基于数据挖掘的皮带秤皮带偏差检测

为了提高皮带秤的连续累计称量精度，对于严重影响精度的电子皮带秤的偏差，通过对现有的原装传感器的数据挖掘，实现了偏差的实时在线检测。皮带秤取代了传统的硬件检测设备。分别基于局部切线空间对齐（LTSA）+广义回归神经网络（GRNN）和基于连续深度信念网络（CDBN）的在线偏差特征提取模型分别引入流形学习和深度学习，并结合极限学习机（ELM） ，将偏差特性用作模型输入以预测偏差量。最后通过实验验证了本文提出的在线偏差预测模型的性能：LTSA + GRNN + ELM的平均偏差预测精度为93.33％，每组的平均预测时间为38.29ms， CDBN + ELM高达98.61％，每组的平均预测时间为1.47ms。预测精度和实时性都表明，它们可以代替传统的硬件检测设备，为皮带偏差检测提供一种方法，并为进一步的在线精度补偿和皮带秤故障预测提供必要的基础。 0.简介皮带秤是一种用于散装物料的连续累积称重设备。它们被广泛用于码头，粮库和其他主要农作物以及工业原料贸易场合。传送带偏斜是皮带秤运行中的常见现象。在各种类型的带式输送机设备中都可以看到它，例如核子秤和视觉秤。产生偏差的原因有很多，但根本原因是传送带张力的中心线偏离几何中心线。偏差是全局故障。一旦发生，它必须是整个传送带。传送带的偏离不仅严重影响皮带秤的测量精度，稳定性和耐用性，而且还会引起皮带秤现场事故的主要事故，例如设备主要部件如辊筒的异常磨损。轴移位，滚子轴承等的原因。因此，对偏差进行实时在线定量检测具有重要意义。所检测到的偏差是传送带与几何中心线的偏差程度。通常，不仅可以通过改变传送带边缘和惰轮之间的距离来进行定量测量。为了补偿皮带秤的累积测量精度，它还用于故障预测。传统的输送带偏差检测分为接触式和非接触式：接触式检测主要采用传动轮的机械检测，通常仅是定性检测，非接触式通常采用CCD（电荷耦合器件），PSD（相位检测）。诸如灵敏检测器，阵列光电晶体管之类的灵敏元件用作检测传感器。使用FPGA（现场可编程门阵列），DSP（数字信号处理器），ARM（简化指令集计算机）和单片机来收集和处理用于偏差检测的芯片。另外，为了能够在现场进行实时监视，这两种方法还需要建立额外的总线通信，以将偏差数据实时传输到现场仪表或工业控制计算机。毫无疑问，传统测试大大增加了设备制造，安装和维护的成本，并且不能满足制造商和客户的需求。另外，皮带秤的恶劣工作环境使测试设备很难长时间稳定工作，因此有必要寻找另一种方法。随着信号处理技术和数据挖掘技术的日趋成熟和广泛应用，进行信号处理，数据挖掘，提取传送带的偏差特性以检测传送带的偏差是一种可行，可靠的方法。但是，由于现有带秤的传感器的采样频率大多在10Hz以内，因此在进行时频分析后很难获得明显的偏差特征信号，因此使用机器学习方法可以直接处理现有数据。当传送带偏离路线时，称量段传送带上的物料分配将明显不一致。传送带上的某些物料将随传送带横向移动，并与每个组件的振动信息耦合。难以检测重型单位数据的偏差，可以通过挖掘皮带秤的多个传感器数据和设备参数数据来实现。对于带式输送机的在线皮带偏差检测，除了检测的准确性外，其实时性能更为重要。但是，由于现场传感器的实时数据类型很多，并且数据之间存在线性或非线性相关性，如果该算法直接处理现场传感器数据，则必然会消耗大量计算资源，并且时间，难以满足传送带偏差检测的需要。以及特征提取的实时性和准确性。因此，首先需要对现场传感器的实时数据进行修整，以消除一些冗余数据并提取偏差特征，然后通过回归分析来预测特征偏差。可以看出，传送带偏差检测的准确性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。该算法需要尽快消​​除足够的冗余信息，并尝试消除尽可能多的信息。保留有用的信息。在机器学习领域，数据降维的方法很多，大致可分为三类：传统的线性降维算法，流形学习方法和基于神经网络的降维算法。设计后两种算法来解决传统线性降维算法（主要成分分析，多维尺度分析等）难以处理的非线性相关问题。代表性的流形学习算法是距离映射算法（isomap）和局部线性嵌入算法（LLE），HessianLLE，拉普拉斯特征映射算法，局部保留投影算法，局部切线空间对齐算法（LTSA），最近邻保留保留等，基于神经网络的降维算法包括受限Boltzmann机（RBM），堆栈自动编码器，深度置信网络（DBN），自组织特征映射网络等。针对电子皮带秤的偏差数据的非线性相关特性，分别研究了流形学习和深度学习对电子皮带秤的皮带偏差进行检测，提出了基于LTSA + GRNN + ELM和CDBN + ELM。测试模型，并通过实验将它们与其他模型进行比较。 1.