基于数据挖掘的电子皮带秤皮带跑偏检测方法
为提高电子皮带秤连续累计称量精度，针对严重影响精度的电子皮带秤跑偏，采用对皮带秤现有原始传感器的数据挖掘实现跑偏量实时在线检测，以取代传统硬件检测设备。引入流形学习和深度学习，分别提出了基于局部切空间排列（local tangent space alignment, LTSA）+广义回归神经网络（generalized regression neural networks, GRNN）和基于连续深度置信网络（continuous deep belief networks, CDBN）的在线跑偏特征提取模型，再结合极限学习机（extreme learningmachine,  ELM）以跑偏特征为模型输入进行跑偏量预测。最后通过试验对该文提出的在线跑偏量预测模型的性能进行了验证：LTSA+GRNN+ELM 平均跑偏预测精度为  93.33%，平均每组预测时间   38.29  ms；CDBN+ELM 预测精度则高达98.61%，平均每组预测时间 1.47 ms。二者预测精度和实时性皆表明能取代传统硬件检测装置，为皮带跑偏检测提供了一种方法，为进一步的皮带秤在线精度补偿和故障预测提供了必要依据。
0.引言
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件作为检测传感器，以FPGA(field-programmablegate-array）、DSP（digital signal processor）、ARM（acornreduced 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 10 Hz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（localtangent 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（restrictedboltzmann  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。
1.基于LTSA的在线皮带跑偏检测
1.1局部切空间排列算法

1.2基于LTSA+GRNN+ELM 的跑偏在线检测
针对“out of sample”问题的解决方法有线性化、核函数化、张量化等技巧，但最适合在线跑偏检测的是半监督流形学习算法，其思路较为简单清晰：先采用流形学习进行降维，再以降维前后的数据为训练样本构建高维空间到低维流形的显性映射  本文采用广义回归神经网络（generalized regression neuralnetworks，GRNN）构建显性非线性映射。
为后续计算的方便、提高后续模型收敛速度，本文先对原始传感器进行归一化处理；其次，采用 LTSA对归一化后的数据进行降维处理；再以降维前后的高、低维数据为训练样本采用 GRNN进行回归分析建模，构建出高维到低维流形的非线性映射、完成对跑偏特征的提取；
最后采用极限学习机（extreme  learning machine,  ELM）以提取出的跑偏特征（即 GRNN的输出）为输入、对应跑偏量为模型输出构建跑偏预测模型。模型如图  1a，其构建步骤如图 1b。

2.基于CDBN的在线皮带跑偏检测
2.1深度置信网络
深度学习（deep learning）是近年来人工智能和机器学习另一个新的研究热点。它区别于 SVM（support vectormachine）、Boosting、ELM（extreme learning machine）等一系列的浅层学习，专门用于模拟大数据之间的复杂关系，以学习多个表示和抽象层次。传统的浅层学习需要人工地选择特征表达算法，该部分效果的良好与否对最终推断、预测识别的精度起着决定性的作用。而该部分需要依靠大量技巧、经验以及时间，因此，为了能够自动进行特征学习，深度学习应运而生。深度置信网络（DBN）是 Hinton于  2006年提出深度学习模型[27-28]
其主要思想包括两个：1）更深的网络能够对数据进行更抽象的表示；2）采用先验知识进行无监督预学习，以避免随机初始化权值而导致的局部极值问题。
DBN模型训练为预训练微调：首先采用无监督学习对模型进行“逐层初始化”，然后采用有监督学习对模型进行微调。然而，由于 DBN本身是基于  RBM（restrictedboltzmann machine）的，故 DBN不适用于连续数据的降维和特征提取。尽管 Hinton提出可将   RBM拓展到高斯RBM（gaussian  RBM，GRBM）处理连续性数据，但该模型的隐含层输出仍然是二元的。针对这一问题，胡昭华等采用     CRBM（continuous    restricted  boltzmannmachine）替代 RBM，提出了连续自编码网络（continuousauto-encoder  network）。与 PCA等相比，该模型能够发现高维数据的非线性相关关系；与大多数流形学习方法相比，该模型能够直接给出高维数据点到低维空间，因此，本节采用 CRBM结合反向监督微调和dropout技术建连续深度置信网络（continuous  deep belief  networks，的显性非线性映射。然该模型缺乏反向监督学习，CDBN），并将其应用于皮带秤输送带跑偏特征提取及跑偏量预测中。
2.2连续受限玻尔兹曼机 CRBM

