基于數(shù)據(jù)挖掘的電子皮帶秤皮帶跑偏檢測方法
為提高電子皮帶秤連續(xù)累計(jì)稱量精度，針對嚴(yán)重影響精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)，分別提出了基于局部切空間排列（local tangent space alignment, LTSA）+廣義回歸神經(jīng)網(wǎng)絡(luò)（generalized regression neural networks, GRNN）和基于連續(xù)深度置信網(wǎng)絡(luò)（continuous deep belief networks, CDBN）的在線跑偏特征提取模型，再結(jié)合極限學(xué)習(xí)機(jī)（extreme learningmachine, ELM）以跑偏特征為模型輸入進(jìn)行跑偏量預(yù)測。最后通過試驗(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)測精度為 93.33%，平均每組預(yù)測時(shí)間 38.29 ms；CDBN+ELM 預(yù)測精度則高達(dá)98.61%，平均每組預(yù)測時(shí)間 1.47 ms。二者預(yù)測精度和實(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一種方法，為進(jìn)一步的皮帶秤在線精度補(bǔ)償和故障預(yù)測提供了必要依據(jù)。
0.引言
皮帶秤是一種散狀物料連續(xù)累計(jì)稱重設(shè)備，廣泛應(yīng)用于碼頭、糧庫等各大農(nóng)作物、工業(yè)原料貿(mào)易場合。輸送帶跑偏是皮帶秤運(yùn)行過程中常見的現(xiàn)象，廣泛見于各種帶式輸送機(jī)設(shè)備核子秤、視覺秤等。造成跑偏的原因很多 ，但根本原因是輸送帶張力中心線偏離幾何中心線 。跑偏是一種全局性故障，一旦發(fā)生，必定是整條輸送帶跑偏。輸送帶跑偏不僅嚴(yán)重影響皮帶秤計(jì)量精度、穩(wěn)定性和耐久性，同時(shí)也是導(dǎo)致諸如設(shè)備主要部件滾筒竄軸、托輥軸承等非正常磨損、輸送帶撕裂、停機(jī)等皮帶秤現(xiàn)場事故的主要原因。因此，對跑偏進(jìn)行實(shí)時(shí)在線
定量檢測具有極其重要的意義，所檢測到的跑偏量即輸送帶偏離幾何中心線的程度，通常通過輸送帶邊緣與托輥之間距離的變化來定量不僅可用來補(bǔ)償皮帶秤累計(jì)計(jì)量精度，而且還用來故障預(yù)測。
傳統(tǒng)輸送帶跑偏檢測分為接觸式和非接觸式檢測：接觸式檢測主要是采用機(jī)械的檢測傳動(dòng)輪，通常只能定性檢測；非接觸式通常采用 CCD（charge-coupled device）、PSD（phase-sensitive detetor）、陣列式光電三極管等光敏元件作為檢測傳感器，以FPGA(field-programmablegate-array）、DSP（digital signal processor）、ARM（acornreduced instruction set computer machine）、單片機(jī)等為采集處理芯片進(jìn)行跑偏檢測，可實(shí)現(xiàn)定量檢測。而且，為了能夠現(xiàn)場實(shí)時(shí)監(jiān)控，兩種方式還都需要建立額外的總線通信將跑偏數(shù)據(jù)實(shí)時(shí)傳送到現(xiàn)場儀表或工控機(jī)。毫無疑問，傳統(tǒng)檢測大大增加了設(shè)備制造成本和安裝維修成本，不符合制造商和客戶的需求。此外，皮帶秤的惡劣工作環(huán)境使得檢測設(shè)備難以長期穩(wěn)定工作，故而需要另覓他徑。隨著信號處理技術(shù)以及數(shù)據(jù)挖掘技術(shù)的日益成熟和廣泛應(yīng)用，對現(xiàn)有傳感器數(shù)據(jù)進(jìn)行信號處理、數(shù)據(jù)挖掘、提取輸送帶跑偏特征以實(shí)現(xiàn)輸送帶跑偏檢測是一條可行且可靠的途徑。然而，由于皮帶秤現(xiàn)有傳感器的采樣頻率大多是在 10 Hz以內(nèi)，進(jìn)行時(shí)頻分析后難以獲得顯著的跑偏特征信號，故只能采用機(jī)器學(xué)習(xí)方法對現(xiàn)有數(shù)據(jù)進(jìn)行直接處理。
