基于数据挖掘的电子皮带秤皮带跑偏检测.pdf

第3 3 卷第1 期 1 0 22 0 1 7 年1 月 农业工程学报 T r a n s a c t io n so ft h eC h in e s eS o c ie t yo fA g r ic u lt u r a l E n g in e e r in g 、，0 1 3 3N O 1 J a n 2 0 1 7 基于数据挖掘的电子皮带秤皮带跑偏检测 朱亮1 ，李东波2 ，吴崇友1 ，吴绍锋2 ，袁延强3 ( 1 农业部南京农业机械化研究所，南京2 1 0 0 9 4 ；2 南京理工大学机械工程学院，南京2 1 0 0 9 4 ； 3 南京三埃工控股份有限公司，南京2 1 1 1 0 0 ) 摘要：为提高电子皮带秤连续累计称量精度，针对严重影响精度的电子皮带秤跑偏，采用对皮带秤现有原始传感器的 数据挖掘实现跑偏量实时在线检测，以取代传统硬件检测设备。引入流形学习和深度学习，分别提出了基于局部切空间 排列( 1 0 c a lt a n g e n ts p a c ea lig n m e n t ，L T S A ) + 广义回归神经网络( g e n e r a liz e dr e g r e s s io nn e u r a ln e t w o r k s ，G R N N ) 和基于连 续深度置信网络( c o n t in u o u sd e e pb e lie f n e t w o r k s ，C D B N ) 的在线跑偏特征提取模型，再结合极限学习机( e x t r e m ele a r n in g m a c h in e ，E L M ) 以跑偏特征为模型输入进行跑偏量预测。最后通过试验对该文提出的在线跑偏量预测模型的性能进行了 验证：L T S A + G R N N + E L M 平均跑偏预测精度为9 3 3 3 ，平均每组预测时间3 8 2 9m s ；C D B N + E L M 预测精度则高达 9 8 6 1 ，平均每组预测时间1 4 7m s 。二者预测精度和实时性皆表明能取代传统硬件检测装置，为皮带跑偏检测提供了一 种方法，为进一步的皮带秤在线精度补偿和故障预测提供了必要依据。 关键词：数据挖掘；传感器；模型；皮带跑偏；流形学习；连续深度置信网络；极限学习机 d o i：1 0 1 1 9 7 5 0 is s n 1 0 0 2 6 8 1 9 2 0 1 7 0 1 0 1 4 中图分类号：T H l6 5 ；$ 2 3 7 文献标志码：A文章编号：1 0 0 26 8 1 9 ( 2 0 1 7 ) 一0 卜0 1 0 2 0 8 朱亮，李东波，吴崇友，吴绍锋，袁延强基于数据挖掘的电子皮带秤皮带跑偏检测 J 农业工程学报，2 0 1 7 ，3 3 ( 1 ) ： 1 0 2 1 0 9 d o i：1 0 1 1 9 7 5 0 is s n 1 0 0 2 6 8 1 9 2 0 1 7 0 1 0 1 4h t t p ：w w w t c s a e o r g Z h uL ia n g ，L i D o n g b o ，W uC h o n g y o u ，W uS h a o f e n g ，Y u a nY a n q ia n g D e t e c t io no fb e ltd e v ia t io no fb e ltw e ig h e ru s in gd a t a m in in g J 】T r a n s a c t io n so f t h eC h in e s eS o c ie t yo f A g r ic u lt u r a lE n g in e e r in g ( T r a n s a c t io n so f t h eC S A E ) ，2 0 1 7 ，3 3 ( 1 ) ：1 0 2 1 0 9 ( inC h in e s ew it hE n g lis ha b s t r a c t ld o i：1 0 1 1 9 7 5 j is s n 1 0 0 2 6 8 1 9 2 0 1 7 0 1 0 1 4 h t t p ：w w w t c s a e o r g 0 引言 皮带秤是一种散状物料连续累计称重设备，广泛应 用于码头、粮库等各大农作物、工业原料贸易场合。输 送带跑偏是皮带秤运行过程中常见的现象，广泛见于各 种带式输送机设备核子秤、视觉秤等。造成跑偏的原因 很多【lJ ，但根本原因是输送带张力中心线偏离几何中心 线 2 _ 3 1 。跑偏是一种全局性故障，一旦发生，必定是整条 输送带跑偏。输送带跑偏不仅严重影响皮带秤计量精度、 稳定性和耐久性，同时也是导致诸如设备主要部件滚筒 窜轴、托辊轴承等非正常磨损、输送带撕裂、停机等皮 带秤现场事故的主要原因 4 。因此，对跑偏进行实时在线 定量检测具有极其重要的意义，所检测到的跑偏量即输 送带偏离几何中心线的程度，通常通过输送带边缘与托 辊之间距离的变化来定量不仅可用来补偿皮带秤累计计 量精度，而且还用来故障预测。 