用无监督学习方法即式（6），自下而上训练每相邻两层神经元作为一个 CRBM，最后将训练好的多个 CRBM堆叠有序展开；2）反向微调：以有标签数据作为训练数据，采用 BP进行反向微调，与  DBN不同的是，CDBN反向微调时除了对连接权值 W微调外，还需要对各个神经元的噪声控制参数 α进行微调，此外，CDBN中神经元的阈值 β为高斯分布的随机噪声输入分量，无需反向微调。
训练好后的 CDBN可通过逐层非线性变换，实现从高维原始输入数据到低维特征空间的自动抽象表达。因此，CDBN实质上也是一种流形学习算法，完全符合流形学习定义，且可解决  “out of sample”问题。
2.4基于CDBN+ELM的皮带秤在线跑偏检测
首先用样本数据训练一个 3层  CDBN对原始传感器数据进行跑偏特征提取，再在 CDBN顶层向上增加一层回归层对提取后的特征进行跑偏量预测，回归层可以是BP、多元线性回归、SVM、ELM等。
模型反向微调时，为提高微调效率，最后一层采用多元线性回归；同时由于样本有限且为保证最终跑偏量预测的泛化性能，微调后最后一层置换成了正则化 ELM，

3.跑偏检测试验验证与分析
以 QPS皮带秤全性能试验中心的 3#和 4#阵列式皮带秤（array belt weigher，ABW）
为对象进行跑偏在线检测试验（图  4），3#和  4#阵列式皮带秤具体参数如表 1。标准跑偏量样本数据采用文献中方法获得，跑偏检测数据与现有传感器统一采用Modbus/RS485总线与测试笔记本通信，故现场采样同步，采样频率均为 10  Hz。训练样本数据共 15 797组，为   3#ABW在空载，300、600  t/h（最大流量约为 800 t/h）流量下的试验数据构成，其中有标签数据（有跑偏量数据）共 6 718组。每组数据都是   15维，各维度分别是输送带宽度、托辊间距、托辊槽角、8个称质量单元数据、现场温度、现场湿度、皮带秤实时平均流量、输送带实时运行速度。在线测试数据维度与样本数据相同，皆为有标

签数据，对应实时标准跑偏量采用同样方法获得。试验中，皮带跑偏为人为制造。通常认为跑偏量超过输送带宽度±10%为输送带跑偏，但为保证安全，试验时跑偏量人为控制在±20%以内。输送带跑偏时跑偏量控制在12%～20%，未跑偏时控制在 0～5%，以明显区别跑偏和未跑偏。

3.2基于LTSA+GRNN的跑偏特征提取试验
先对原始数据进行预处理，然后分别采用PCA、Isomap、LLE、LTSA几种流形算法对  9  079组无标签样本数据进行降维，目标维数 d均设置为  3，得到三维无量纲跑偏特征数据。以 3#阵列式皮带秤 300 t/h的样本数据为例，各算法降维效果如图 5所示。

从图 7中比较可以确定，3层隐含层的    CDBN提取出的跑偏特征能够满足需求。相较于 LTSA，深度为 3的CDBN不仅能对于同一流量的跑偏和未跑偏特征向量具有很好聚类效果，而且对不同流量依旧有很好聚类效果。
此外，从图中可以看出皮带秤流量越大时，跑偏和未跑偏特征的欧式空间距离越大，说明皮带秤一旦发生跑偏，则流量越大，产生的跑偏量就越大，反之亦然。