基于LTSA的在线皮带偏差检测1.1局部切线空间对齐算法1.2基于LTSA + GRNN + ELM的在线偏差检测解决“样本外”问题的解决方案包括线性化，核化和量化技术，但最适合于在线偏差检测是半监督流形学习算法。这个想法相对简单明了：首先使用流形学习来减小维数，然后使用降维之前和之后的数据作为训练样本来构建低维流形的高维空间。性映射在本文中，广义回归神经网络（GRNN）用于构造显式非线性映射。为了便于后续计算和提高后续模型的收敛速度，本文首先对原始传感器进行归一化，其次，利用LTSA对归一化后的数据进行降维，然后使用前后的高维和低维数据使用GRNN通过回归分析对训练样本进行建模，以构建高维流向低维流形的非线性映射并完成偏差特征的提取。最后，一个极限学习机器用hine（ELM）提取偏差特征（即以GRNN的输出为输入，以相应的偏差量作为模型输出，建立偏差预测模型。该模型如图1a所示，其构造步骤如图1b所示。 2.基于CDBN的在线皮带偏差检测2.1深度信念网络深度学习是近年来人工智能和机器学习的另一个新研究热点。它不同于SVM（支持向量机），Boosting，ELM（极限学习机）等一系列浅层学习。它专门用于模拟大数据之间的复杂关系，以学习多种表示形式和抽象级别。传统的浅层学习需要手动选择特征表达算法。这部分效果是否良好，对最终推断以及预测和识别的准确性起决定性作用。这部分需要大量的技能，经验和时间。因此，为了能够自动执行特征学习，深度学习应运而生。深度信念网络（DBN）是Hinton在2006年提出的一种深度学习模型[27-28]。它的主要思想包括两个：1）更深的网络可以更抽象地表示数据； 2）使用先验知识进行无监督的预学习，以避免权重的随机初始化引起的局部极值问题。 DBN模型训练是预训练的微调：首先，使用无监督学习对模型进行“逐层初始化”，然后使用监督学习对模型进行微调。但是，由于DBN本身基于RBM（restrictedboltzmannmachine），因此DBN不适合用于连续数据缩减和特征提取。尽管Hinton提出可以将RBM扩展到高斯RBM（GRBM）来处理连续数据，但是该模型的隐藏层输出仍然是二进制的。针对这一问题，胡兆华等。提出了一种基于连续受限的Bolttzmann机（CRBM）代替RBM的方法，并提出了一种连续的自动编码器网络。与PCA相比，该模型可以发现高维数据的非线性相关性，与大多数流形学习方法相比，该模型可以直接将高维数据点赋予低维空间，因此本节采用CRBM组合反向监督精细调整和辍学技术来构建连续的深信度网络的显式非线性映射。但是，该模型缺乏逆向监督学习（CDBN），无法应用于皮带秤输送带偏差特征的提取和运行。偏差预测。 2.2连续受限的Boltzmann机器CRBM使用无监督学习方法（式（6）），将每个相邻的两层神经元自下而上训练为CRBM，最后将训练后的多个CRBM依次有序展开； 2）反向微调：使用标记数据作为训练数据，将BP用于反向微调。与DBN不同，除了CDBN反向微调之外，除了微调连接权重W之外，还需要控制每个神经元的噪声。参数α是微调的。另外，CDBN中的神经元的阈值β是高斯分布的随机噪声输入分量，并且不需要反向微调。经过训练的CDBN可以通过逐层非线性转换，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本质上也是一种流形学习算法，它完全符合流形学习的定义，可以解决“样本外”问题。 2.4基于CDBN + ELM的皮带秤在线偏差检测首先训练带有样本数据的3层CDBN以提取原始传感器数据的偏差特征，然后在CDBN的顶层添加回归层以抵消提取的特征。预测回归层可以是BP，多元线性回归，SVM，ELM等。当对模型进行反向微调时，为了提高微调效率，最后一层使用多元线性回归，同时，由于样本有限以及最终偏差预测的泛化性能，微调后，最后一层被正则化ELM取代。3.偏移检测测试验证和分析3和4个阵列皮带秤（arraybeltweigher） QP（ABW））以S皮带秤全性能测试中心为对象，进行在线偏差检测测试（图4）。 3和4个阵列皮带秤的具体参数如表1所示。标准偏差样本数据是通过文献中的方法获得的。偏差检测数据和现有传感器通过Modbus / RS485总线与测试笔记本进行统一通信，因此现场采样是同步的，采样频率为10Hz。共有15797个训练样本数据集，其中包括3ABW空载300、600t / h（最大流量约为800t / h）的测试数据，以及总共6,718套标签数据（有偏差）。数据）。每组数据是15维的，每个维是传送带的宽度，惰轮间距，惰轮凹槽角度，8个称重单位数据，现场温度，现场湿度，皮带秤的实时平均流量和实际值。传送带的实时运行速度。在线测试数据的维数与样本数据相同，均为标注数据，采用相同的方法获得实时标准偏差量。