基于數據挖掘的電子皮帶秤皮帶跑偏檢測

朱 亮，李東波，吳崇友，吳紹鋒，袁延強

（1. 農業部南京農業機械化研究所，南京 210094；2. 南京理工大學機械工程學院，南京 210094；3. 南京三埃工控股份有限公司，南京 211100）

基于數據挖掘的電子皮帶秤皮帶跑偏檢測

朱 亮1，李東波2，吳崇友1，吳紹鋒2，袁延強3

（1. 農業部南京農業機械化研究所，南京 210094；2. 南京理工大學機械工程學院，南京 210094；3. 南京三埃工控股份有限公司，南京 211100）

為提高電子皮帶秤連續累計稱量精度，針對嚴重影響精度的電子皮帶秤跑偏，采用對皮帶秤現有原始傳感器的數據挖掘實現跑偏量實時在線檢測，以取代傳統硬件檢測設備。引入流形學習和深度學習，分別提出了基于局部切空間排列（local tangent space alignment,LTSA）+廣義回歸神經網絡（generalized regression neural networks,GRNN）和基于連續深度置信網絡（continuous deep belief networks,CDBN）的在線跑偏特征提取模型，再結合極限學習機（extreme learning machine,ELM）以跑偏特征為模型輸入進行跑偏量預測。最后通過試驗對該文提出的在線跑偏量預測模型的性能進行了驗證：LTSA+GRNN+ELM平均跑偏預測精度為 93.33%，平均每組預測時間 38.29 ms；CDBN+ELM預測精度則高達98.61%，平均每組預測時間1.47 ms。二者預測精度和實時性皆表明能取代傳統硬件檢測裝置，為皮帶跑偏檢測提供了一種方法，為進一步的皮帶秤在線精度補償和故障預測提供了必要依據。

數據挖掘；傳感器；模型；皮帶跑偏；流形學習；連續深度置信網絡；極限學習機

0 引 言

皮帶秤是一種散狀物料連續累計稱重設備，廣泛應用于碼頭、糧庫等各大農作物、工業原料貿易場合。輸送帶跑偏是皮帶秤運行過程中常見的現象，廣泛見于各種帶式輸送機設備核子秤、視覺秤等。造成跑偏的原因很多[1]，但根本原因是輸送帶張力中心線偏離幾何中心線[2-3]。跑偏是一種全局性故障，一旦發生，必定是整條輸送帶跑偏。輸送帶跑偏不僅嚴重影響皮帶秤計量精度、穩定性和耐久性，同時也是導致諸如設備主要部件滾筒竄軸、托輥軸承等非正常磨損、輸送帶撕裂、停機等皮帶秤現場事故的主要原因[4]。因此，對跑偏進行實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償皮帶秤累計計量精度，而且還用來故障預測。

傳統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械的檢測傳動輪[4]，通常只能定性檢測；非接觸式通常采用CCD（charge-coupled device）、PSD（phase-sensitive detetor）[5]、陣列式光電三極管[6]等光敏元器件作為檢測傳感器，以FPGA（field-programmablegate-array）[7]、DSP（digital signal processor）[8]、ARM（acorn reduced instruction set computer machine）、單片機等為采集處理芯片進行跑偏檢測，可實現定量檢測。而且，為了能夠現場實時監控，兩種方式還都需要建立額外的總線通信將跑偏數據實時傳送到現場儀表或工控機。毫無疑問，傳統檢測大大增加了設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境使得檢測設備難以長期穩定工作，故而需要另覓他徑。隨著信號處理技術以及數據挖掘技術的日益成熟和廣泛應用，對現有傳感器數據進行信號處理、數據挖掘、提取輸送帶跑偏特征以實現輸送帶跑偏檢測是一條可行且可靠的途徑。然而，由于皮帶秤現有傳感器的采樣頻率大多是在10 Hz以內，進行時頻分析后難以獲得顯著的跑偏特征信號，故只能采用機器學習方法對現有數據進行直接處理。

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動，并與各部件的振動信息相耦合，單個稱重單元數據是難以檢測出跑偏，需要對皮帶秤多個傳感器數據和設備參數數據挖掘才能實現。對于皮帶秤的在線輸送帶跑偏檢測，除了檢測的準確率外，其實時性更為重要。然而，由于現場傳感器的實時數據類別較多、數據之間存在線性或者非線性相關，若采用算法直接對現場傳感器數據進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時性和準確率。故而，需要優先對現場傳感器實時數據的維度進行裁剪，消除部分冗余數據、提取出跑偏特征；然后采用回歸分析對特征進行跑偏量預測。由此可見，輸送帶跑偏檢測的準確率和實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。

