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(xù)累計(jì)稱量*度，針對嚴(yán)重影響*度的電子皮帶秤跑偏，采用對皮帶秤現(xiàn)有原始傳感器的數(shù)據(jù)挖掘?qū)崿F(xiàn)跑偏量實(shí)時(shí)在線檢測，以取代傳統(tǒng)硬件檢測設(shè)備。引入流形學(xué)習(xí)和深度學(xué)習(xí)，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(xù)深度置信網(wǎng)絡(luò)（continuousdeepbeliefnetworks,CDBN）的在線跑偏特征提取模型，再結(jié)合*限學(xué)習(xí)機(jī)（extremelearningmachine,ELM）以跑偏特征為模型輸入進(jìn)行跑偏量預(yù)測。*后通過試驗(yàn)對該文提出的在線跑偏量預(yù)測模型的性能進(jìn)行了驗(yàn)證：LTSA+GRNN+ELM平均跑偏預(yù)測*度為93.33%，平均每組預(yù)測時(shí)間38.29ms；CDBN+ELM預(yù)測*度則*達(dá)98.61%，平均每組預(yù)測時(shí)間1.47ms。二者預(yù)測*度和實(shí)時(shí)性皆表明能取代傳統(tǒng)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*度補(bǔ)償和故障預(yù)測提供了必要依據(jù)。
輸送帶跑偏時(shí)，在稱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)隨著輸送帶做橫向運(yùn)動(dòng)，并與各部件的振動(dòng)信息相耦合，單個(gè)稱重單元數(shù)據(jù)是難以檢測出跑偏，需要對皮帶秤多個(gè)傳感器數(shù)據(jù)和設(shè)備參數(shù)數(shù)據(jù)挖掘才能實(shí)現(xiàn)。對于皮帶秤的在線輸送帶跑偏檢測，除了檢測的*率外，其實(shí)時(shí)性更為重要。然而，由于現(xiàn)場傳感器的實(shí)時(shí)數(shù)據(jù)類別較多、數(shù)據(jù)之間存在線性或者非線性相關(guān)，若采用算法直接對現(xiàn)場傳感器數(shù)據(jù)進(jìn)行處理必然會(huì)消耗大量的計(jì)算資源和時(shí)間、以致難以滿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(xiàn)場傳感器實(shí)時(shí)數(shù)據(jù)的維度進(jìn)行裁剪，消除部分冗余數(shù)據(jù)、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(yù)測。由此可見，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(jī)器學(xué)習(xí)領(lǐng)域，數(shù)據(jù)降維的方法有很多，大致可
分為傳統(tǒng)線性降維算法、流形學(xué)習(xí)方法以及基于神經(jīng)網(wǎng)絡(luò)的降維算法三大類。
采用SVM、*限學(xué)習(xí)機(jī)（extremelearningmachine,ELM）等回歸分析方法、以在線提取到的跑偏特征為輸入構(gòu)建在線皮帶跑偏量預(yù)測模型，并分別在參數(shù)不同的皮帶秤上進(jìn)行試驗(yàn)，試驗(yàn)結(jié)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(yù)測*度和泛化性能，*度均超過了90%，后者更是達(dá)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(xùn)練時(shí)間相對較短；二者皆可取代傳統(tǒng)硬件跑偏檢測設(shè)備，避免額外檢測設(shè)備的制造、安裝維修成本，符合生產(chǎn)商和客戶的需求。此外，該研究為進(jìn)*步的皮帶秤在線*度補(bǔ)償和故障預(yù)測提供了必要依據(jù)。
