基于平均池化层时间卷积网络的轴承故障诊断方法.pdf

PRINTING AND DIGITAL MEDIA TECHNOLOGY STUDY Tol.229 No.2 2024.04印刷与数字媒体技术研究 2024年第2期（总第229期）RESEARCH PAPERS研究论文基于平均池化层时间卷积网络的轴承故障诊断方法王莹笑，项 璇，杨彦红*，曹少中（北京印刷学院 信息工程学院，北京 102600）摘要 为了进一步提高滚动轴承故障检测的准确性、改善时间卷积网络模型（Temporal Convolutional Network,TCN）存在的过拟合问题，本研究提出了增加平均池化层的时间卷积网络（Temporal Convolution with Average Pooling Network,TCAPN）模型。该方法首先使用膨胀因果卷积代替传统卷积神经网络，其次在残差模块多个地方加入平均池化层改善模型过拟合问题，最后结合多个改进残差模块构建本研究提出的TCAPN模型。实验结果表明，在相同工况条件下，TCAPN模型能够更快地收敛，并且平均故障诊断准确率达到了98.73%，相较于TCN模型提高了2.87%，验证了该模型具有高准确性和鲁棒性。关键词 轴承故障诊断；深度学习；时间卷积网络；残差网络中图分类号 TH133.33;TP183;TS803文献标识码 A文章编号 2097-2474(2024)02-85-07DOI 10.19370/10-1886/ts.2024.02.009Bearing Fault Diagnosis Method Based on Average Pooling Layer Time Convolution NetworkWANG Ying-xiao,XIANG Xuan,YANG Yan-hong*,CAO Shao-zhong(College of Information Engineering,Beijing Institute of Graphic Communication,Beijing 102600,China)Abstract To further improve the accuracy of rolling bearing fault detection and address the overfitting issue in the Temporal Convolutional Network(TCN)model,a novel approach called Temporal Convolution with Average Pooling Network(TCAPN)was proposed in this study.The proposed method utilized expansive causal convolution instead of traditional convolutional neural networks.Additionally,average pooling layers were incorporated at multiple locations within the residual modules to mitigate the overfitting problem.The TCAPN model was constructed by combining multiple improved residual modules.Experimental results demonstrated that under the same operating conditions,the TCAPN model exhibits faster convergence and achieves an average fault diagnosis accuracy of 98.73%,which is 2.87%higher than the TCN model.These findings validate the high accuracy and robustness of the proposed TCAPN model.Key words Bearing fault diagnosis;Deep Learning;Temporal convolutional network;Residual network收稿日期：2023-06-19 修回日期：2023-09-15 *为通讯作者项目来源：北京市自然基金和北京市教委联合项目(No.KZ202010015021)；北京印刷学院学科建设及研究生教育专项资助（No.21090224002，No.21090124013)；北京印刷学院校级项目(No.Eb202404)本文引用格式：王莹笑，项璇，杨彦红，等.基于平均池化层时间卷积网络的轴承故障诊断方法J.