皮帶秤是一種散狀物料連續(xù)累計稱重設(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)重影響皮帶秤計量精度、穩(wěn)定性和耐久性,同時也是導(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)償皮帶秤累計計量精度,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器件作為檢測傳感器,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,可實(shí)現(xiàn)定量檢測。而且,為了能夠現(xiàn)場實(shí)時監(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10Hz以內(nèi),進(jìn)行時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,在稱重段輸送帶上的物料分布會有明顯的不一致,輸送帶跑偏的部分物料會隨著輸送帶做橫向運(yùn)動,并與各部件的振動信息相耦合,單個稱重單元數(shù)據(jù)是難以檢測出跑偏,需要對皮帶秤多個傳感器數(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)時性更為重要。然而,由于現(xiàn)場傳感器的實(shí)時數(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)行處理必然會消耗大量的計算資源和時間、以致難以滿足輸送帶跑偏檢測及特征提取的實(shí)時性和準(zhǔn)確率。故而,需要優(yōu)先對現(xiàn)場傳感器實(shí)時數(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。