传统输送带跑偏检测分为接触式和非接触式检测： 接触式检测主要是采用机械的检测传动轮【4 1 ，通常只能定 性检测；非接触式通常采用C C D ( c h a r g e c o u p le dd e v ic e ) 、 P S D ( p h a s e s e n s it iv ed e t e t o r ) 【5 1 、阵列式光电三极管【6 J 等 光敏元器件作为检测传感器，以F P G A ( f ie ld - p r o g r a m m a b le 收稿日期：2 0 1 6 0 5 1 8修订日期：2 0 1 6 1 0 2 3 基金项目：科技型中小企业技术创新基金( 1 3 C 2 6 2 1 3 2 0 2 0 6 2 ) 作者简介：朱亮，男，江苏扬州人，博士，主要从事智能检测与控制、人 工智能与机器学习。南京农业部南京农业机械化研宄所，2 1 0 0 9 4 。E m a il： 6 7 6 2 0 5 4 9 3 q q c o r n g a t e - a r r a y ) 【”、D S P ( ( 1 ig 眦s ig n a lp r o c e s s o r ) 【8 1 、A R M ( a c o r n r e d u c e din s t r u c t io ns e tc o m p u t e rm a c h in e ) 、单片机等为采 集处理芯片进行跑偏检测，可实现定量检测。而且，为 了能够现场实时监控，两种方式还都需要建立额外的总 线通信将跑偏数据实时传送到现场仪表或工控机。毫无 疑问，传统检测大大增加了设备制造成本和安装维修成 本，不符合制造商和客户的需求。此外，皮带秤的恶劣 工作环境使得检测设备难以长期稳定工作，故而需要另 觅他径。随着信号处理技术以及数据挖掘技术的日益成 熟和广泛应用，对现有传感器数据进行信号处理、数据 挖掘、提取输送带跑偏特征以实现输送带跑偏检测是一 条可行且可靠的途径。然而，由于皮带秤现有传感器的 采样频率大多是在1 0H z 以内，进行时频分析后难以获得 显著的跑偏特征信号，故只能采用机器学习方法对现有 数据进行直接处理。 输送带跑偏时，在称重段输送带上的物料分布会有 明显的不一致，输送带跑偏的部分物料会随着输送带做 横向运动，并与各部件的振动信息相耦合，单个称重单 元数据是难以检测出跑偏，需要对皮带秤多个传感器数 据和设备参数数据挖掘才能实现。对于皮带秤的在线输 送带跑偏检测，除了检测的准确率外，其实时性更为重 要。然而，由于现场传感器的实时数据类别较多、数据 之间存在线性或者非线性相关，若采用算法直接对现场 传感器数据进行处理必然会消耗大量的计算资源和时 间、以致难以满足输送带跑偏检测及特征提取的实时性 和准确率。故而，需要优先对现场传感器实时数据的维 度进行裁剪，消除部分冗余数据、提取出跑偏特征；然 第1 期 朱亮等：基于数据挖掘的电子皮带秤皮带跑偏检测 1 0 3 后采用回归分析对特征进行跑偏量预测。由此可见，输 送带跑偏检测的准确率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，算法需 尽快地消除足够多的冗余信息、并尽可能地保留有用信息。 在机器学习领域，数据降维的方法有很多，大致可 分为传统线性降维算法、流形学习方法以及基于神经网 络的降维算法三大类。后两类算法是为了解决传统线性 降维算法( 主成分分析、多维标度分析等) 9 - zz 难以处理 的非线性相关问题。具有代表性的流形学习算法有距映 射算法( is o m a p ) 和局部线性嵌入算法( 1 0 c a llylin e a r e m b e d d in g ，L L E ) 、H e s s ia nL L E 、拉普拉斯特征映射算 法、局部保留投影算法、局部切空间排列算法( 1 0 c a l t a n g e n ts p a c ea lig n m e n t ，L T S A ) 、近邻保留嵌入等【1 引， 基于神经网络的降维算法有受限玻尔兹曼机( r e s t r ic t e d b o lt z m a n nm a c h in e ，R B M ) 、栈式自编码器、深度置信 网络( d e e pb e lie f n e t w o r k s ，D B N ) 、自组织特征映射网 络等。针对电子皮带秤跑偏数据存在非线性相关的特性， 本文分别结合流形学习和深度学习对电子皮带秤皮带跑 偏检测进行研究，分别提出基于L T S A + G m 町N + E L M 和 基于C D B N + E L M 的跑偏检测模型，并通过试验将二者 与其他模型进行对比验证。 1 基于L T S A 的在线皮带跑偏检测 1 1 局部切空间排列算法 流形学习算法已是机器学习领域一个新的研究热 点【1 3 】。流形学习最大的优势是更适合揭示数据间非线性 相关性结构。L T S A 是通过逼近样本空间D = x l， 奶， ，x N 中任意一样本点鼍D 的切空间来构建低维 流形的局部几何，再利用局部切空间排列求出整体低维 嵌入坐标 14 1 。