印刷与数字媒体技术研究，2024，(2)：85-91.2024年2期印刷与数字媒体技术研究（拼版）.indd 852024年2期印刷与数字媒体技术研究（拼版）.indd 852024/4/26 17:07:552024/4/26 17:07:5586印刷与数字媒体技术研究2024年第2期（总第229期）0 引言印刷装备在印刷行业的发展中发挥着十分重要的作用。滚动轴承作为印刷装备的重要组成部分，有抗冲击交变负荷、抗热疲劳、抗机械磨损的作用，并且能够维持高速的旋转，保证旋转器械的正常运行。滚动轴承发生故障会导致印刷装备停工甚至造成机器损坏，根据统计显示，超过30的旋转机械故障是由滚动轴承故障引起的。传统的轴承故障诊断方法包括专家系统、模糊理论、模糊神经网络、遗传算法和支持向量机等。但这些技术都要求有一定的专家经验，需要人为选取特征，存在判断不准确、识别速度慢的局限性。随着深度学习、大数据、知识图谱等人工智能技术在各行各业中广泛应用，也为滚动轴承故障诊断技术的研究提供了新的思路。近几年，时间卷积网络被证明在时序数据上有较好表现，与堆叠式循环神经网络1、基于长短期记忆（Long Short-Term Memory，LSTM）模型的轴承故障诊断模型2以及基于残差网络的轴承故障诊断模型3等深度学习模型相比，基于时间卷积网络（Temporal Convolutional Network，TCN）的轴承诊断模型4有更好的性能。许多研究表明，卷积结构在各种时序预测任务上的表现均优于传统的递归网络，引入TCN可以在数据训练过程中保留时序特征，对此前的历史数据和当前层的数据进行特征融合构建。TCN利用因果卷积将之前的数据融入到现在时刻和未来时刻，从而更好地处理时序数据特征，并通过膨胀卷积获得更大的感受野、减少参数。虽然现有的TCN在轴承故障诊断方面已经取得了较好的成果，但存在深度学习网络仍然没有办法对特征进行充分提取的问题。针对以上问题，本研究对TCN进行了改进，提出了增加平均池化层的时间卷积网络（Temporal Convolution with Average Pooling Network,TCAPN）滚动轴承故障诊断模型。模型的优点是：1）该模型在残差模块中增加多个池化层，使得模型可以在保留主要特征的同时减少训练参数；2）经过大量实验验证该模型在故障诊断中应用效果良好，且可以通过改进残差模块对数据进行跨层传输从而解决过拟合问题；3）在固定工况下TCAPN滚动轴承故障诊断模型能够达到加速模型训练的目的，且在模型稳定性和鲁棒性相对较好的基础上准确率能达到最好。1 TCAPN滚动轴承故障诊断模型传统时间卷积网络5仅由卷积层构成，虽然采用膨胀卷积和残差连接可以避免由于网络层数较深带来的不足，但在实际使用中能够发现随着卷积层和残差结构的增加，会存在参数过多、出现大量冗余特征的问题，从而导致耗费大量训练时间，并且全卷积层的网络结构6容易发生过拟合，使得故障诊断的准确率较低。针对以上问题，本研究提出了改进的残差模块，即在每层膨胀卷积后增加平均池化层。池化层不仅具有特征不变性，能够保留数据的重要特征，还可以实现特征降维，去除冗余信息减少计算量从而达到减少参数的目的。平均池化层是将指定区域的平均值作为该区域池化后的值，减少训练参数并保留主要特征，进而防止过拟合提高准确率。1.1 膨胀因果卷积传统的卷积神经网络中，因果卷积通过保留卷积中从前往后的连接，可以让卷积网络存在时间上的因果关联，使滚动轴承的故障分类结果仅依赖过去的数据，因果卷积的每一层的输出都是由前一层对应位置的输入和前一位置的输入共同作用得到，如图1a所示。膨胀卷积7使得时间卷积网络拥有更大的感受野，能够保留更长远的历史信息，获取更大范围的输入，如图1所示，其中图1b为膨胀因子系数d=1时的膨胀卷积网络图，当d=1时膨胀卷积和卷积神经网络是相同的结构，图1c为膨胀因子系数d=2时的膨胀卷积网络图，图1d为膨胀因子系数d=4时的膨胀卷积网络图。膨胀卷积的原理是在因果卷积过程2024年2期印刷与数字媒体技术研究（拼版）.indd 862024年2期印刷与数字媒体技术研究（拼版）.indd 862024/4/26 17:07:552024/4/26 17:07:5587研究论文王莹笑等：基于平均池化层时间卷积网络的轴承故障诊断方法中增加膨胀因子来决定采样间隔，膨胀因子一般设置为2n，并随着网络结构不断加深呈指数级增长，从而保证网络可以记忆更多的信息，同时避免由于网络层数增加导致参数过多的问题。当前卷积层的空洞个数计算方式如式(1)所示：n=(d-1)2（1）感受野表达式如式(2)所示：r=d2+1（2）式(1)式(2)中，n为卷积层空洞个数，r为感受野大小，d为膨胀因子系数。cadbd=2d=4d=1前一层当前层图1 传统因果卷积及膨胀因果卷积图Fig.1 Traditional causal convolution and expansive causal convolution diagrams1.2 改进残差模块时间卷积网络的残差模块由两部分组成，如图2a 所示，左半部分包含两个膨胀因果卷积、ReLU激活函数和Dropout层，右半部分通过卷积层使得输入和输出的长度相同。