在機器學習領域，數據降維的方法有很多，大致可分為傳統線性降維算法、流形學習方法以及基于神經網絡的降維算法三大類。后兩類算法是為了解決傳統線性降維算法（主成分分析、多維標度分析等）[9-11]難以處理的非線性相關問題。具有代表性的流形學習算法有距映射算法（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[12]，基于神經網絡的降維算法有受限玻爾茲曼機（restricted boltzmann machine，RBM）、棧式自編碼器、深度置信網絡（deep belief networks，DBN）、自組織特征映射網絡等。針對電子皮帶秤跑偏數據存在非線性相關的特性，本文分別結合流形學習和深度學習對電子皮帶秤皮帶跑偏檢測進行研究，分別提出基于LTSA+GRNN+ELM和基于CDBN+ELM的跑偏檢測模型，并通過試驗將二者與其他模型進行對比驗證。

1 基于LTSA的在線皮帶跑偏檢測

1.1 局部切空間排列算法

流形學習算法已是機器學習領域一個新的研究熱點[13]。流形學習最大的優勢是更適合揭示數據間非線性相關性結構。LTSA是通過逼近樣本空間D={x1,x2,…,xN}中任意一樣本點 xi∈D的切空間來構建低維流形的局部幾何，再利用局部切空間排列求出整體低維嵌入坐標[14]。LTSA與傳統非線性降維方法Kernel PCA本質上是一樣的[15]。相較于LLE，具有更好的非線性能力；相較于Isomap，具有更好的實時性。此外，LTSA還具備一定的非線性降噪能力[16]，因此，很適合皮帶跑偏特征在線提取，其具體步驟如下：

1）采用最小鄰域法構建鄰域圖G，對于?xi∈D，其鄰域為對其鄰域進行中心化處理，計算

3）初始化矩陣B=0，計算矩陣B：

4）除去特征值0對應的特征向量，取矩陣B第2到第d+1最小特征值對應的特征向量u2,…,ud+1，并取樣本D降維后的低維數據Y=[u2,…,ud+1]T。

然而，LTSA也存在一些不足，如無法處理新來的樣本點，即所謂的“out of sample”問題[17]，無法直接應用于在線輸送帶跑偏檢測。

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[18]、核函數化[19-20]、張量化[21-22]等技巧，但最適合在線跑偏檢測的是半監督流形學習算法，其思路較為簡單清晰：先采用流形學習進行降維，再以降維前后的數據為訓練樣本構建高維空間到低維流形的顯性映射[23-24]。綜合考慮，本文采用廣義回歸神經網絡（generalized regression neural networks，GRNN）[25]構建顯性非線性映射。

為后續計算的方便、提高后續模型收斂速度，本文先對原始傳感器進行歸一化處理；其次，采用LTSA對歸一化后的數據進行降維處理；再以降維前后的高、低維數據為訓練樣本采用GRNN進行回歸分析建模，構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；最后采用極限學習機（extreme learning machine,ELM）以提取出的跑偏特征（即GRNN的輸出）為輸入、對應跑偏量為模型輸出構建跑偏預測模型。模型如圖1a，其構建步驟如圖1b。

圖1 基于LTSA跑偏檢測模型示意圖及其構建步驟圖Fig.1 Schematic diagram and construction steps of online detection model of deviation based on LTSA

2 基于CDBN的在線皮帶跑偏檢測

2.1 深度置信網絡

深度學習（deep learning）是近年來人工智能和機器學習另一個新的研究熱點。它區別于SVM（support vector machine）、Boosting、ELM（extreme learning machine）等一系列的淺層學習，專門用于模擬大數據之間的復雜關系，以學習多個表示和抽象層次。傳統的淺層學習需要人工地選擇特征表達算法[26]，該部分效果的良好與否對最終推斷、預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、經驗以及時間，因此，為了能夠自動進行特征學習，深度學習應運而生。深度置信網絡（DBN）是Hinton于2006年提出深度學習模型[27-28]，其主要思想包括兩個：1）更深的網絡能夠對數據進行更抽象的表示；2）采用先驗知識進行無監督預學習，以避免隨機初始化權值而導致的局部極值問題。