輸送帶跑偏時(shí)，在稱重段輸送帶上的物料分布會(huì)有明顯的不一致，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，除了檢測的準(zhǔn)確率外，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)性和準(zhǔn)確率。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，輸送帶跑偏檢測的準(zhǔn)確率和實(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。后兩類算法是為了解決傳統(tǒng)線性降維算法（主成分分析、多維標(biāo)度分析等）難以處理的非線性相關(guān)問題。具有代表性的流形學(xué)習(xí)算法有距映射算法（ isomap）和局部線性嵌入算法（ locally linear
embedding，LLE）、Hessian LLE、拉普拉斯特征映射算法、局部保留投影算法、局部切空間排列算法（localtangent space alignment，LTSA）、近鄰保留嵌入等，基于神經(jīng)網(wǎng)絡(luò)的降維算法有受限玻爾茲曼機(jī)（restrictedboltzmann machine，RBM）、棧式自編碼器、深度置信網(wǎng)絡(luò)（deep belief networks，DBN）、自組織特征映射網(wǎng)絡(luò)等。針對電子皮帶秤跑偏數(shù)據(jù)存在非線性相關(guān)的特性，本文分別結(jié)合流形學(xué)習(xí)和深度學(xué)習(xí)對電子皮帶秤皮帶跑偏檢測進(jìn)行研究，分別提出基于 LTSA+GRNN+ELM和基于 CDBN+ELM的跑偏檢測模型，并通過試驗(yàn)將二者
與其他模型進(jìn)行對比驗(yàn)證。
1.基于LTSA的在線皮帶跑偏檢測
1.1局部切空間排列算法
1.2基于LTSA+GRNN+ELM 的跑偏在線檢測
針對“out of sample”問題的解決方法有線性化、核函數(shù)化、張量化等技巧，但最適合在線跑偏檢測的是半監(jiān)督流形學(xué)習(xí)算法，其思路較為簡單清晰：先采用流形學(xué)習(xí)進(jìn)行降維，再以降維前后的數(shù)據(jù)為訓(xùn)練樣本構(gòu)建高維空間到低維流形的顯性映射 本文采用廣義回歸神經(jīng)網(wǎng)絡(luò)（generalized regression neuralnetworks，GRNN）構(gòu)建顯性非線性映射。
為后續(xù)計(jì)算的方便、提高后續(xù)模型收斂速度，本文先對原始傳感器進(jìn)行歸一化處理；其次，采用 LTSA對歸一化后的數(shù)據(jù)進(jìn)行降維處理；再以降維前后的高、低維數(shù)據(jù)為訓(xùn)練樣本采用 GRNN進(jìn)行回歸分析建模，構(gòu)建出高維到低維流形的非線性映射、完成對跑偏特征的提取；
最后采用極限學(xué)習(xí)機(jī)（extreme learning machine, ELM）以提取出的跑偏特征（即 GRNN的輸出）為輸入、對應(yīng)跑偏量為模型輸出構(gòu)建跑偏預(yù)測模型。模型如圖 1a，其構(gòu)建步驟如圖 1b。
2.基于CDBN的在線皮帶跑偏檢測
2.1深度置信網(wǎng)絡(luò)