经过改进后，为了使残差模块的输入输出长度相同，不仅要在每层膨胀卷积后增加一个平均池化层，还需在右半部分也增加一个池化层。改进的残差模块如图2b所示。改进后的残差模块由两部分组成，首先左半部分通过膨胀因果卷积提取滚动轴承的全局特征，再利用平均池化层保持重要特征的同时减少参数，重复以上步骤，再经过ReLU激活函数将输出结果做线性映射，利用Dropout随机让部分神经元失活从而缓解过拟合现象。右半部分将原始输入进行卷积运算后，再进行平均池化模糊输入数据的细节特征，保留了原始振动信号的浅层特征。利用残差连接将左半部分和右半部分进行求和，进而实现特征融合，保留原始轴承振动数据浅层特征的同时融合卷积网络挖掘出的深层特征。1.3 TCAPN结构由于传统的TCN不能很好的解决模型过拟合问题，本研究对其中存在的残差块进行了改进，通过在两层膨胀因果卷积以及右侧卷积层后加入平均池化层改善了模型过拟合问题。随后将改进过的残差块应用到模型构建中，本研究构建的TCAPN结构示意图如图3所示。改进的时间卷积模型以滚动轴承原始一维振动数据作为输入，模型含有三个残差模块，依次经过三个残差块后进入输出层，随后分别通过Flatten层对数据进行展平操作，完成从卷积层到全连接层的过渡，使用Dropout层起到正则化的作用，简化网络结构，最后通过全连接层中的激活函数Softmax实现对轴承的故障诊断。TCAPN模型通过三个残差块可以更有效地挖掘轴承振动信息的全局特征，每个残差模块中包含两个膨胀因果卷积、两个平均池化层，以及一个ReLU激活函数和一个Dropout层。输入数据首先经过膨胀卷积层提取并学习特征信息，在此过程中使用大小不同的卷积核提取不同尺度的特征并进行融合，可以更加充分地利用特征信息；其次利用平均池化层在保留信号重要特征的同时，模糊细节特征避免过拟合问题；最后通过激活函数对数据进行非线性映射，经过Dropout层随机忽略一定数量的神经元膨胀因果卷积膨胀因果卷积11卷积层激活函数(ReLU)Dropout层平均池化层膨胀因果卷积膨胀因果卷积卷积层平均池化层平均池化层激活函数(ReLU)Dropout层ab图2 残差模块Fig.2 Residual Module2024年2期印刷与数字媒体技术研究（拼版）.indd 872024年2期印刷与数字媒体技术研究（拼版）.indd 872024/4/26 17:07:562024/4/26 17:07:5688印刷与数字媒体技术研究2024年第2期（总第229期）减少每个节点的权重，可以加速模型训练。同时输入数据经过卷积单元保持和特征提取块相同的尺度大小，能够在不断挖掘深层特征的同时保留浅层特征，使得模型可以更有效地对轴承故障进行识别。2 实验验证2.1 实验数据本研究使用美国凯斯西储大学轴承数据中心的公开数据集（Case Western Reserve University，CRWU）8，该数据集是世界公认的轴承故障诊断标准数据集，被广泛应用于轴承故障诊断中。该数据集的实验装置由电机、扭矩传感器及编码器、测功器三部分组成。电机的左右端分别为风扇端轴承和驱动端轴承，驱动端轴承为SKF6205，采样频率为12kHz和48kHz，风扇端轴承为SKF6203，采样频率为12kHz。本研究使用采样频率为12kHz的驱动端轴承振动信号数据。由于数据采集时在不同的转速下，因此根据其不同的负载将样本分为4个数据集，其电机负载分别为0HP、1HP、2HP和3HP（其中1HP约为735.49875W），对应的转速分别为1797r/min、1772r/min、1750r/min、1730r/min。根据故障发生位置的不同将所有故障分为内圈故障、外圈故障和滚珠故障3种类型，并且每种类型的故障都有3种不同的损伤直径，分别为0.007英寸、0.014英寸和0.021英寸（1英寸约为25.4mm），另外还包含一类正常轴承类型，形成10种故障类型。负荷状态为0HP、1HP、2HP、3HP的数据分别对应A、B、C、D四组数据集，每个数据集中均由包括正常状态在内的10种状况。2.2 实验方案滚动轴承振动加速度数据为时间序列数据，在进行训练和故障诊断时不需要其他特征，直接以振动加速度数据为样本，通过对数据进行预处理、特征提取操作，使得模型充分学习特征，最终将加速度数据和滚动轴承的不同故障类型相匹配，达到故障诊断的目的。2.2.1 数据预处理首先在模型训练之前进行数据预处理，选取标准差标准化预处理。由于标准化实质是一种线性变换，它可以消除异常数值对训练模型的影响，在提高数据表现力的同时不对数据进行实质性的改变，有利于加快模型的训练时间。选用标准差标准化处理，其计算公式如式(3)。XXXX=（3）式(3)中，是标准化后的变量值，为均值，为标准差。标准差计算公式如式(4)。（4）式(4)中，xi为第i个输入数据，N为输入样本值，为均值。