DBN模型訓練為“預訓練+微調”：首先采用無監督學習對模型進行“逐層初始化”，然后采用有監督學習對模型進行微調。然而，由于DBN本身是基于RBM（restricted boltzmann machine）的，故DBN不適用于連續數據的降維和特征提取。盡管Hinton提出可將RBM拓展到高斯RBM（gaussian RBM，GRBM）處理連續性數據，但該模型的隱含層輸出仍然是二元的[29-30]。針對這一問題，胡昭華等采用CRBM（continuous restricted boltzmann machine）替代RBM，提出了連續自編碼網絡（continuous auto-encoder network）[31-32]。與PCA等相比，該模型能夠發現高維數據的非線性相關關系；與大多數流形學習方法相比，該模型能夠直接給出高維數據點到低維空間的顯性非線性映射。然該模型缺乏反向監督學習，因此，本節采用CRBM結合反向監督微調和dropout技術[33]構建連續深度置信網絡（continuous deep belief networks，CDBN），并將其應用于皮帶秤輸送帶跑偏特征提取及跑偏量預測中。

2.2 連續受限玻爾茲曼機CRBM

CRBM是一種RBM的連續性對稱擴展，和RBM一樣也是一種特殊的馬爾科夫隨機場，其概率圖模型為一個二分圖，包括一個可視層和一個隱含層以及它們層間的連接、但層內無連接。記CRBM的可視層和隱含層的節點分別為nh分別為各層的節點數。W為可視層與隱含層之間的連接權值矩陣，為保證模型的穩定，該矩陣為對稱矩陣，即Wij=Wji。

為便于處理連續性數據，CRBM對每個神經單元的輸入添加一個均值為 0 的高斯噪聲，引入一種連續性隨機單元替代RBM中的二元隨機單元。令sj為神經單元j的輸出、{si}為其他神經單元對該單元j的輸入，則該連續性隨機單元數學模型為：

該函數為漸近線在θL和θH處的sigmoid函數。參數αj決定函數曲線的斜率，亦稱之為噪聲控制參數；閾值為常數σ和標準高斯分布Nj(0,1)組合成的一個隨機噪聲輸入分量，非固定值，其概率分布為：

參考連續性Hopfield神經網絡，可獲得CRBM的能量函數[34]：

式中θ為模型參數，包括模型權值 wij、可視層噪聲控制參數αj以及隱含層噪聲控制參數bj。

CRBM模型參數是依據能量函數通過最大似然準則進行無監督學習得到的，通常采用最小化對比散度（minimizing contrastive divergence，MCD）進行wij、αi以及bj的迭代更新：

2.3 CDBN

CDBN的結構與DBN的類似，是一個多隱含層的混合概率圖模型，但每層采用CRBM堆疊，能夠處理輸入輸出都是連續型的數據。較之連續自編碼網絡，CDBN多了反向微調，能夠充分利用有標簽數據對模型進行訓練。

根據概率圖論模型（probabilistic graphical models,PGM）[35-37]，可得CDBN模型的聯合分布如圖2所示。

圖2 連續深度置信網絡CDBN概率圖模型Fig.2 Probabilistic graph model of continuous deep belief networks CDBN

若令h0=X，則上式可寫成：

式中X為可視層的狀態向量。hk為第k層隱含層的狀態向量。由D-separation可知，在自上而下生成過程中，各層中任意一個神經單元都是條件獨立于該層中其他神經單元。因此，與DBN類似，CDBN在訓練時可視作多個CRBM的堆疊訓練，訓練步驟如下：1）逐層預訓練：采用無監督學習方法即式（6），自下而上訓練每相鄰兩層神經元作為一個CRBM，最后將訓練好的多個CRBM堆疊有序展開；2）反向微調：以有標簽數據作為訓練數據，采用BP進行反向微調，與DBN不同的是，CDBN反向微調時除了對連接權值W微調外，還需要對各個神經元的噪聲控制參數α進行微調，此外，CDBN中神經元的閾值β為高斯分布的隨機噪聲輸入分量，無需反向微調。

訓練好后的CDBN可通過逐層非線性變換，實現從高維原始輸入數據到低維特征空間的自動抽象表達。因此，CDBN實質上也是一種流形學習算法，完全符合流形學習定義，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

