皮带秤是一种散状物料连续累计称重设备，广泛应用于码头、粮库等各大农作物、工业原料贸易场合。输送带跑偏是皮带秤运行过程中常见的现象，广泛见于各种带式输送机设备核子秤、视觉秤等。造成跑偏的原因很多，但根本原因是输送带张力中心线偏离几何中心线，跑偏是一种全局性故障，一旦发生，必定是整条输送带跑偏。
输送带跑偏不仅严重影响皮带秤计量精度、稳定性和耐久性，同时也是导致诸如设备主要部件滚筒窜轴、托辊轴承等非正常磨损、输送带撕裂、停机等皮带秤现场事故的主要原因。因此，对跑偏进行实时在线定量检测具有极其重要的意义，所检测到的跑偏量即输送带偏离几何中心线的程度，通常通过输送带边缘与托辊之间距离的变化来定量不仅可用来补偿皮带秤累计计量精度，而且还用来故障预测。
传统输送带跑偏检测分为接触式和非接触式检测：接触式检测主要是采用机械的检测传动轮，通常只能定性检测：非接触式通常采用CCD（charge-coupled device）、PSD（phase-sensitive detetor）、阵列式光电三极管等光敏元器件作为检测传感器，以FPGA（field-programmablegate-array）、DSP（digital signal processor）1、ARM（acorn reduced instruction set computer machine）、单片机等为采集处理芯片进行跑偏检测，可实现定量检测。而且，为了能够现场实时监控，两种方式还都需要建立额外的总线通信将跑偏数据实时传送到现场仪表或工控机。毫无疑问，传统检测大大增加了设备制造成本和安装维修成本，不符合制造商和客户的需求。此外，皮带秤的恶劣工作环境使得检测设备难以长期稳定工作，故而需要另觅他径。
随着信号处理技术以及数据挖掘技术的日益成熟和广泛应用，对现有传感器数据进行信号处理、数据挖掘、提取输送带跑偏特征以实现输送带跑偏检测是一条可行且可靠的途径。然而，由于皮带秤现有传感器的采样频率大多是在10Hz以内，进行时频分析后难以获得显著的跑偏特征信号，故只能采用机器学习方法对现有数据进行直接处理。输送带跑偏时，在称重段输送带上的物料分布会有明显的不一致，输送带跑偏的部分物料会随着输送带做横向运动，并与各部件的振动信息相耦合，单个称重单元数据是难以检测出跑偏，需要对皮带秤多个传感器数据和设备参数数据挖掘才能实现。
对于皮带秤的在线输送带跑偏检测，除了检测的准确率外，其实时性更为重要。然而，由于现场传感器的实时数据类别较多、数据之间存在线性或者非线性相关，若采用算法直接对现场传感器数据进行处理必然会消耗大量的计算资源和时间、以致难以满足输送带跑偏检测及特征提取的实时性和准确率。故而，需要优先对现场传感器实时数据的维度进行裁剪，消除部分冗余数据、提取出跑偏特征：然后采用回归分析对特征进行跑偏量预测。由此可见，输送带跑偏检测的准确率和实时性主要取决于降维算法和回归分析模型的性能，其中降维算法尤为关键，算法需尽快地消除足够多的冗余信息、并尽可能地保留有用信息。
在机器学习领域，数据降维的方法有很多，大致可分为传统线性降维算法、流形学习方法以及基于神经网络的降维算法三大类。后两类算法是为了解决传统线性降维算法（主成分分析、多维标度分析等）难以处理的非线性相关问题。具有代表性的流形学习算法有距映射算法（isomap）和局部线性嵌入算法（locally linear embedding，LLE）、Hessian LLE、拉普拉斯特征映射算法、局部保留投影算法、局部切空间排列算法（local tangent space alignment，LTSA）、近邻保留嵌入等，基于神经网络的降维算法有受限玻尔兹曼机（restricted boltzmann machine，RBM）、栈式自编码器、深度置信网络（deep belief networks，DBN）、自组织特征映射网络等。针对电子皮带秤跑偏数据存在非线性相关的特性，本文分别结合流形学习和深度学习对电子皮带秤皮带跑偏检测进行研究，分别提出基于LTSA+GRNN+ELM和基于CDBN+ELM的跑偏检测模型，并通过试验将二者与其他模型进行对比验证。
点击在线咨询