Dropout平均池化层激活函数(ReLU)膨胀因果卷积层平均池化层卷积层平均池化层输入层膨胀因果卷积层+残差块Dropout平均池化层激活函数(ReLU)膨胀因果卷积层平均池化层卷积层平均池化层膨胀因果卷积层+残差块Dropout平均池化层激活函数(ReLU)膨胀因果卷积层平均池化层卷积层平均池化层Flatten层Dropout全连接层膨胀因果卷积层+残差块隐藏层输出层图3 TCAPN模型结构示意图Fig.3 TCAPN modle structure schematic2024年2期印刷与数字媒体技术研究（拼版）.indd 882024年2期印刷与数字媒体技术研究（拼版）.indd 882024/4/26 17:07:562024/4/26 17:07:5689研究论文王莹笑等：基于平均池化层时间卷积网络的轴承故障诊断方法2.2.2 搭建改进残差模块的时间卷积网络轴承故障诊断模型膨胀因果卷积用于提取滚动轴承时序数据的特征，但是当其膨胀因子为1时，该卷积即为普通一维卷积层，其感受野并不会变大，使得网络的加深并不能对模型效果进行明显提升，因此设置三个残差模块的膨胀因子分别为2、4、8。2.2.3 确定网络参数和迭代次数1）膨胀因果卷积的卷积核：三个模块的膨胀因果卷积的卷积核分别设置为4、8、16，可以通过不同尺寸的卷积更充分地提取故障信息。2）Batch size：Batch size的设置对网络的准确率和训练时间有一定影响，如果设定值过小会使训练时间增加，并且网络可能存在过拟合导致准确率变低，设定值较大能够加速模型训练，但过大可能导致欠拟合不能很好地实现故障诊断。因此通过实验选取合适的Batch size值，实验结果发现Batch size为64时，平均准确率99.33%，损失函数值为0.019，单次训练时间为37.585s，准确率最高并且训练时间适中，因此将Batch size的大小设置为64。3）迭代次数：迭代次数设置过小时不能对特征进行有效学习，使模型无法得到有效训练，从而影响故障诊断的精度，但设置过大会造成模型陷入局部最优，使模型过拟合，并且训练时间会随着迭代次数增多而增加。4）优化器：本研究选择Adam优化器，其优点是可以自适应优化学习率，在训练的初期设定学习率初始值为0.001，训练开始时设定较大值可以加快模型收敛，但始终保持较大的学习率不利于模型准确率的提升，因此随着迭代次数的增加逐渐减小学习率值，帮助模型达到更好的拟合效果，限定最小值设为0.00001。2.2.4 提高模型准确性确定网络参数及迭代次数后，可以利用训练集对模型进行训练和迭代，不断提高模型诊断的准确性。在训练过程中，可以采用一些优化算法来调整模型的参数，使其更好地拟合训练数据。此外，还可以尝试使用不同的网络结构、调整学习率等方法来改善模型的性能。通过反复的训练和调整，可以逐渐提高模型的准确性，并使其更好地适应轴承故障诊断任务。2.2.5 验证模型准确率模型的准确性通过训练集提升到较高的水平后，可以通过验证集测试模型的准确度。验证集是独立于测试集的数据集，通过验证集的检验可以更好的确定模型是否具有较高的准确率。2.3 TCAPN滚动轴承故障模型效果验证 本研究选择电机负载为0HP和1HP的两个数据集作为示例，将TCAPN模型分别应用在两个数据集上，其效果如图4所示，观察改进时间卷积网络的训练曲线和验证曲线，其中TEST_ACC指的是模型在测试集的准确率，TEST_LOSS指的是模型在测试集的损失函数值，VAL_ACC指的是模型在验证集上的准确率，VAL_LOSS指的是模型在验证集上的损失函数值。b.数据集B00.511.522.500.10.20.30.40.50.60.70.80.9104812 16 20 24 28 32 36 40 44 48损失值准确率迭代轮次TEST_ACCVAL_ACCTEST_LOSSVAL_LOSS00.511.522.500.10.20.30.40.50.60.70.80.9104812 16 20 24 28 32 36 40 44 48损失值准确率迭代轮次TEST_ACCVAL_ACCTEST_LOSSVAL_LOSSa.数据集A图4 基于TCAPN网络的训练和验证曲线Fig.4 Training and validation curves based on TCAPN networksTCAPN模型在两个数据集上均有较高拟合度，数据集A在后期的拟合度最佳，可以达到和训练集一致的准确率，最高为100%。以数据集A为例，2024年2期印刷与数字媒体技术研究（拼版）.indd 892024年2期印刷与数字媒体技术研究（拼版）.indd 892024/4/26 17:07:562024/4/26 17:07:5690印刷与数字媒体技术研究2024年第2期（总第229期）可以看到模型在训练十轮次后就有明显提升，准确率可以达到90%左右，并且能够较快地趋于稳定，损失函数值也经过较为明显的下降后持续趋近于零，模型在后期也可以保持稳定且较高的诊断准确率。数据集B在中期由于损失函数的波动导致准确率波动较大，但也均在95%以上，并且其测试准确率和验证准确率一直保持较好的拟合效果，训练末期损失函数曲线有轻微翘边情况，但对准确率影响不大。