深度學(xué)習(xí)（deep learning）是近年來人工智能和機(jī)器學(xué)習(xí)另一個(gè)新的研究熱點(diǎn)。它區(qū)別于 SVM（support vectormachine）、Boosting、ELM（extreme learning machine）等一系列的淺層學(xué)習(xí)，專門用于模擬大數(shù)據(jù)之間的復(fù)雜關(guān)系，以學(xué)習(xí)多個(gè)表示和抽象層次。傳統(tǒng)的淺層學(xué)習(xí)需要人工地選擇特征表達(dá)算法，該部分效果的良好與否對最終推斷、預(yù)測識別的精度起著決定性的作用。而該部分需要依靠大量技巧、經(jīng)驗(yàn)以及時(shí)間，因此，為了能夠自動(dòng)進(jìn)行特征學(xué)習(xí)，深度學(xué)習(xí)應(yīng)運(yùn)而生。深度置信網(wǎng)絡(luò)（DBN）是 Hinton于 2006年提出深度學(xué)習(xí)模型[27-28]
其主要思想包括兩個(gè)：1）更深的網(wǎng)絡(luò)能夠?qū)?shù)據(jù)進(jìn)行更抽象的表示；2）采用先驗(yàn)知識進(jìn)行無監(jiān)督預(yù)學(xué)習(xí)，以避免隨機(jī)初始化權(quán)值而導(dǎo)致的局部極值問題。
DBN模型訓(xùn)練為預(yù)訓(xùn)練微調(diào)：首先采用無監(jiān)督學(xué)習(xí)對模型進(jìn)行“逐層初始化”，然后采用有監(jiān)督學(xué)習(xí)對模型進(jìn)行微調(diào)。然而，由于 DBN本身是基于 RBM（restrictedboltzmann machine）的，故 DBN不適用于連續(xù)數(shù)據(jù)的降維和特征提取。盡管 Hinton提出可將 RBM拓展到高斯RBM（gaussian RBM，GRBM）處理連續(xù)性數(shù)據(jù)，但該模型的隱含層輸出仍然是二元的。針對這一問題，胡昭華等采用 CRBM（continuous restricted boltzmannmachine）替代 RBM，提出了連續(xù)自編碼網(wǎng)絡(luò)（continuousauto-encoder network）。與 PCA等相比，該模型能夠發(fā)現(xiàn)高維數(shù)據(jù)的非線性相關(guān)關(guān)系；與大多數(shù)流形學(xué)習(xí)方法相比，該模型能夠直接給出高維數(shù)據(jù)點(diǎn)到低維空間，因此，本節(jié)采用 CRBM結(jié)合反向監(jiān)督微調(diào)和dropout技術(shù)建連續(xù)深度置信網(wǎng)絡(luò)（continuous deep belief networks，的顯性非線性映射。然該模型缺乏反向監(jiān)督學(xué)習(xí)，CDBN），并將其應(yīng)用于皮帶秤輸送帶跑偏特征提取及跑偏量預(yù)測中。
2.2連續(xù)受限玻爾茲曼機(jī) CRBM
用無監(jiān)督學(xué)習(xí)方法即式（6），自下而上訓(xùn)練每相鄰兩層神經(jīng)元作為一個(gè) CRBM，最后將訓(xùn)練好的多個(gè) CRBM堆疊有序展開；2）反向微調(diào)：以有標(biāo)簽數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，采用 BP進(jìn)行反向微調(diào)，與 DBN不同的是，CDBN反向微調(diào)時(shí)除了對連接權(quán)值 W微調(diào)外，還需要對各個(gè)神經(jīng)元的噪聲控制參數(shù) α進(jìn)行微調(diào)，此外，CDBN中神經(jīng)元的閾值 β為高斯分布的隨機(jī)噪聲輸入分量，無需反向微調(diào)。
訓(xùn)練好后的 CDBN可通過逐層非線性變換，實(shí)現(xiàn)從高維原始輸入數(shù)據(jù)到低維特征空間的自動(dòng)抽象表達(dá)。因此，CDBN實(shí)質(zhì)上也是一種流形學(xué)習(xí)算法，完全符合流形學(xué)習(xí)定義，且可解決 “out of sample”問題。
2.4基于CDBN+ELM的皮帶秤在線跑偏檢測