L T S A 与传统非线性降维方法K e m e lP C A 本质上是一样的【1 5 1 。相较于L L E ，具有更好的非线性能 力；相较于I s o m a p ，具有更好的实时性。此外，L T S A 还 具备一定的非线性降噪能力 16 | ，因此，很适合皮带跑偏 特征在线提取，其具体步骤如下： 1 ) 采用最小邻域法构建邻域图G ，对于D ， 其邻域为X i= X il，X i2 ， ，X ik ，记= f 1 ，之， ，屯 对其邻 域进行中心化处理，计算墨= X ie 豇，e = 1 ， ，1 1 ； 下 2 ) 求解矩阵( 置一写P T1 ( X i一墨，) 最大d 个特征值 厂d 对应的特征向量P l， ，P d ，得到G i= l，P l，一，P I ； L 、，庀J 3 ) 初始化矩阵B = 0 ，计算矩阵曰： B ( 1 i，I il七一B L I t ，I il+ I G iG ( 1 ) 4 ) 除去特征值0 对应的特征向量，取矩阵B 第2 到 第抖1 最小特征值对应的特征向量U ：， ，U d + 。，并取样本 D 降维后的低维数据卜【“2 ， ，la d + 1 】1 。 然而，L T S A 也存在一些不足，如无法处理新来的样 本点，即所谓的“o u to fs a m p le ”问题1 7 】，无法直接应用于 在线输送带跑偏检测。 1 2 基于L T S A + G R N N + E L M 的跑偏在线检测 针对“o u to fs a m p le ”问题的解决方法有线性化 1 引、核 函数化 1 9 - 2 0 】、张量化 2 1 - 2 2 1 等技巧，但最适合在线跑偏检测 的是半监督流形学习算法，其思路较为简单清晰：先采 用流形学习进行降维，再以降维前后的数据为训练样本 构建高维空间到低维流形的显性映射 2 3 - 2 4 。综合考虑， 本文采用广义回归神经网络( g e n e r a liz e dr e g r e s s io nn e u r a l n e t w o r k s ，G R N N ) 2 5 】构建显性非线性映射。 为后续计算的方便、提高后续模型收敛速度，本文 先对原始传感器进行归一化处理；其次，采用L T S A 对归 一化后的数据进行降维处理；再以降维前后的高、低维 数据为训练样本采用G R N N 进行回归分析建模，构建出 高维到低维流形的非线性映射、完成对跑偏特征的提取； 最后采用极限学习机( e x t r e m ele a r n in gm a c h in e ，E L M ) 以提取出的跑偏特征( 即G R N N 的输出) 为输入、对应 跑偏量为模型输出构建跑偏预测模型。模型如图1 a ，其 构建步骤如图1 b 。 J L 一 ( 模型构造完成) - a 基于L T S A 的跑偏检测 模型构建步骤图 aC o n s t r u c t io ns t e p so f d e v ia t io n d e t e c t io nm o d e lb a s e do nU 1 S A b 基卜L T S A 的跑偏在 线检测模型 bO n lin ed e t e c t io nm o d e lo f d e v ia t io nb a s e do nU 1 S A 图l基于L T S A 跑偏检测模型示意图及其构建步骤图 F ig 1 S c h e m a t icd ia g r a ma n dc o n s t r u c t io ns t e p so fo n lin e d e t e c t io nm o d e lo fd e v ia t io nb a s e do nL T S A 2 基于C D B N 的在线皮带跑偏检测 2 1 深度置信网络 深度学习( d e e ple a r n in g ) 是近年来人工智能和机器 学习另一个新的研究热点。它区别于S V M ( s u p p o r t v e c t o r m a c h in e ) 、B o o s t in g 、E L M ( e x t r e m ele a r n in gm a c h in e ) 等一系列的浅层学习，专门用于模拟大数据之间的复杂 关系，以学习多个表示和抽象层次。传统的浅层学习需 要人工地选择特征表达算法【2 6 1 ，该部分效果的良好与否 对最终推断、预测识别的精度起着决定性的作用。而该 部分需要依靠大量技巧、经验以及时间，因此，为了能 够自动进行特征学习，深度学习应运而生。深度置信网 络( D B N ) 是H in t o n 于2 0 0 6 年提出深度学习模型 2 7 - 2 8 ， 其主要思想包括两个：1 ) 更深的网络能够对数据进行更 抽象的表示；2 ) 采用先验知识进行无监督预学习，以避 免随机初始化权值而导致的局部极值问题。 D B N 模型训练为“预训练+ 微调”：首先采用无监督学 量一 1 0 4 农业工程学报( h t t p ：w w w t c s a e o r g ) 2 0 1 7 年 习对模型进行“逐层初始化”，然后采用有监督学习对模型 进行微调。