江朋，陆远，胡莹

(南昌大学机电工程学院，江西 南昌 330031)

随着科学技术的发展，印刷设备的工作要求不断提高，其结构也趋于复杂化和精细化。在印刷设备运行过程中对连续运行要求高，且其检修、维护较为困难。因此，如何实现对设备故障的及时诊断和提前预警成为了印刷企业最重视的问题。

传统的故障诊断技术多采用单一参数指标，通过对其特征提取来完成设备的故障预警，而现代机械设备由于其复杂性和精密性，运行过程中有着多个关键参数，且常常伴随着多个故障同时出现的情况。因此传统故障诊断技术已远远不能满足企业的实际需求，采用多参数融合技术[1]进行设备的故障预警逐步成为研究的热点。近几年，国内外不少学者致力于多参数融合预警技术的研究，并取得了很大的成效。对于复杂旋转机械的故障诊断问题，王炳成等[2]提出了一种基于多参数融合的非线性度来解决，通过运用相空间重构理论和信号特征整合的方法，对多个非线性故障信号进行时间序列重构及特征参数融合，实现对不同故障信息的准确识别。冯玉芳等[3]通过将BP神经网络模型和改进量子蜂群算法相结合来处理多信号参数的输入，完成对旋转机械的故障诊断及预测。Cai等[4]则提出了一种基于面向对象的贝叶斯网络(OOBNs)的复杂系统的实时故障诊断模型，通过多源信息融合技术来解决故障诊断中的不确定性。Jiang等[5]采用离散熵的多序列聚合方法，结合LSTM神经网络，对高维度的多个数据集进行分解、聚合等处理，最大程度保留了多尺度参数的有效信息，实现对航空发动机健康状态的预测。……