首先用樣本數(shù)據(jù)訓(xùn)練一個(gè) 3層 CDBN對原始傳感器數(shù)據(jù)進(jìn)行跑偏特征提取，再在 CDBN頂層向上增加一層回歸層對提取后的特征進(jìn)行跑偏量預(yù)測，回歸層可以是BP、多元線性回歸、SVM、ELM等。
模型反向微調(diào)時(shí)，為提高微調(diào)效率，最后一層采用多元線性回歸；同時(shí)由于樣本有限且為保證最終跑偏量預(yù)測的泛化性能，微調(diào)后最后一層置換成了正則化 ELM，
3.跑偏檢測試驗(yàn)驗(yàn)證與分析
以 QPS皮帶秤全性能試驗(yàn)中心的 3#和 4#陣列式皮帶秤（array belt weigher，ABW）
為對象進(jìn)行跑偏在線檢測試驗(yàn)（圖 4），3#和 4#陣列式皮帶秤具體參數(shù)如表 1。標(biāo)準(zhǔn)跑偏量樣本數(shù)據(jù)采用文獻(xiàn)中方法獲得，跑偏檢測數(shù)據(jù)與現(xiàn)有傳感器統(tǒng)一采用Modbus/RS485總線與測試筆記本通信，故現(xiàn)場采樣同步，采樣頻率均為 10 Hz。訓(xùn)練樣本數(shù)據(jù)共 15 797組，為 3#ABW在空載，300、600 t/h（最大流量約為 800 t/h）流量下的試驗(yàn)數(shù)據(jù)構(gòu)成，其中有標(biāo)簽數(shù)據(jù)（有跑偏量數(shù)據(jù)）共 6 718組。每組數(shù)據(jù)都是 15維，各維度分別是輸送帶寬度、托輥間距、托輥槽角、8個(gè)稱質(zhì)量單元數(shù)據(jù)、現(xiàn)場溫度、現(xiàn)場濕度、皮帶秤實(shí)時(shí)平均流量、輸送帶實(shí)時(shí)運(yùn)行速度。在線測試數(shù)據(jù)維度與樣本數(shù)據(jù)相同，皆為有標(biāo)
簽數(shù)據(jù)，對應(yīng)實(shí)時(shí)標(biāo)準(zhǔn)跑偏量采用同樣方法獲得。試驗(yàn)中，皮帶跑偏為人為制造。通常認(rèn)為跑偏量超過輸送帶寬度±10%為輸送帶跑偏，但為保證安全，試驗(yàn)時(shí)跑偏量人為控制在±20%以內(nèi)。輸送帶跑偏時(shí)跑偏量控制在12%～20%，未跑偏時(shí)控制在 0～5%，以明顯區(qū)別跑偏和未跑偏。
3.2基于LTSA+GRNN的跑偏特征提取試驗(yàn)
先對原始數(shù)據(jù)進(jìn)行預(yù)處理，然后分別采用PCA、Isomap、LLE、LTSA幾種流形算法對 9 079組無標(biāo)簽樣本數(shù)據(jù)進(jìn)行降維，目標(biāo)維數(shù) d均設(shè)置為 3，得到三維無量綱跑偏特征數(shù)據(jù)。以 3#陣列式皮帶秤 300 t/h的樣本數(shù)據(jù)為例，各算法降維效果如圖 5所示。
從圖 7中比較可以確定，3層隱含層的 CDBN提取出的跑偏特征能夠滿足需求。相較于 LTSA，深度為 3的CDBN不僅能對于同一流量的跑偏和未跑偏特征向量具有很好聚類效果，而且對不同流量依舊有很好聚類效果。
此外，從圖中可以看出皮帶秤流量越大時(shí)，跑偏和未跑偏特征的歐式空間距離越大，說明皮帶秤一旦發(fā)生跑偏，則流量越大，產(chǎn)生的跑偏量就越大，反之亦然。
3.4 在線跑偏檢測試驗(yàn)及分析
本節(jié)試驗(yàn)中，先分別采用上述建立好的 GRNN和CDBN對有標(biāo)簽樣本數(shù)據(jù)針進(jìn)行跑偏特征提取；再對其特征分別采用 ELM建立各自對應(yīng)的跑偏量預(yù)測模型；最后以 3#和 4#皮帶秤在線實(shí)時(shí)數(shù)據(jù)分別對本文提出的模型進(jìn)行驗(yàn)證，并與其他模型的試驗(yàn)結(jié)果進(jìn)行比較分析，其中 CDBN+LR、CDBN+SVM和 CDBN+ELM的深度皆為3。所有模型輸出數(shù)據(jù)皆攜有原始傳感器數(shù)據(jù)的采樣時(shí)間，處理試驗(yàn)結(jié)果時(shí)，將各模型預(yù)測的跑偏量分別與對應(yīng)相同采樣時(shí)間的標(biāo)準(zhǔn)跑偏量（即陣列式光電管跑偏檢測裝置實(shí)時(shí)同步檢測到的跑偏量）進(jìn)行比較，得到具體試驗(yàn)結(jié)果如表 2、3。