然而，由于D B N 本身是基于R B M ( r e s t r ic t e d b o lt z m a n nm a c h in e ) 的，故D B N 不适用于连续数据的降 维和特征提取。尽管H in t o n 提出可将R B M 拓展到高斯 R B M ( g a u s s ia nR B M ，G R B M ) 处理连续性数据，但该 模型的隐含层输出仍然是二元的 2 9 - 3 0 。针对这一问题， 胡昭华等采用C R B M ( c o n t in u o u sr e s t r ic t e db o lt z m a n n m a c h in e ) 替代R B M ，提出了连续自编码网络( c o n t in u o u s a u t o e n c o d e rn e t w o r k ) 3 1 - 3 2 。与P C A 等相比，该模型能 够发现高维数据的非线性相关关系；与大多数流形学习 方法相比，该模型能够直接给出高维数据点到低维空间 的显性非线性映射。然该模型缺乏反向监督学习，因此， 本节采用C R B M 结合反向监督微调和d r o p o u t 技术【33 】构 建连续深度置信网络( c o n t in u o u sd e e pb e lie fn e t w o r k s ， C D B N ) ，并将其应用于皮带秤输送带跑偏特征提取及跑 偏量预测中。 2 2 连续受限玻尔兹曼机C R B M c R B M 是一种R B M 的连续性对称扩展，和R B M 一 样也是一种特殊的马尔科夫随机场，其概率图模型为一 个二分图，包括一个可视层和一个隐含层以及它们层间 的连接、但层内无连接。记C R B M 的可视层和隐含层的 节点分别为 ，= “，V 2 ， ，V n ，) 和h = h i，h E ， ，h n 。) ，胛。、 分别为各层的节点数。为可视层与隐含层之间的连 接权值矩阵，为保证模型的稳定，该矩阵为对称矩阵， 即吁。 为便于处理连续性数据，C la M 对每个神经单元的 输入添加一个均值为0 的高斯噪声，引入一种连续性随 机单元替代R B M 中的二元随机单元。令S J 为神经单元， 的输出、 为其他神经单元对该单元，的输入，则该连 续性随机单元数学模型为： 旷吩阵峋墨+ 岛 ( 2 ) 纺( 勺) 2 吼+ ( o - o L ) 而再1 葡 该函数为渐近线在和处的s ig m o id 函数。参数 决定函数曲线的斜率，亦称之为噪声控制参数；阈值 岛= 0 7 j ( o ，1 ) 为常数盯和标准高斯分布N X o ，1 ) 组合成 的一个随机噪声输入分量，非固定值，其概率分布为： p ( 岛) = 而1e 坤f - 鲁】 ( 4 ) 参考连续性H o p f ie ld 神经网络，可获得C R B M 的能 量函数 3 4 ： h ；O Z 1 f v i( v ) d v i= 1 i= 1 iu i + ， ) = 一i己峋崎7 0 +( + 厶 手砂1 h j 1 ( 五) 曲 ( 5 ) 式中矽为模型参数，包括模型权值W F 、可视层噪声控制 参数仅，以及隐含层噪声控制参数6 ，。 C R B M 模型参数是依据能量函数通过最大似然准则 进行无监督学习得到的，通常采用最小化对比散度 ( m in im iz in gc o n t r a s t iv ed iv e r g e n c e ，M C D ) 进行W 口、a f 以及6 ，的迭代更新： 嘞= r lw ( iv ih j ) 一( 惦) 。) 幺= 暑一( 刚 ( 6 ) 影= 鲁一( 劈) 。) “J 式中谚和h ，分别表示C R B M 重构后可视层和隐含层的状 态，( ) 和( ) 表示训练数据和k 步重构后的期望，呷。和 分别代表权值和噪声控制参数的学习率。在实际应用 时，通常取k = - I ，即采用一步G ib b s 采样对模型期望进行 估计，即C D l算法，这样既能取得较好的效果，亦使训 练算法复杂度大大降低。 2 3C D B N C D B N 的结构与D B N 的类似，是一个多隐含层的混 合概率图模型，但每层采用C R B M 堆叠，能够处理输入 输出都是连续型的数据。较之连续自编码网络，C D B N 多了反向微调，能够充分利用有标签数据对模型进行训练。 根据概率图论模型( p r o b a b ilis t icg r a p h ic a l m o d e ls ， P G M ) 3 5 - 3 7 1 ，可得C D B N 模型的联合分布如图2 所示。 注：h l、h 2 、h 3 、v 分别为第1 、2 、3 隐含层和可视层。 N o t e ：h i，h 2 ，h 3 ，Va r et h ef ir s t ，s e c o n d ，t h ir dh id d e nla y e ra n dv is u a lla y e r r e s p e c t iv e ly 图2 连续深度置信网络C D B N 概率图模型 F ig 2 P r o b a b ilis t icg r a p hm o d e lo fc o n t in u o u sd e e pb e lie f n e t w o r k sC D B N P ( 蹦 ) = P ( 矿1 ) 睁( 引扩1 ) P ( 叫1 ) 若令 o ix ，则上式可写成： P ( 蹦 ) = P ( 矿1 ) ( 巍P ( 引扩1 ) 式中x 为可视层的状态向量。