首先用樣本數據訓練一個3層CDBN對原始傳感器數據進行跑偏特征提取，再在CDBN頂層向上增加一層回歸層對提取后的特征進行跑偏量預測，回歸層可以是BP、多元線性回歸、SVM、ELM等。

模型反向微調時，為提高微調效率，最后一層采用多元線性回歸；同時由于樣本有限且為保證最終跑偏量預測的泛化性能，微調后最后一層置換成了正則化ELM，即優化包含經驗風險項和正則化項的損失函數[36-37]：

基于CDBN的在線跑偏檢測模型示意圖及其構建步驟如圖3。

圖3 基于CDBN跑偏檢測模型示意圖及其構建步驟圖Fig.3 Schematic diagram and construction steps of online detection model of deviation based on CDBN

對比圖1、3，二者最終獲得的都是一個深層神經網絡，各自都是在前三層實現了跑偏特征的表達，在最后一層采用ELM進行跑偏量預測。不同的是，前者是在LTSA處理原始數據后間接獲得，后者是采用原始數據直接訓練獲得。

3 跑偏檢測試驗驗證與分析

以南京三埃工控股份有限公司QPS皮帶秤全性能試驗中心的3#和4#陣列式皮帶秤（array belt weigher，ABW）為對象進行跑偏在線檢測試驗（圖 4），3#和 4 #陣列式皮帶秤具體參數如表1。標準跑偏量樣本數據采用文獻[7,38]中方法獲得，跑偏檢測數據與現有傳感器統一采用Modbus/RS485總線與測試筆記本通信，故現場采樣同步，采樣頻率均為10 Hz。訓練樣本數據共15 797組，為3# ABW在空載，300、600 t/h（最大流量約為800 t/h）流量下的試驗數據構成，其中有標簽數據（有跑偏量數據）共6 718組。每組數據都是15維，各維度分別是輸送帶寬度、托輥間距、托輥槽角、8個稱質量單元數據、現場溫度、現場濕度、皮帶秤實時平均流量、輸送帶實時運行速度。在線測試數據維度與樣本數據相同，皆為有標簽數據，對應實時標準跑偏量采用同樣方法獲得。試驗中，皮帶跑偏為人為制造。通常認為跑偏量超過輸送帶寬度±10%為輸送帶跑偏，但為保證安全，試驗時跑偏量人為控制在±20%以內。輸送帶跑偏時跑偏量控制在12%～20%，未跑偏時控制在0～5%，以明顯區別跑偏和未跑偏。

圖4 QPS皮帶秤全性能試驗中心原理示意圖Fig.4 Schematic diagram of full performance test center of QPS belt scale

表1 3號和4號皮帶秤參數Table 1 Parameters of 3# and 4 #array belt weigher

測試試驗分別在3#ABW的空載、300、600 t/h以及4#ABW的空載，200、500、800 t/h（最大流量1 000 t/h）下進行。測試試驗分為跑偏特征提取和在線跑偏量預測兩部分：首先分別采用1.2節和2.4節兩種降維方法進行跑偏特征提取試驗；其次在跑偏特征模型的基礎上，進行在線跑偏量預測試驗。

3.1 預處理過程

預處理的目的是在模型訓練或測試之前對模型輸入數據進行規范化，統一量綱以便后續模型訓練和測試、提高收斂速度，本節對輸入數據的所有維度獨立采用min-max標準化，手動設置各維度的最大值和最小值，統一歸一化到[0,1]區間。

3.2 基于LTSA+GRNN的跑偏特征提取試驗

先對原始數據進行預處理，然后分別采用PCA、Isomap、LLE、LTSA幾種流形算法對9 079組無標簽樣本數據進行降維，目標維數d均設置為3，得到三維無量綱跑偏特征數據。以3#陣列式皮帶秤300 t/h的樣本數據為例，各算法降維效果如圖5所示。

圖5 各降維方法的降維效果圖Fig.5 Dimension reduction results of various methods

圖5顯示，PCA、Isomap、LLE降維后的三維跑偏特征和未跑偏特征均存在很多重疊，同類數據降維后的聚類程度不高，會給進一步的跑偏預測造成困難，其中PCA重疊最為嚴重，失真較為嚴重。而采用LTSA降維后的跑偏特征和未跑偏特征能完全被區別分離，具有較好的特征提取效果，故而本文采用GRNN對LTSA降維后的非線性映射進行構建。為了降低GRNN模型的復雜度、提高GRNN預測速度，隨機抽取樣本數據中部分數據進行建模，并采用建立后的GRNN對所有原始樣本（包括有標簽和無標簽數據）進行降維，其效果如圖6。

