机故障信号特征向量。实验结果表明，与当前方法相比，所提方法误检率最低约为0.3%，故障检测准确性较高，检测性能更为优越。

关键词： 复印机； 故障信号； 信号检测； 信号提取； 蚁群； 小波包

中图分类号： TN911.23?34； TH165 文献标识码： A 文章编号： 1004?373X（2018）22?0103?03

Abstract： In allusion to the high error detection rate of the current fault signal detection and extraction method of the photocopier， a fault signal detection and extraction method based on the ant colony is proposed for the complex photocopier. During the ant colony based fault signal detection of the complex photocopier， the concentration of the pheromone released on the path by the ant is obtained by using the maximum cost and minimum cost of detecting a certain path， so as to calculate the selection probability of a certain path by the ant colony. The pheromone concentration on the path is updated. The path selection priority during the fault detection proces of the photocopier is judged according to the pheromone concentration retained on the path by the ant， so as to detect the fault signal source of the photocopier. The fault signal source of the photocopier is substituted into wavelet packet analysis to obtain the total fault signals of the photocopier. The corresponding energy of each frequency band signal in fault signals is calculated， which is used to construct the feature vector for fault signals of the photocopier. The experimental results show that， in comparison with the current method， the proposed method has a higher fault detection accuracy and better detection performance with a false detection rate of about 0.3% at minimum.

Keywords： photocopier； fault signal； signal detection； signal extraction； ant colony； wavelet packet

0 引 言

当今社会中，各种类型的复印机在各行各业中均有着十分广泛的应用[1]。因复印机为光、机和电为一体的电子设备，它的集成化程度比较高，且内部结构复杂，在日常的运作中一旦产生故障，通常情况下非专业人员难以将其中的故障信号检测出来[2?3]。由于复印机在工作中使用较为频繁，在一定时期内会产生静电等问题，这样会导致与故障连接的其他位置也出现故障。综上可知，复印机故障信号的检测与提取成为了当前急需解决的问题。

刘洋等人提出基于RBF的设备故障检测方法[4?5]。检测过程中，先构建单个传感器预测模型与任意两个传感器预测模型，其次利用上述两个模型对任意一个传感器预测值与任意两个传感器预测值进行计算，利用预测值和实际值间差值对传感器的故障个数和位置等信息进行判断。该方法检测耗时较少，但误检率较高。王迪等人提出基于多信号流的设备故障检测方法[6]。以多信号为基础，引入故障先验知识，得到多信号流故障检测方案，利用引入故障概率改进多信号流检测方案。将该方法应用于BEPCⅡ磁鐵电源控制设备故障检测中，通过TEAMS测试工具箱实现该方法。此方法较为简单，但也存在误检率高的问题。

上述方法不具备较为完善的性能，因此提出基于蚁群的复杂复印机故障信号的检测与提取方法。

1 复杂复印机故障信号的检测与提取

1.1 复印机故障信号检测

2 实验结果与分析

在Matlab 2017上搭建实验平台，以图1所示复印机作为实验对象进行实验。实验过程中，分别使用不同方法对比的形式，验证基于蚁群的复印机故障信号的检测与提取方法有效性。实验指标为设备故障检测误检率。

分析图2实验结果：在额定的噪声信号下，基于RBF的设备故障检测方法误检率最低约为7.2%；基于多信号流的设备故障检测方法误检率最低约为5.7%；基于蚁群的复印机故障信号的检测方法误检率最低约为0.3%。通过数据对比可知，基于蚁群的复印机故障信号的检测与提取方法误检率要低于当前方法。该结果主要是由于所提基于蚁群的复印机故障信号的检测与提取方法在运行过程中，利用SVD理论对复印机故障中的噪声信号进行去除，降低了复杂复印机故障信号检测的误检率。

实验结果如图2所示。

3 结 论

鉴于当前设备故障信号检测方法中存在的问题，提出基于蚁群的复印机故障信号的检测与提取方法。过程中，利用SVD理论对复印机中的噪声信号进行去除，通过蚁群算法对复印机故障信号进行检测，采用小波包分析将检测结果提取出来。实验表明，该方法具有较强的可实践性。

参考文献

[1] 吴魁，王仙勇，孙洁，等.基于深度学习的故障检测方法[J].计算机测量与控制，2017，25（10）：43?47.

WU Kui， WANG Xianyong， SUN Jie， et al. Fault detection method based on the deep belief network [J]. Computer measurement & control， 2017， 25（10）： 43?47.

[2] 芦竹茂，王天正，俞华，等.基于红外图像分析的电力设备热故障检测技术研究[J].现代电子技术，2017，40（11）：123?126.

LU Zhumao， WANG Tianzheng， YU Hua， et al. Research on electrical equipment thermal fault detection technology based on infrared image analysis [J]. Modern electronics technique， 2017， 40（11）： 123?126.

[3] 崔芮华，王绍敏.基于多维特征量的航空串联故障电弧检测[J].科学技术与工程，2017，17（13）：38?43.

CUI Ruihua， WANG Shaomin. Diagnosis of Arc faults in aviation AC system based on multi?dimensional features [J]. Science technology and engineering， 2017， 17（13）： 38?43.

[4] 刘洋，欧文，卢赢，等.基于径向基神经网络的称重设备传感器故障检测方法[J].传感技术学报，2017，30（6）：861?866.

LIU Yang， OU Wen， LU Ying， et al. Fault detection method for weighing equipment sensor based on radial basis function neural network [J]. Chinese journal of sensors and actuators， 2017， 30（6）： 861?866.

[5] 夏辉丽，郭亚男，余发军.基于稀疏分类算法的矿物传送设备故障诊断方法[J].工矿自动化，2016，42（2）：43?46.

XIA Huili， GUO Yanan， YU Fajun. Fault diagnosis method of mineral transmission equipment based on sparse classification algorithm [J]. Industry and mine automation， 2016， 42（2）： 43?46.

[6] 王迪，刘佳，王岩峰，等.基于多信号流模型的电子设备故障诊断方法[J].强激光与粒子束，2017，29（7）：99?103.

WANG Di， LIU Jia， WANG Yanfeng， et al. Modeling method of fault diagnosis of electronic device based on multi?signal flow [J]. High power laser and particle beams， 2017， 29（7）： 99?103.

[7] 孙海燕.大型机械设备振动系统故障诊断仿真研究[J].科技通报，2016，32（6）：88?92.

SUN Haiyan. Fault diagnosis simulation of large mechanical equipment vibration system [J]. Bulletin of science and technology， 2016， 32（6）： 88?92.

[8] 谢世满.机械设备振动信号采集对故障优化检测仿真[J].计算机仿真，2017，34（6）：419?422.

XIE Shiman. Simulation of fault detection for mechanical equipment vibration signal acquisition [J]. Computer simulation， 2017， 34（6）： 419?422.

[9] 高迎平，李洋，常文韬，等.基于模糊动态故障树的化工设备故障诊断方法研究[J].工业技术经济，2017，36（4）：48?54.

GAO Yingping， LI Yang， CHANG Wentao， et al. Research on failure diagnosis method of chemical equipment based on fuzzy dynamic fault tree [J]. Industrial technology & economy， 2017， 36（4）： 48?54.

[10] 段佳雷.基于分段线性非饱和随机共振的机械早期故障诊断方法研究[J].中国测试，2017，43（8）：106?112.

DUAN Jialei. Study on incipient fault diagnosis of machinery based on piecewise linearity and unsaturated stochastic resonance [J]. China measurement & testing technology， 2017， 43（8）： 106?112.