h 为第k 层隐含层的状态 向量。由D s e p a r a t io n 可知，在自上而下生成过程中，各 层中任意一个神经单元都是条件独立于该层中其他神经 单元。因此，与D B N 类似，C D B N 在训练时可视作多个 C R B M 的堆叠训练，训练步骤如下：1 ) 逐层预训练：采 ， 第1 期朱 亮等：基于数据挖掘的电子皮带秤皮带跑偏检测1 0 5 用无监督学习方法即式( 6 ) ，自下而上训练每相邻两层 神经元作为一个C R B M ，最后将训练好的多个C R B M 堆 叠有序展开；2 ) 反向微调：以有标签数据作为训练数据， 采用B P 进行反向微调，与D B N 不同的是，C D B N 反向 微调时除了对连接权值形微调外，还需要对各个神经元 的噪声控制参数a 进行微调，此外，C D B N 中神经元的 阈值卢为高斯分布的随机噪声输入分量，无需反向微调。 训练好后的C D B N 可通过逐层非线性变换，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，C D B N 实质上也是一种流形学习算法，完全符合流 形学习定义，且可解决“o u to f s a m p le ”问题。 2 4 基于C D B N + E L M 的皮带秤在线跑偏检测 首先用样本数据训练一个3 层C D B N 对原始传感器 数据进行跑偏特征提取，再在C D B N 顶层向上增加一层 回归层对提取后的特征进行跑偏量预测，回归层可以是 B P 、多元线性回归、S V M 、E L M 等。 模型反向微调时，为提高微调效率，最后一层采用 多元线性回归：同时由于样本有限且为保证最终跑偏量 预测的泛化性能，微调后最后一层置换成了正则化E L M ， 即优化包含经验风险项和正则化项的损失函数 3 6 - 3 7 】： m inL L = lI 声旷+ C llJ ，声一r ll ， 基于C D B N 的在线跑偏检测模型示意图及其构建步 骤如图3 。 l训练数据规范化处理1 !，一 l预训练3 个C R B M 并展开成C D B N Y C C D B N 顶层加一多元线性l 回归层并反向微调 J 将多远线性回归层换成l E L M 再次训练最后一层l 函蒜丽 a 基 jC D B N 输送带跑偏 检测模型构建步骤 & C o - - o ns t e p so f d e v ia t io n d e t e c t io n m o d e lb a s e d o n C D B N b 基rC D B N E L M 的跑偏 在线检测模型 b O n lin e d e t e c t io nm o d e lo f d e v ia t io nb a s e do nC D B N + E L M 图3 基于C D B N 跑偏检测模型示意图及其构建步骤图 F ig 3 S c h e m a t icd ia g r a ma n dc o n s t r u c t io ns t e p so fo n lin e d e t e c t io nm o d e lo fd e v ia t io nb a s e do nC D B N 对比图1 、3 ，二者最终获得的都是一个深层神经网 络，各自都是在前三层实现了跑偏特征的表达，在最后 一层采用E L M 进行跑偏量预测。不同的是，前者是在 L T S A 处理原始数据后间接获得，后者是采用原始数据直 接训练获得。 3 跑偏检测试验验证与分析 以南京三埃工控股份有限公司Q P S 皮带秤全性能试 验中心的3 撑和4 撑阵列式皮带秤( a r r a yb e ltw e ig h e r ，A B W ) 为对象进行跑偏在线检测试验( 图4 ) ，3 撑和4 阵列式 皮带秤具体参数如表1 。标准跑偏量样本数据采用文献 7 , 3 8 1 中方法获得，跑偏检测数据与现有传感器统一采用 M o d b u s R S 4 8 5 总线与测试笔记本通信，故现场采样同步， 采样频率均为1 0H z 。训练样本数据共1 57 9 7 组，为3 群 A B W 在空载，3 0 0 、6 0 0t h ( 最大流量约为8 0 0t h ) 流量 下的试验数据构成，其中有标签数据( 有跑偏量数据) 共67 1 8 组。每组数据都是1 5 维，各维度分别是输送带 宽度、托辊间距、托辊槽角、8 个称质量单元数据、现场 温度、现场湿度、皮带秤实时平均流量、输送带实时运 行速度。在线测试数据维度与样本数据相同，皆为有标 签数据，对应实时标准跑偏量采用同样方法获得。试验 中，皮带跑偏为人为制造。通常认为跑偏量超过输送带宽 度士1 0 为输送带跑偏，但为保证安全，试验时跑偏量人为 控制在士2 0 以内。