圖6 結合LTSA+GRNN降維效果圖Fig.6 Dimension reduction result combined with LTSA+GRNN

從圖6中可以看出，GRNN對LTSA降維后產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據空間中恢復跑偏低維流形，同時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。但各個流量之間依舊有重疊部分。

3.3 基于CDBN的跑偏特征提取試驗

依照2.4節，首先建立輸入數據維度都為15、輸出維度都為3、深度分別為2、3、4的CDBN模型，并采用同樣的無標簽訓練數據進行預訓練；其次，增加一LR層為線性輸出層，并設置dropout為0.5，采用有標簽跑偏數據進行反向微調；最后使用得到3種深度的CDBN模型份對原始數據進行降維試驗，降維效果如圖7。

圖7 不同深度的CDBN降維效果圖Fig.7 Dimension reduction results using CDBN of different depths

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，跑偏和未跑偏特征的歐式空間距離越大，說明皮帶秤一旦發生跑偏，則流量越大，產生的跑偏量就越大，反之亦然。

3.4 在線跑偏檢測試驗及分析

本節試驗中，先分別采用上述建立好的GRNN和CDBN對有標簽樣本數據針進行跑偏特征提取；再對其特征分別采用ELM建立各自對應的跑偏量預測模型；最后以3#和4#皮帶秤在線實時數據分別對本文提出的模型進行驗證，并與其他模型的試驗結果進行比較分析，其中CDBN+LR、CDBN+SVM和CDBN+ELM的深度皆為3。所有模型輸出數據皆攜有原始傳感器數據的采樣時間，處理試驗結果時，將各模型預測的跑偏量分別與對應相同采樣時間的標準跑偏量（即陣列式光電管跑偏檢測裝置實時同步檢測到的跑偏量）進行比較，得到具體試驗結果如表2、3。

表2、3顯示，LTSA+GRNN+ELM、CDBN+LR和CDBN+ELM三個模型的預測精度遠高于ELM的82.9%和PCA+SVM的78.67%，均達到了90%以上；SVM和ELM的預測能力相當，但ELM的訓練、預測速度要遠快于SVM[39]。上述表明：LTSA+GRNN和CDBN都有效降低原始數據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：結合dropout技術和正則化ELM明顯提高了跑偏檢測模型的泛化性。進一步，結合皮帶秤的不同工作場合，可以得到：LTSA+GRNN+ELM模型平均跑偏預測精度為93.33%，相對較高，訓練時間18.91 s，也相對較短，但其預測速度并不很快，平均每組預測時間38.29 ms，故很適用于皮帶秤稱重標定較為頻繁（每次標定完后，稱重傳感器相關參數會被修改，故跑偏預測模型需要重新訓練）、實時性要求相對不高場合，如皮帶秤實驗室、衡器檢定等；CDBN+ELM模型訓練時間最長，達139.96 s，但其預測精度最高，達98.61%、平均每組測試時間也相對較短，只有1.47 ms，故非常適用于標定相對不頻繁、實時性和預測精度要求較高的場合，如碼頭、糧庫等衡器工作現場。

表2 各模型在3#皮帶秤不同流量下的跑偏檢測試驗結果Table 2 Test results of various deviation detection models on 3# belt weigher at different flow rates

表3 各模型在4#皮帶秤不同流量下的跑偏檢測試驗結果Table 3 Test results of various deviation detection models on 4# belt weigher at different flow rates

4 結 論

1）為實現皮帶跑偏在線檢測，針對原始傳感器數據高維度、非線性相關，引入流形學習，并針對“out of sample”問題采用廣義回歸神經網絡（generalized regression neural networks,GRNN）構建顯性非線性映射，然后通過試驗對比多種流形學習算法，得出局部切空間排列（local tangent space alignment,LTSA）LTSA+GRNN模型在皮帶秤各個流量階段皆具有較好的跑偏特征提取效果；

