電子皮帶秤皮帶跑偏的檢測維修方法：

    為提*電子皮帶秤連續累計稱(chēng)量*度，針對嚴重影響*度的電子皮帶秤跑偏，采用對皮帶秤現有原始傳感器的數據挖掘實(shí)現跑偏量實(shí)時(shí)在線(xiàn)檢測，以取代傳統硬件檢測設備。引入流形學(xué)習和深度學(xué)習，分別提出了基于*部切空間排列（localtangentspacealignment,LTSA）+廣義回歸神經(jīng)網(wǎng)絡(luò )（generalizedregressionneuralnetworks,GRNN）和基于連續深度置信網(wǎng)絡(luò )（continuousdeepbeliefnetworks,CDBN）的在線(xiàn)跑偏特征提取模型，再結合*限學(xué)習機（extremelearningmachine,ELM）以跑偏特征為模型輸入進(jìn)行跑偏量預測。*后通過(guò)試驗對該文提出的在線(xiàn)跑偏量預測模型的性能進(jìn)行了驗證：LTSA+GRNN+ELM平均跑偏預測*度為93.33%，平均每組預測時(shí)間38.29ms；CDBN+ELM預測*度則*達98.61%，平均每組預測時(shí)間1.47ms。二者預測*度和實(shí)時(shí)性皆表明能取代傳統硬件檢測裝置，為皮帶跑偏檢測提供了*種方法，為進(jìn)*步的電子皮帶秤在線(xiàn)*度補償和故障預測提供了必要依據。

    輸送帶跑偏時(shí)，在稱(chēng)重段輸送帶上的物料分布會(huì )有明顯的不*致，輸送帶跑偏的部分物料會(huì )隨著(zhù)輸送帶做橫向運動(dòng)，并與各部件的振動(dòng)信息相耦合，單個(gè)稱(chēng)重單元數據是難以檢測出跑偏，需要對皮帶秤多個(gè)傳感器數據和設備參數數據挖掘才能實(shí)現。對于皮帶秤的在線(xiàn)輸送帶跑偏檢測，除了檢測的*率外，其實(shí)時(shí)性更為重要。然而，由于現場(chǎng)傳感器的實(shí)時(shí)數據類(lèi)別較多、數據之間存在線(xiàn)性或者非線(xiàn)性相關(guān)，若采用算法直接對現場(chǎng)傳感器數據進(jìn)行處理必然會(huì )消耗大量的計算資源和時(shí)間、以致難以滿(mǎn)足輸送帶跑偏檢測及特征提取的實(shí)時(shí)性和*率。故而，需要優(yōu)先對現場(chǎng)傳感器實(shí)時(shí)數據的維度進(jìn)行裁剪，消除部分冗余數據、提取出跑偏特征；然后采用回歸分析對特征進(jìn)行跑偏量預測。由此可見(jiàn)，輸送帶跑偏檢測的*率和實(shí)時(shí)性主要取決于降維算法和回歸分析模型的性能，其中降維算法尤為關(guān)鍵，算法需盡快地消除足夠多的冗余信息、并盡可能地保留有用信息。在機器學(xué)習領(lǐng)域，數據降維的方法有很多，大致可

分為傳統線(xiàn)性降維算法、流形學(xué)習方法以及基于神經(jīng)網(wǎng)絡(luò )的降維算法三大類(lèi)。

    采用SVM、*限學(xué)習機（extremelearningmachine,ELM）等回歸分析方法、以在線(xiàn)提取到的跑偏特征為輸入構建在線(xiàn)皮帶跑偏量預測模型，并分別在參數不同的皮帶秤上進(jìn)行試驗，試驗結果表明：LTSA+GRNN+ELM和CDBN+ELM模型在不同電子皮帶秤的不同流量下皆具有良好的皮帶跑偏預測*度和泛化性能，*度均超過(guò)了90%，后者更是達到了98.61%；二者皆具有較好實(shí)時(shí)性，后者平均每組測試時(shí)間只有1.47ms，但前者訓練時(shí)間相對較短；二者皆可取代傳統硬件跑偏檢測設備，避免額外檢測設備的制造、安裝維修成本，符合生產(chǎn)商和客戶(hù)的需求。此外，該研究為進(jìn)*步的皮帶秤在線(xiàn)*度補償和故障預測提供了必要依據。