两个数据集的平均准确率均接近99%，说明TCAPN模型可以较好地应用于滚动轴承故障诊断，并且在负载为0HP的固定工况下诊断效果最佳。不仅如此，TCAPN模型在平均准确率及平均训练时间上相较传统的TCN均得到明显提升，对比结果见表1。表1 TCN模型与TCAPN模型对比Tab.1 TCN model compared to improved TCAPN model模型平均准确率（%）平均训练时间（s）TCN95.8662.723TCAPN98.7337.808数据表明TCAPN模型相较于TCN模型平均准确率提高了2.87%，平均训练时间由TCN的62.723s，缩减到37.808s，效率提升了39.7%。本研究证明TCAPN模型在四个数据集上都能够有效解决全卷积层网络带来的过拟合问题，使模型能够很好地拟合数据，同时也说明在膨胀因果卷积后增加平均池化层，可以在保持膨胀卷积巨大感受野的同时，发挥池化层模糊细节特征、减少参数的优势，能够改善TCN网络模型的故障诊断精度不高的不足。本研究提出的TCAPN模型不仅能有效提高滚动轴承故障分类的准确性，而且有较高的鲁棒性。2.4 不同模型结果对比为了验证TCAPN模型的效果，本研究与其他故障模型进行比较。选择残差网络（Residual Network,ResNet）9、第一层宽卷积核深度卷积神经网络（Deep Convolutional Neural Networks with Wide First-layer Kernel,WDCNN）10以及改进的深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）11故障诊断模型进行对比。ResNet网络由两个残差块堆叠组成，每个残差块中依次通过卷积核大小分别为1、3、1的卷积层。WDCNN网络首层卷积核大小为64，后续通过四个卷积核大小均为3的卷积层，每层卷积后进入池化窗口为2的最大池化层。由表2结果可知，本研究提出的TCAPN模型的准确率为98.7%，相较于其他模型准确率能提升1.5%5.2%，实验证明表2所述模型均能应用于滚动轴承的故障诊断，但与其他模型相比，TCAPN模型有更高的准确率和稳定性，因此识别轴承故障效果更好。表2 不同模型故障诊断结果Tab.2 Troubleshooting results for different models模型ResNet9WDCNN10DCNN11TCAPN准确率（%）93.596.897.298.73 结论本研究通过应用膨胀因果卷积、改进残差模块及增加平均池化层，从而提出了TCAPN模型。通过实验说明在TCN中应用增加平均池化层的改进残差模块，并使用不同大小的卷积核，以不同分辨率挖掘轴承的全局故障特征，可以更加有效地对特征进行提取，避免因特征冗余、参数多造成训练时间长的弊端，同时解决过拟合导致的准确率偏低的问题。实验结果证明了TCAPN故障诊断模型具有更高的准确率，在TCN模型的基础上准确率可以提升2.87%，另外，与经典网络以及其他文献所述模型相比，TCAPN模型也具有更高的故障识别准确率和稳定性。参考文献1 周奇才,沈鹤鸿,赵炯,等.基于改进堆叠式循环神经网络的轴承故障诊断J.同济大学学报(自然科学版),2019,47(10):1500-1507.ZHOU Qi-cai,SHEN He-hong,ZHAO Jiong,et al.Bearing Fault Diagnosis Based on Improved Stacked Recurrent Neural Network J.Journal of Tongji 2024年2期印刷与数字媒体技术研究（拼版）.indd 902024年2期印刷与数字媒体技术研究（拼版）.indd 902024/4/26 17:07:562024/4/26 17:07:5691研究论文王莹笑等：基于平均池化层时间卷积网络的轴承故障诊断方法University(Natural Science Edition),2019,47(10):1500-1507.2 庄雨璇,李奇,杨冰如,等.基于LSTM的轴承故障诊断端到端方法J.噪声与振动控制,2019,39(6):187-193.ZHUANG Yu-xuan,LI Qi,YANG Bing-ru,et al.End-to-end Method of Bearing Fault Diagnosis Based on LSTM J.Noise and Vibration Control,2019,39(6):187-193.3 任爽,林光辉,田振川,等.基于STFT-Inception-残差网络的轴承故障诊断J.吉林大学学报(信息科学版),2022,40(4):621-627.REN Shuang,LIN Guang-hui,TIAN Zhen-chuan,et al.Bearing Fault Diagnosis Based on STFT-Inception-Residual Network J.Journal of Jilin University(Information Science Edition),2022,40(4):621-627.4 李亚平,李素杰,马波,等.