输送带跑偏时跑偏量控制在1 2 2 0 ，未跑偏时控制在0 5 ，以明显区别跑偏和未跑偏。 固 笔i醉 现场工控机 p e t P L C 控制柜 图4Q P S 皮带秤全性能试验中心原理示意图 F ig 4 S c h e m a t icd ia g r a mo ff u ll p e r f o r m a n c et e s t c e n t e ro fQ P Sb e lts c a le 表13 号和4 号皮带秤参数 T a b le1P a r a m e t e r so f3 # a n d4 # a r r a yb e ltw e ig h e r 。输送带宽度 托辊间距称质量单元数输送带厚度槽角 翟亏 L e n g t h0 fD is t a n c eb e t w e e nN u m b e ro fT h ic k n e s so fG r o o v e 。 b e lt m m id le s m m w e ig h e r s b e lt r a m a n g le ( 。、 测试试验分别在3 # A B W 的空载、3 0 0 、6 0 0t h 以及 4 # A B W 的空载，2 0 0 、5 0 0 、8 0 0t h ( 最大流量10 0 0t h ) 下进行。测试试验分为跑偏特征提取和在线跑偏量预测 两部分：首先分别采用1 2 节和2 4 节两种降维方法进行 跑偏特征提取试验；其次在跑偏特征模型的基础上，进 行在线跑偏量预测试验。 3 1 预处理过程 预处理的目的是在模型训练或测试之前对模型输入 数据进行规范化，统一量纲以便后续模型训练和测试、 提高收敛速度，本节对输入数据的所有维度独立采用 m in m a x 标准化，手动设置各维度的最大值和最小值，统 一归一化N o ，1 1 区间。 趣瓣 1 0 6农业工程学报( h t t p w w w , , t c s a e o r g ) 2 0 1 7 年 3 2 基于L T S A + G R N N 的跑偏特征提取试验 先对原始数据进行预处理，然后分别采用P C A 、 I s o m a p 、L L E 、L T S A 几种流形算法对90 7 9 组无标签样 本数据进行降维，目标维数d 均设置为3 ，得到三维无量 纲跑偏特征数据。以3 阵列式皮带秤3 0 0 讹的样本数据 为例，各算法降维效果如图5 所示。 鍪量：；i熙。蓁雪t - - ；l黪 第二特征分最筇一特征分量 S e c o n df e a t lu r cF ir s tf b a t u r c 。o m p o “e m aP C A 。o m p o “e n l 第：特征分I l 第一特征分 建 S e c o n ( 1n ：a lu r eF ir s t 代! a t u r e c o m p o n e m c o m p o n c n t bls o m a p 磐紧。饕图： 图5 各降维方法的降维效果图 F ig 5D im e n s io nr e d u c t io nr e s u lt so f v a r io u sm e t h o d s 图5 显示，P C A 、I s o m a p 、L L E 降维后的三维跑偏 特征和未跑偏特征均存在很多重叠，同类数据降维后的 聚类程度不高，会给进一步的跑偏预测造成困难，其中 P C A 重叠最为严重，失真较为严重。而采用L T S A 降维 后的跑偏特征和未跑偏特征能完全被区别分离，具有较 好的特征提取效果，故而本文采用G R N N 对L T S A 降维 后的非线性映射进行构建。为了降低G R N N 模型的复杂 度、提高G R N N 预测速度，随机抽取样本数据中部分数 据进行建模，并采用建立后的G R N N 对所有原始样本( 包 括有标签和无标签数据) 进行降维，其效果如图6 。 图6 结合L T S A + G R N N 降维效果图 F ig 6D im e n s io nr e d u c t io nr e s u ltc o m b in e dw it hL T S A + G R N N 从图6 中可以看出，G R N N 对L T S A 降维后产生的 非线性映射具有很好的逼近能力，能够很好地从高维数 据空间中恢复跑偏低维流形，同时对于同一流量的跑偏 和未跑偏特征向量具有很好聚类效果。但各个流量之间 依旧有重叠部分。 3 3 基于C D B N 的跑偏特征提取试验 依照2 4 节，首先建立输入数据维度都为1 5 、输出 维度都为3 、深度分别为2 、3 、4 的C D B N 模型，并采 用同样的无标签训练数据进行预训练；其次，增加一L R 层为线性输出层，并设置d r o p o u t 为0 5 ，采用有标签跑 偏数据进行反向微调；最后使用得到3 种深度的C D B N 模型份对原始数据进行降维试验，降维效果如图7 。 S e c o n dr e , ：a t u r eF ir s tf c a t u r e c o m p o n e m a2 臌隐含层 c o m p o n e n t a 1 ) c lo t his2 1 空载无跑偏 N Od e v ia t io na tz e r o 。