3.4  在线跑偏检测试验及分析
本节试验中，先分别采用上述建立好的    GRNN和CDBN对有标签样本数据针进行跑偏特征提取；再对其特征分别采用 ELM建立各自对应的跑偏量预测模型；最后以 3#和 4#皮带秤在线实时数据分别对本文提出的模型进行验证，并与其他模型的试验结果进行比较分析，其中 CDBN+LR、CDBN+SVM和  CDBN+ELM的深度皆为3。所有模型输出数据皆携有原始传感器数据的采样时间，处理试验结果时，将各模型预测的跑偏量分别与对应相同采样时间的标准跑偏量（即阵列式光电管跑偏检测装置实时同步检测到的跑偏量）进行比较，得到具体试验结果如表 2、3。

表、显示，LTSA+GRNN+ELM、CDBN+LR和CDBN+ELM三个模型的预测精度远高于  ELM的   82.9%和 PCA+SVM的   78.67%，均达到了 90%以上；SVM和ELM的预测能力相当，但   ELM的训练、预测速度要远从图 6中可以看出，GRNN对    LTSA降维后产生的非线性映射具有很好的逼近能力，能够很好地从高维数据空间中恢复跑偏低维流形，同时对于同一流量的跑偏和未跑偏特征向量具有很好聚类效果。但各个流量之间依旧有重叠部分。
快于 SVM[39]。上述表明：LTSA+GRNN和   CDBN都有效降低原始数据的冗余且保留了足够多的跑偏特征，明显提高了跑偏在线检测的精确度、减小了模型复杂度；ELM更适合于在线皮带跑偏检测。两表的对比可以得到：结合 dropout技术和正则化   ELM明显提高了跑偏检测模型的泛化性。进一步，结合皮带秤的不同工作场合，可以得到：LTSA+GRNN+ELM模型平均跑偏预测精度为93.33%，相对较高，训练时间 18.91  s，也相对较短，但其预测速度并不很快，平均每组预测时间 38.29 ms，故很适用于皮带秤称重标定较为频繁（每次标定完后，称重传感器相关参数会被修改，故跑偏预测模型需要重新训练）、实时性要求相对不高场合，如皮带秤实验室、衡器检定等；CDBN+ELM模型训练时间最长，达  139.96 s，
但其预测精度最高，达 98.61%、平均每组测试时间也相对较短，只有 1.47 ms，故非常适用于标定相对不频繁、实时性和预测精度要求较高的场合，如码头、粮库等衡器工作现场。
4.结论
1）为实现皮带跑偏在线检测，针对原始传感器数据高维度、非线性相关，引入流形学习，并针对“   out  ofsample”问题采用广义回归神经网络（generalizedregression neural networks, GRNN）构建显性非线性映射，然后通过试验对比多种流形学习算法，得出局部切空间排列（local tangent space alignment, LTSA）LTSA+GRNN模型在皮带秤各个流量阶段皆具有较好的跑偏特征提取效果；
2）引入连续玻尔兹曼机，结合  dropout技术，提出一种连续深度置信网络，并将其应用于皮带跑偏特征提取，试验表明，基于连续深度置信网络（continuous deepbelief networks, CDBN）的跑偏特征提取模型同样具有较好的降维效果；
3）采用 SVM、极限学习机（extreme learning machine,ELM）等回归分析方法、以在线提取到的跑偏特征为输入构建在线皮带跑偏量预测模型，并分别在参数不同的皮带秤上进行试验，试验结果表明：LTSA+GRNN+ELM和  CDBN+ELM模型在不同皮带秤的不同流量下皆具有良好的皮带跑偏预测精度和泛化性能，精度均超过了90%，后者更是达到了 98.61%；二者皆具有较好实时性，后者平均每组测试时间只有 1.47 ms，但前者训练时间相对较短；二者皆可取代传统硬件跑偏检测设备，避免额外检测设备的制造、安装维修成本，符合生产商和客户的需求。此外，该研究为进一步的皮带秤在线精度补偿和故障预测提供了必要依据。