表、顯示，LTSA+GRNN+ELM、CDBN+LR和CDBN+ELM三個(gè)模型的預(yù)測精度遠(yuǎn)高于 ELM的 82.9%和 PCA+SVM的 78.67%，均達(dá)到了 90%以上；SVM和ELM的預(yù)測能力相當(dāng)，但 ELM的訓(xùn)練、預(yù)測速度要遠(yuǎn)從圖 6中可以看出，GRNN對 LTSA降維后產(chǎn)生的非線性映射具有很好的逼近能力，能夠很好地從高維數(shù)據(jù)空間中恢復(fù)跑偏低維流形，同時(shí)對于同一流量的跑偏和未跑偏特征向量具有很好聚類效果。但各個(gè)流量之間依舊有重疊部分。
快于 SVM[39]。上述表明：LTSA+GRNN和 CDBN都有效降低原始數(shù)據(jù)的冗余且保留了足夠多的跑偏特征，明顯提高了跑偏在線檢測的精確度、減小了模型復(fù)雜度；ELM更適合于在線皮帶跑偏檢測。兩表的對比可以得到：結(jié)合 dropout技術(shù)和正則化 ELM明顯提高了跑偏檢測模型的泛化性。進(jìn)一步，結(jié)合皮帶秤的不同工作場合，可以得到：LTSA+GRNN+ELM模型平均跑偏預(yù)測精度為93.33%，相對較高，訓(xùn)練時(shí)間 18.91 s，也相對較短，但其預(yù)測速度并不很快，平均每組預(yù)測時(shí)間 38.29 ms，故很適用于皮帶秤稱重標(biāo)定較為頻繁（每次標(biāo)定完后，稱重傳感器相關(guān)參數(shù)會(huì)被修改，故跑偏預(yù)測模型需要重新訓(xùn)練）、實(shí)時(shí)性要求相對不高場合，如皮帶秤實(shí)驗(yàn)室、衡器檢定等；CDBN+ELM模型訓(xùn)練時(shí)間最長，達(dá) 139.96 s，
但其預(yù)測精度最高，達(dá) 98.61%、平均每組測試時(shí)間也相對較短，只有 1.47 ms，故非常適用于標(biāo)定相對不頻繁、實(shí)時(shí)性和預(yù)測精度要求較高的場合，如碼頭、糧庫等衡器工作現(xiàn)場。
4.結(jié)論
1）為實(shí)現(xiàn)皮帶跑偏在線檢測，針對原始傳感器數(shù)據(jù)高維度、非線性相關(guān)，引入流形學(xué)習(xí)，并針對“ out ofsample”問題采用廣義回歸神經(jīng)網(wǎng)絡(luò)（generalizedregression neural networks, GRNN）構(gòu)建顯性非線性映射，然后通過試驗(yàn)對比多種流形學(xué)習(xí)算法，得出局部切空間排列（local tangent space alignment, LTSA）LTSA+GRNN模型在皮帶秤各個(gè)流量階段皆具有較好的跑偏特征提取效果；
2）引入連續(xù)玻爾茲曼機(jī)，結(jié)合 dropout技術(shù)，提出一種連續(xù)深度置信網(wǎng)絡(luò)，并將其應(yīng)用于皮帶跑偏特征提取，試驗(yàn)表明，基于連續(xù)深度置信網(wǎng)絡(luò)（continuous deepbelief networks, CDBN）的跑偏特征提取模型同樣具有較好的降維效果；
3）采用 SVM、極限學(xué)習(xí)機(jī)（extreme learning machine,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模型在不同皮帶秤的不同流量下皆具有良好的皮帶跑偏預(yù)測精度和泛化性能，精度均超過了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 1.47 ms，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)一步的皮帶秤在線精度補(bǔ)償和故障預(yù)測提供了必要依據(jù)。