基于TCN的滚动轴承振动趋势与剩余寿命预测研究J.现代制造工程,2021,492(9):124.LI Ya-ping,LI Su-jie,MA Bo,et al.Study on Vibration Trend and Remaining Life Prediction of Rolling Bearing Based on TCN J.Modern Manufacturing Engineering,2021,492(9):124.5 吴春志,冯辅周,吴守军,等.深度学习在旋转机械设备故障诊断中的应用研究综述J.噪声与振动控制,2019,39(5):1-7.WU Chun-zhi,FENG Fu-zhou,WU Shou-jun,et al.Review on the Application of Deep Learning in Fault Diagnosis of Rotating Machinery Equipment J.Noise and Vibration Control,2019,39(5):1-7.6 杨媛媛,丁建军.基于全卷积网络的FDD大规模MIMO系统CSI反馈J.传感器与微系统,2022,41(3):87-90.YANG Yuan-yuan,DING Jian-jun.CSI Feedback for FDD Massive MIMO System Based on Fully Convolutional Network J.Sensors and Microsystems,2022,41(3):87-90.7 许新征,李杉.基于特征膨胀卷积模块的轻量化技术研究J.电子学报,2023,51(2):355-364.XU Xin-zheng,LI Shan.Research on Lightweight Technology based on Characteristic Expansion Convolutional Module J.Acta Electronica Sinica,2023,51(2):355-364.8 Case Western Reserve University(CWRU)Bearing Data CenterEB/OL.2021-09-29.https:/csegroups.case.edu/bearingdatacenter/.9 张小刚,丁华,王晓波,等.深度残差网络在滚动轴承故障诊断中的研究J.机械设计与制造,2022,(1):77-80.ZHANG Xiao-gang,DING Hua,WANG Xiao-bo,et al.Research on Deep Residual Network in Fault Diagnosis of Rolling Bearings J.Mechanical Design and Manufacturing,2022,(1):77-80.10 张伟.基于卷积神经网络的轴承故障诊断算法研究D.哈尔滨:哈尔滨工业大学,2017.ZHANG Wei.Research on Bearing Fault Diagnosis Algorithm Based on Convolutional Neural Network D.Harbin:Harbin Institute of Technology,2017.11 张西宁,刘书语,余迪,等.改进深度卷积神经网络及其在变工况滚动轴承故障诊断中的应用J.西安交通大学学报,2021,55(6):1-8.ZHANG Xi-ning,LIU Shu-yu,YU Di,et al.Improved Deep Convolutional Neural Network and Its Application in Fault Diagnosis of Rolling Bearings in Variable Working Conditions J.Journal of Xian Jiaotong University,2021,55(6):1-8.主要作者王莹笑（1999年-），硕士研究生；主要研究方向为视频人脸识别、机器视觉、深度学习。WANG Ying-xiao,born in 1999.She is a masters student.Her main research interest is video facial recognition,machine vision,and deep learning.（下转第115页）2024年2期印刷与数字媒体技术研究（拼版）.indd 912024年2期印刷与数字媒体技术研究（拼版）.indd 912024/4/26 17:07:572024/4/26 17:07:57115研究论文JIN Pin-liang et al:Study on the Adhesion of Water-Based Ink on Cigarette Paper 赵荣艳,杨江涛,王安.