卒载跑偏 C le v ia t io na tz e r o 3 0 0t h 。无跑偏 N od c v ia t io na t3 0 0t - h 3 0 0 th 。跑偏 1 3 , I e v ia t io na t3 0 0t - h ： 一6 0 0t h “无跑偏 N Od e v ia t io na t6 0 0t h 6 0 0 t h1 无跑偏 D , e v ia t io na t6 0 0 th S e c o n dt e a r u r eP lr s tie a t u r eN c c o n dle a t u r e P1 1 2 、Ile a t t lr e 。m p 呷。m b 3 层隐舍层。m p 。“。m洲1 1 p 。1 1 c n c t 4 层隐舍层。n 1 印”。川 b D e p t h is3e D e p t h is 4 图7 不同深度的C D B N 降维效果图 F ig 7 D im e n s io nr e d u c t io nr e s u lt su s in gC D B No f d if f e r e n td e p t h s 从图7 中比较可以确定，3 层隐含层的C D B N 提取 出的跑偏特征能够满足需求。相较于L T S A ，深度为3 的 C D B N 不仅能对于同一流量的跑偏和未跑偏特征向量具 有很好聚类效果，而且对不同流量依旧有很好聚类效果。 此外，从图中可以看出皮带秤流量越大时，跑偏和未跑 偏特征的欧式空间距离越大，说明皮带秤一旦发生跑偏， 则流量越大，产生的跑偏量就越大，反之亦然。 3 4 在线跑偏检测试验及分析 本节试验中，先分别采用上述建立好的G R N N 和 C D B N 对有标签样本数据针进行跑偏特征提取；再对其 特征分别采用E L M 建立各自对应的跑偏量预测模型；最 后以3 撑和4 样皮带秤在线实时数据分别对本文提出的模型 进行验证，并与其他模型的试验结果进行比较分析，其 中C D B N + L R 、C D B N + S V M 和C D B N + E L M 的深度皆为 3 。所有模型输出数据皆携有原始传感器数据的采样时 间，处理试验结果时，将各模型预测的跑偏量分别与对 应相同采样时间的标准跑偏量( 即阵列式光电管跑偏检 测装置实时同步检测到的跑偏量) 进行比较，得到具体 试验结果如表2 、3 。 表2 、3 显示，L T S A + G R N N + E L M 、C D B N + L R 和 C D B N + E L M 三个模型的预测精度远高于E L M 的8 2 9 和P C A + S V M 的7 8 6 7 ，均达到了9 0 以上；S V M 和 E L M 的预测能力相当，但E L M 的训练、预测速度要远 快于S V M 【39 1 。上述表明：L T S A + G R N N 和C D B N 都有效 降低原始数据的冗余且保留了足够多的跑偏特征，明显 提高了跑偏在线检测的精确度、减小了模型复杂度；E L M 更适合于在线皮带跑偏检测。两表的对比可以得到：结 甜 m 偏m 俯甜俯腻 燃缩一一蝴一一一一一 脚舢帅“一“帅川栌舯聪慧赫撩 第1 期 朱亮等：基于数据挖掘的电子皮带秤皮带跑偏检测 1 0 7 合d r o p o u t 技术和正则化E L M 明显提高了跑偏检测模型 的泛化性。进一步，结合皮带秤的不同工作场合，可以 得到：L T S A + G R N N + E L M 模型平均跑偏预测精度为 9 3 3 3 ，相对较高，训练时间1 8 9 1S ，也相对较短，但 其预测速度并不很快，平均每组预测时间3 8 2 9m s ，故很 适用于皮带秤称重标定较为频繁( 每次标定完后，称重 传感器相关参数会被修改，故跑偏预测模型需要重新训 练) 、实时性要求相对不高场合，如皮带秤实验室、衡 器检定等；C D B N + E L M 模型训练时间最长，达1 3 9 9 6S ， 但其预测精度最高，达9 8 6 1 、平均每组测试时间也相 对较短，只有1 4 7m s ，故非常适用于标定相对不频繁、 实时性和预测精度要求较高的场合，如码头、粮库等衡 器工作现场。 表2 各模型在3 挣皮带秤不同流量下的跑偏检测试验结果 T ，出1 e2T e s tr e s u lt so fv a r io u sd e v ia t io nd e t e c t io nm o d e lso n3 # b e ltw e ig h e ra td if f e r e n tf lo wr a t e s 注：C D B N + L R 即最后一层采用lo g is t icr e g r e s s io n 回归分析进行分类。 