電子皮帶（dài）秤皮（pí）帶跑偏的（de）檢測維修（xiū）方（fāng）法：

    為提*電子皮帶秤連續累計（jì）稱量*度，針對嚴重（chóng）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現跑偏量（liàng）實時在線檢測，以取（qǔ）代傳統硬件檢測設（shè）備。引入流形學習和深（shēn）度學習，分別提出了基於*部切空間排（pái）列（localtangentspacealignment,LTSA）+廣義回歸（guī）神經網絡（generalizedregressionneuralnetworks,GRNN）和基於連續深度置信網絡（continuousdeepbeliefnetworks,CDBN）的在（zài）線跑偏特征提（tí）取模型，再結合*限學習機（extremelearningmachine,ELM）以（yǐ）跑偏特征為模型輸入進行跑偏量預測。*後（hòu）通過試驗對該文提出的在線跑偏量預測（cè）模型的性能進行了驗證：LTSA+GRNN+ELM平均跑偏預測*度為93.33%，平均每組預（yù）測時間（jiān）38.29ms；CDBN+ELM預測*度則（zé）*達98.61%，平均每組預測時間1.47ms。二者預測*度（dù）和實時性（xìng）皆表明能取（qǔ）代傳統硬（yìng）件檢測裝置，為皮帶（dài）跑偏（piān）檢測提供（gòng）了*種（zhǒng）方法，為進*步的電子皮帶秤在線*度補（bǔ）償和故障預測（cè）提供了（le）必要依據。

    輸送（sòng）帶（dài）跑偏時，在稱（chēng）重段輸送帶上的（de）物料分布會有明顯（xiǎn）的不*致，輸送（sòng）帶跑偏的部（bù）分物料會隨著輸（shū）送帶做橫向運動，並與各部件的振動信息相耦合，單個稱重單元數據是難以檢測出跑偏，需要（yào）對皮帶秤多個傳感器數據和設備參（cān）數（shù）數據挖掘才能實現。對（duì）於皮帶秤的在線（xiàn）輸送帶跑偏檢測（cè），除了（le）檢測的*率外，其實時性更為重要（yào）。然而，由於現場傳感（gǎn）器（qì）的實時數（shù）據類別較多、數（shù）據之間（jiān）存在線性或者非線（xiàn）性（xìng）相關，若采用算法直接對現場傳感（gǎn）器數據進行處理必然會（huì）消耗大量（liàng）的計算資源和時間、以致（zhì）難以滿足（zú）輸（shū）送帶跑偏檢測及（jí）特征提取的實時性和*率。故而，需要優先對現場傳感器（qì）實時數據的（de）維度進行裁剪，消除部分冗餘數據、提取出跑偏特征；然後采用回歸分析對特（tè）征進行跑偏量預測。由此（cǐ）可見，輸送帶跑偏檢測的*率和實時性主要取決於降維（wéi）算法和回歸分析模（mó）型（xíng）的性能，其中降維算法尤為關鍵，算法需盡快（kuài）地消除（chú）足夠多的冗餘信息、並盡可能地保留有用信息。在機器學（xué）習領域，數據降維的方法有很多，大致可

分為傳統線性降維（wéi）算法（fǎ）、流形學習方法以及基於神經網絡（luò）的降維算法三大類。

    采用SVM、*限學習機（extremelearningmachine,ELM）等回歸（guī）分析方法、以在線提取到的跑（pǎo）偏特征為（wéi）輸入構建在（zài）線（xiàn）皮帶（dài）跑偏量預（yù）測模型，並分別在參數不同的皮帶秤上進行試驗，試驗結果表明：LTSA+GRNN+ELM和（hé）CDBN+ELM模型在不同電子皮（pí）帶秤的不同流量下皆具有良好的（de）皮帶跑偏預測*度（dù）和泛（fàn）化性能，*度均超過了90%，後者更是達到了98.61%；二者皆具（jù）有較好實時性（xìng），後（hòu）者平均每組測試時間隻有1.47ms，但前者訓練時間相對較短（duǎn）；二者皆可取代傳統硬（yìng）件跑偏檢測設備，避免額外檢測（cè）設備的製造、安裝維修成本，符合生產商和客戶的需求。此外（wài），該研究為進*步的皮（pí）帶（dài）秤在線*度補償和故（gù）障預（yù）測提供了必要依據。