皮帶秤容易跑偏是什么原因？快來看看吧！

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(kù)等各大農(nóng)作物、工業(yè)原料貿(mào)易場(chǎng)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(chǎng)事故的主要原因。因此，對(duì)跑偏進(jìn)行實(shí)時(shí)在線定量檢測(cè)具有極其重要的意義，所檢測(cè)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(cè)。

傳統(tǒng)輸送帶跑偏檢測(cè)分為接觸式和非接觸式檢測(cè)：接觸式檢測(cè)主要是采用機(jī)械的檢測(cè)傳動(dòng)輪，通常只能定性檢測(cè)：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器件作為檢測(cè)傳感器，以FPGA（field-programmablegate-array）、DSP（digital signal processor）1、ARM（acorn reduced instruction set computer machine）、單片機(jī)等為采集處理芯片進(jìn)行跑偏檢測(cè)，可實(shí)現(xiàn)定量檢測(cè)。而且，為了能夠現(xiàn)場(chǎng)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(chǎng)儀表或工控機(jī)。毫無疑問，傳統(tǒng)檢測(cè)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(cè)設(shè)備難以長(zhǎng)期穩(wěn)定工作，故而需要另覓他徑。

隨著信號(hào)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(duì)現(xiàn)有傳感器數(shù)據(jù)進(jìn)行信號(hào)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(cè)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10Hz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(hào)，故只能采用機(jī)器學(xué)習(xí)方法對(duì)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(cè)出跑偏，需要對(duì)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(duì)于皮帶秤的在線輸送帶跑偏檢測(cè)，除了檢測(cè)的準(zhǔn)確率外，其實(shí)時(shí)性更為重要。然而，由于現(xiàn)場(chǎng)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(duì)現(xiàn)場(chǎng)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(cè)及特征提取的實(shí)時(shí)性和準(zhǔn)確率。故而，需要優(yōu)先對(duì)現(xiàn)場(chǎng)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(duì)特征進(jìn)行跑偏量預(yù)測(cè)。由此可見，輸送帶跑偏檢測(cè)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（local tangent 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)（restricted boltzmann 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(duì)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(duì)電子皮帶秤皮帶跑偏檢測(cè)進(jìn)行研究，分別提出基于LTSA+GRNN+ELM和基于CDBN+ELM的跑偏檢測(cè)模型，并通過試驗(yàn)將二者與其他模型進(jìn)行對(duì)比驗(yàn)證。