在测试中，皮带的偏差是人为的。通常认为，与传送带宽度的偏差为±10％的偏差为传送带的偏差，但为确保安全，在测试过程中将偏差人为控制在±20％以内。输送带不运行时的偏差控制在12％至20％之间，不运行时控制在0％至5％之间，以便清楚地区分运行与不运行。 3.2基于LTSA + GRNN的偏移特征提取测试首先对原始数据进行预处理，然后分别使用PCA，Isomap和LLE LTSA几种流形算法缩小9079组未标记样本数据的维数，并将目标维数d设置为3至获得三维无量纲偏差特征数据。以三阵列皮带秤300t / h的样本数据为例，每种算法的降维效果如图3所示。从图5中的比较可以看出。如图7所示，可以确定三个隐藏层的CDBN提取的偏差特性可以满足要求。与LTSA相比，深度为3的CDBN不仅对相同业务量的偏差和非偏差特征向量具有良好的聚类效果，而且对不同业务量也具有良好的聚类效果。此外，从图中可以看出，皮带秤的流量越大，偏差和非偏差特性之间的欧式间隔距离就越大，这表明皮带秤一旦出现偏差，则偏差越大。流量，偏差量越大。 ，反之亦然。 3.4在线偏差检测测试与分析在实验的这一部分，使用上述建立的GRNN和CDBN提取标记的样品数据针的偏差特征，然后建立各自偏差偏差预测的特征分别使用ELM。模型，最后，本文提出的模型通过3个和4个皮带秤的在线实时数据进行验证，并与其他模型的测试结果进行比较。 CDBN + LR，CDBN + SVM和CDBN + ELM的深度均为3。所有模型输出数据均带有原始传感器数据的采样时间。在处理测试结果时，每个模型预测的偏差分别与对应于相同采样时间的标准偏差同步（即阵列型光电管偏差检测装置实时同步）。比较检测到的偏差，具体测试结果如表2和3所示。该表和显示结果表明，LTSA + GRNN + ELM，CDBN + LR和CDBN + ELM三种模型的预测精度要高得多比ELM的82.9％和PCA + SVM的78.67％都达到90％以上，SVM和ELM的预测能力相当，但是ELM的训练和预测速度要长得多。从图6可以看出，GRNN对LTSA降维后生成的非线性映射具有良好的近似能力，并且可以很好地从高维数据空间中恢复。低维歧管对于相同流的偏离和非偏离特征向量均具有良好的聚类效果。乙但是，各种流程之间仍然存在重叠。比SVM更快[39]。由上可知，LTSA + GRNN和CDBN都有效地减少了原始数据的冗余度，并保留了足够的偏差特性，从而显着提高了在线偏差检测的准确性并降低了模型的复杂性，ELM更适合在线皮带偏差检测。可以得到两个表的比较：组合辍学技术和正则化ELM可以显着提高偏差检测模型的通用性。此外，结合皮带秤的不同工作情况，可以得出LTSA + GRNN + ELM模型的平均偏差预测精度为93.33％，相对较高，训练时间为18.91s，即也比较短，但其预测速度并不快。每组的平均预测时间为38.29ms，因此非常适合更频繁地进行皮带秤称重校准（每次校准后，将修改与称重传感器相关的参数，因此需要重新训练偏差预测模型），时间要求相对较低的场合，例如皮带秤实验室和称重仪器验证，CDBN + ELM模型的训练时间最长，达到139.96s，但其预测精度最高，达到98.61％，并且平均测试每组的时间相对较短，仅为1.47ms。因此，它非常适用于校准相对不频繁且需要实时性能和预测精度的场合，例如称重仪器工作现场（例如码头和谷物仓库）。 4.结论1）为了实现皮带偏差的在线检测，针对原始传感器数据的高维和非线性相关性引入流形学习，并使用广义回归神经网络（GRNN）构造主导“样本外”映射的非线性，然后通过实验比较多种流形学习算法，得出的结论是局部切线空间对准（LTSA）LTSA + GRNN模型在带的每个流动阶段具有良好的偏差特征提取效果规模，2）连续玻璃的引入Erzmann机器通过一种降落技术提出了一个连续的深置信度网络，并将其应用于皮带运行偏差特征提取。实验表明，连续深度置信网络（CDBN）运行偏差特征提取模型也具有较好的降维效果； 3）采用支持向量机，极限学习机（ELM），在线偏差特征等回归分析方法作为输入。建立了在线皮带偏差预测模型，分别对不同参数的皮带进行了刻度测试，测试结果表明，在不同皮带秤不同流量下，LTSA + GRNN + ELM和CDBN + ELM模型具有良好的皮带跳动预测精度和泛化性能。 ，精度超过90％，后者达到98.61％，两者均具有良好的实时性。后者的平均测试时间仅为1.47ms，但前者的训练时间相对较短。两者都可以替代传统的硬件偏差检测设备，从而避免了额外检测设备的制造，安装和维护成本。制造商和客户的需求。此外，这项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的基础。