N o t e ：C D B N + L Rm e a n st h a tlo g is t icr e g r e s s io nisa d o p t e da st h ec la s s if ic a t io n o u t p u tla y e r 表3 各模型在4 撑皮带秤不同流量下的跑偏检测试验结果 T a b le3T e s tr e s u lt so fv a r io u sd e v ia t io nd e t e c t io nm o d e lso n 4 f | b e ltw e ig h e ra td if f e r e n tf lo wr a t e s 4 结论 1 ) 为实现皮带跑偏在线检测，针对原始传感器数据 高维度、非线性相关，引入流形学习，并针对“o u to f s a m p le ”问题采用广义回归神经网络( g e n e r a liz e d r e g r e s s io nn e u r a ln e t w o r k s ，G R N N ) 构建显性非线性映射， 然后通过试验对比多种流形学习算法，得出局部切空间 排列( 1 0 c a lt a n g e n ts p a c ea lig n m e n t ，L T S A ) L 1 、S A + G R N N 模型在皮带秤各个流量阶段皆具有较好的跑偏特征提取 效果； 2 ) 引入连续玻尔兹曼机，结合d r o p o u t 技术，提出 一种连续深度置信网络，并将其应用于皮带跑偏特征提 取，试验表明，基于连续深度置信网络( c o n t in u o u sd e e p b e lie f n e t w o r k s ，C D B N ) 的跑偏特征提取模型同样具有较 好的降维效果； 3 ) 采用S V M 、极限学习机( e x t r e m ele a r n in gm a c h in e E L M ) 等回归分析方法、以在线提取到的跑偏特征为输 入构建在线皮带跑偏量预测模型，并分别在参数不同的 皮带秤上进行试验，试验结果表明：U S A + G 砌叮N + E L M 和C D B N + E L M 模型在不同皮带秤的不同流量下皆具有 良好的皮带跑偏预测精度和泛化性能，精度均超过了 9 0 ，后者更是达到了9 8 6 1 ；二者皆具有较好实时性， 后者平均每组测试时间只有1 4 7m s ，但前者训练时间相 对较短；二者皆可取代传统硬件跑偏检测设备，避免额 外检测设备的制造、安装维修成本，符合生产商和客户 的需求。此外，该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依据。 参考文献】 1 僧东恒皮带机跑偏的分析和治理措施 J 水利电力机 械，2 0 0 7 ，2 9 ( 8 ) ：9 2 - - 9 4 。 S e n gD o n g h e n g A n a ly s iso ft h eb e ltc o n v e y o rr u n n in g d e v ia t io na n dit s im p r o v e m e n t J W a t e rC o n s e r v a n c y & E le c t r icP o w e rM a c h in e r y ，2 0 0 7 ，2 9 ( 8 ) ：9 2 9 4 ( inC h in e s e w it hE n g lis ha b s t r a c t ) 2 董甲东，谷立臣带式输送机纠偏装置液压伺服系统仿真 设计 J 起重运输机械，2 0 1 0 ( 11 ) ：1 7 - - 2 0 D o n gJ ia d o n g ，G uL ic h e n S im u la t io nd e s ig no f t h eh y d r a u lic s e r v o s y s t e mo ft h e b e ltc o n v e y o rc o r r e c t in g d e v ic e J H o is t in ga n dC o n v e y in gM a c h in e r y ，2 0 1 0 ( 11 ) ：1 7 2 0 ( in C h in e s ew it hE n g lis ha b s t r a c t ) 【3 刘文亮，张晓伟，董秋艳连续皮带机胶带跑偏原因与力 学分析 J 】水利水电技术，2 0 0 6 ，3 7 ( 3 ) ：2 6 - - 2 7 L iuW e n lia n g ，Z h a n gX ia o w e i，D o n gQ iu y a n C a u s ea n d d y n a m ica n a ly s iso fd e v ia t io no fb e ltf o rb e ltc o n v e y e r J W a t e rR e s o u r c e sa n dH y d r o p o w e rE n g in e e r in g ，2 0 0 6 ，3 7 ( 3 ) ： 2 6 2 7 ( inC h in e s ew it hE n g lis ha b s t r a c t l 4 张佳伟，楼佩煌输送皮带跑偏自动化检测及液压