2）引入連續玻爾茲曼機，結合 d ropout技術，提出一種連續深度置信網絡，并將其應用于皮帶跑偏特征提取，試驗表明，基于連續深度置信網絡（continuous deep belief 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、極限學習機（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建在線皮帶跑偏量預測模型，并分別在參數不同的皮帶秤上進行試驗，試驗結果表明：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測精度和泛化性能，精度均超過了90%，后者更是達到了98.61%；二者皆具有較好實時性，后者平均每組測試時間只有1.47 ms，但前者訓練時間相對較短；二者皆可取代傳統硬件跑偏檢測設備，避免額外檢測設備的制造、安裝維修成本，符合生產商和客戶的需求。此外，該研究為進一步的皮帶秤在線精度補償和故障預測提供了必要依據。

[1] 僧東恒. 皮帶機跑偏的分析和治理措施[J]. 水利電力機械，2007，29(8)：92－94. Seng Dongheng. Analysis of the belt conveyor running deviation and its improvement[J]. Water Conservancy &Electric Power Machinery,2007,29(8):92－94.(in Chinese with English abstract)

[2] 董甲東，谷立臣. 帶式輸送機糾偏裝置液壓伺服系統仿真設計[J]. 起重運輸機械，2010(11)：17－20. Dong Jiadong,Gu Lichen. Simulation design of the hydraulic servo system of the belt conveyor correcting device[J]. Hoisting and Conveying Machinery,2010(11):17－20.(in Chinese with English abstract)

[3] 劉文亮，張曉偉，董秋艷. 連續皮帶機膠帶跑偏原因與力學分析[J]. 水利水電技術，2006，37(3)：26－27. Liu Wenliang,Zhang Xiaowei,Dong Qiuyan. Cause and dynamic analysis of deviation of belt for belt conveyer[J]. Water Resources and Hydropower Engineering,2006,37(3):26－27.(in Chinese with English abstract)

[4] 張佳偉，樓佩煌. 輸送皮帶跑偏自動化檢測及液壓矯正技術[J]. 機械工程師，2008(10)：26－28. Zhang Jiawei,Lou Peihuang. Automatic detection and hydraulic correction technology of belt deviation[J]. Mechanical Engineer,2008(10):26－28.(in Chinese with English abstract)

[5] 段潔，孫向陽，蔡敬海，等. PSD在激光位移檢測系統中的應用研究[J]. 紅外與激光工程，2007(S1)：281－284. Duan Jie,Sun Xiangyang,Cai Jinghai,et al. Applications research to PSD in the laser displacement detecting system[J]. Infrared and Laser Engineering,2007(S1):281－284.(in Chinese with English abstract)

[6] 李妍，朱亮，袁延強，等. 基于陣列式光電三極管的皮帶跑偏檢測技術研究與系統設計[J]. 機床與液壓，2014(3)：127－131.Li Yan,Zhu Liang,Yuan Yanqiang,et al. Research and design of detection system for belt deviation based on array phototransistors[J]. Machine Tool and Hydraulics,2014(3):127－131.(in Chinese with English abstract)

[7] 朱亮，李東波，李妍，等. 基于FPGA＋MCU的皮帶跑偏檢測系統研究與設計[J]. 機床與液壓，2014(7)：86－89，95. Zhu Liang,Li Dongbo,Li Yan,et al. Research and design of detection system for belt deviation based on FPGA+MCU[J]. Machine Tool and Hydraulics,2014(7):86－89,95.(in Chinese with English abstract)

[8] 龐蘇娟. 基于DSP的電子皮帶秤設計與實現[D]. 西安：陜西科技大學,控制科學與工程，2012. Pang Sujuan. Design and Implementation of Electronic Belt Scale Based On DSP[D]. Xian:Shaanxi University of Science and Technology,Control Science and Engineering,2012.(in Chinese with English abstract)

[9] 黃添強. 數據挖掘算法與應用[M]. 廈門:廈門大學出版社，2011.

[10] 王玨，周志華，周傲英. 機器學習及其應用[M]. 北京：清華大學出版社，2006.