新型烟用接装纸及其应用现状简述J.纸和造纸,2021,40(4):26-31.2 WANG Yong-hui.Application Study of Cigarette Packet Printing Upgrade Based on Water-based Ink J.Model World,2022,(22):16-18.王永辉.基于水性油墨烟包印刷升级改造的应用研究 J.模型世界,2022,(22):16-18.3 ZHANG Yan-fen,ZOU Yang,WANG Xu-hong,et al.Study on Adhesion of Water-based Gravure Printing Ink Based on Regression Analysis J.Packaging Engineering,2017,38(1):200-203.张彦粉,邹洋,王旭红,等.基于回归分析的水性凹印油墨附着力的研究J.包装工程,2017,38(1):200-203.4 YANG Li-zhen,HAO Yan-ping,ZHOU Zhen.Effect of Additives on the Adhesion of Water-based UV-Curable Screen Printing Plastic Inks J.Packaging Engineering,2008,29(9):32-33,40.杨丽珍,郝燕萍,周震.助剂对水性UV固化丝网印刷塑料油墨附着力的影响J.包装工程,2008,29(9):32-33,40.5 LIU J,XIA F,GUO L H,et al.Ambient Crosslinking Latex Binders:Effects of Alkali-Soluble Resin Dosage on Ethanol Resistance,Adhesion and Crosslinking Reaction J.Colloids and Surfaces A:Physicochemical and Engineering Aspects,2023,671(20):131568.Main AuthorJIN Pin-liang,born in 1999.She is a postgraduate.Her main research direction is preparation and properties of water-based inks.金聘亮（1999年-），硕士研究生；主要研究方向为水性油墨的制备及性能的研究。Prof.WANG Hai-qiao,born in 1963.He got the doctor degree.His main research directions are optoelectronic functional polymer materials,water-based environmental protection coatings and adhesive,special polymer materials,fine organic and polymer product.王海侨（1963年-），博士，教授；主要致力于光电功能高分子材料，水性环保涂料及黏合剂的研究和开发，特种高分子材料、精细有机和高分子产品开发。杨彦红（1985年-），博士，讲师，硕士生导师；主要研究方向为视频内容理解、移动计算、软件应用。YANG Yan-hong,born in 1985.She got the doctor degree and now is a lecturer and the masters supervisor.Her main research interest is video content understanding,mobile computing,and software applications.曹少中（1965年-），博士，教授，硕士生导师；主要研究方向为智能信息处理、机器视觉与智能系统和电子束固化技术。Prof.CAO Shao-zhong,born in 1965.He got the doctor degree and now is a masters supervisor.His main research directions are intelligent information processing,machine vision and intelligent systems,and electron beam curing technology.（上接第91页）2024年2期印刷与数字媒体技术研究（拼版）.indd 1152024年2期印刷与数字媒体技术研究（拼版）.indd 1152024/4/26 17:08:082024/4/26 17:08:08