[11] 高亞文，湯海青，歐昌榮，等. 基于前表面熒光光譜鑒別新鮮與凍融大黃魚[J]. 農業工程學報，2016,32(16)：279－285. Gao Yawen,Tang Haiqing,Ou Changrong,et al. Differentiation between fresh and frozen-thawed large yellow croaker based on front-face fluorescence spectroscopy technique[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2016,32(16):279－285.(in Chinese with English abstract)

[12] 岳學軍，全東平，洪添勝，等. 不同生長期柑橘葉片磷含量的高光譜預測模型[J]. 農業工程學報，2015,31(8)：207－213. Yue Xuejun,Quan Dongping,Hong Tiansheng,et al. Prediction model of phosphorus content for citrus leaves during different growth periods based on hyperspectrum[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2015,31(8):207－213.(in Chinese with English abstract)

[13] Timonen J,Stirland M,Pilling D J,et al. An information geometry of statistical manifold learning[J]. Physical Review Letters,2015,56(21):2233－2236.

[14] Wang Qian,Wang Weiguo,Nian Rui,et al. Manifold learning in local tangent space via extreme learning machine[J]. Neurocomputing,2016,174:18－30.

[15] 詹宇斌，殷建平，劉新旺. 局部切空間對齊算法的核主成分分析解釋[J]. 計算機工程與科學，2010(6)：158－161. Zhan Yubin,Yin Jianping,Liu Xinwang. A kernel PCA view of the local tangent space alignment algorithm[J]. Computer Engineering and Science,2010(6):158－161.(in Chinese with English abstract)

[16] Zhang Zhenyue,Zha Hongyuan. Principal manifolds and nonlinear dimension reduction via local tangent space alignment[J]. Siam Journal of Scientific Computing,2002,26:313－338.

[17] Mendoza Quispe Arturo,Petitjean Caroline,Heutte Laurent. Extreme learning machine for out-of-sample extension in Laplacian eigenmaps[J]. Pattern Recognition Letters,2016,74(C):68－73.

[18] Li Bo,Li Jun,Zhang XiaoPing. Nonparametric discriminant multi-manifold learning for dimensionality reduction[J]. Neurocomputing,2015,152:121－126.

[19] Orsenigo Carlotta,Vercellis Carlo. Kernel ridge regression for out-of-sample mapping in supervised manifold learning[J]. Expert Systems with Applications,2012,39(9):7757－7762.

[20] Lin Y Y,Liu T L,Fuh C S. Multiple kernel learning for dimensionality reduction[J]. IEEE Transactions on Software Engineering,2010,33(6):1147－1160.

[21] Li Xuelong,Lin S,Yan Shuicheng,et al. Discriminant locally linear embedding with high-order tensor data[J]. IEEE Transactions on Systems Man &Cybernetics Part B,2008,38(2):342－352.

[22] 劉昶，周激流，郎方年，等. 基于加權判別局部多線性嵌入的人臉識別[J]. 儀器儀表學報，2011(10)：2248－2255. Liu Chang,Zhou Jiliu,Lang Fangnian,et al. Weighted discriminative locally multi-linear embedding algorithm for face recognition[J]. Chinese Journal of Scientific Instrument,2011(10):2248－2255.(in Chinese with English abstract)

[23] Kim Kyoungok,Lee Daewon. Inductive manifold learning using structured support vector machine[J]. Pattern Recognition,2014,47(1):470－479.

[24] Liu Bing,Xia Shixiong,Meng Fanrong,et al. Extreme spectral regression for efficient regularized subspace learning[J]. Neurocomputing,2015,149:171－179.

[25] Liu Yong,Wang Qicong,Jiang Yi,et al. Supervised locality discriminant manifold learning for head pose estimation[J]. Knowledge-Based Systems,2014,66:126－135.

[26] Bengio Yoshua. Learning deep architectures for AI[J]. Found. Trends Mach Learn,2009,2(1):1－127.

[27] Hinton G E,Osindero S,Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Comput,2006,18(7):1527－1554.

[28] Mihoub Alaeddine,Bailly Gérard,Wolf Christian,et al. Graphical models for social behavior modeling in face-to face interaction[J]. Pattern Recognition Letters,2016,74:82－89.

[29] Hinton G E. A practical guide to training restricted boltzmann machines[J]. Momentum,2010,9(1):599-619.

[30] Tran Van Tung,AlThobiani Faisal,Ball Andrew. An approach to fault diagnosis of reciprocating compressor valves using Teager-Kaiser energy operator and deep belief networks[J]. Expert Systems with Applications,2014,41(9):4113－4122.

[31] 胡昭華，樊鑫，梁德群等. 基于雙向非線性學習的軌跡跟蹤和識別[J]. 計算機學報，2007(8)：1389－1397. Hu Zhaohua,Fan Xin,Liang Dequn,et al. Trajectory tracking and recognition using bi-directional nonlinear Learning[J]. Chinese Journal of Computer,2007(8):1389－1397.(in Chinese with English abstract)

[32] 胡昭華，宋耀良. 基于 A utoencoder網絡的數據降維和重構[J]. 電子與信息學報，2009(5)：1189－1192. Hu Zhaohua,Song Yaoliang. Dimensionality reduction and reconstruction of data based on autoencoder network[J]. Journal of Electronics and Information Technology,2009(5):1189－1192.(in Chinese with English abstract)

[33] Hinton G E,Srivastava N,Krizhevsky A,et al. Improving neural networks by preventing co-adaptation of feature detectors[J]. Computer Science,2012,3(4):212-223.

[34] Hopfield J. J. Neurons with graded response have collective computational properties like those of two-state neurons.[J]. Proceedings of the National Academy of Sciences,1984,81(10):3088－3092.

[35] Bishop Christopher M. Pattern Recognition and Machine Learning[M]. Springer,2006.

[36] Huang GuangBin. An insight into extreme learning machines:random neurons,Random Features and Kernels[J]. Cognitive Computation,2014,6(3):376－390.

[37] 鄒偉東，張百海，姚分喜等. 基于改進型極限學習機的日光溫室溫濕度預測與驗證[J]. 農業工程學報，2015，31(24)：194－200. Zou Weidong,Zhang Baihai,Yao Fenxi,et al. Verification and forecasting of temperature and humidity in solar greenhouse based on improved extreme learning machine algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2015,31(24):194－200.(in Chinese with English abstract)

[38] 朱亮，李東波，李妍，等. 基于RS485/Modbus皮帶跑偏檢測傳感網絡的研究與實現[J]. 中國農機化學報，2014(4):217－220. Zhu Liang,Li Dongbo,Li Yan,et al. Design and implementation of belt deviation detection sensor network based on RS485/Modbus[J]. Journal of Chinese Agricultural Mechanization,2014(4):217－220.(in Chinese with English abstract)

[39] 宦娟，劉星橋. 基于K-means聚類和ELM神經網絡的養殖水質溶解氧預測[J]. 農業工程學報，2016,32(17)：174－181. Huan Juan,Liu Xingqiao. Dissolved oxygen prediction in water based on K-means clustering and ELM neural network for aquaculture[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2016,32(17):174－181.(in Chinese with English abstract)

Detection of belt deviation of belt weigher using data mining

Zhu Liang1,Li Dongbo2,Wu Chongyou1,Wu Shaofeng2,Yuan Yanqiang3
(1. Nanjing Institute of Agricultural Mechanization,Ministry of Agriculture,Nanjing 210094,China;2. School of Mechanical Engineering,Nanjing University of Science &Technology,Nanjing 210094,China;3. Nanjing Sanai Industrial Co.,Ltd,Nanjing 211100,China)

At present,belt weigher has been widely used in various transportation and trade occasions of industry and agriculture. Belt deviation is one of the most important indicators of accuracy of belt weigher,and it is also one of the most common faults. In this paper,aiming at the problem of belt deviation,we obtained the real-time online detection of deviation by the data mining based on the existing original sensor data of belt weigher,instead of traditional hardware testing equipment in which CCD,PSD and array phototransistor are usually used as the specialized sensor for detecting deviation. At first,in order to reduce the dimension of existing original data and the complexity of the subsequent detection mode of belt deviation,the online features extraction models of belt deviation based on LTSA(Local Tangent Space Alignment) + GRNN(Generalized Regression Neural Networks),and CDBN(Continuous Deep Belief Networks) were proposed respectively,through introducing manifold learning and deep learning. GRNN was applied to construct the explicit nonlinear mapping from the original data of high dimension to the features of belt deviation extracted by LTSA. CDBN was proposed by introducing CRBM(Continuous Restricted Boltzmann Machine) and combining with the "dropout". Unlike LTSA,CDBN can be used to construct the explicit nonlinear mapping while extracting the deviation features from the original data,which needed more training time. Subsequently,the feature extraction experiments of belt deviation at different flow rates showed that the models based on LTSA+GRNN,and CDBN both had very good feature detection effect which meant that the two features extraction models could effectively reduce the redundancy of the original data while retaining enough features of belt deviation. And the experiments also revealed that,in case of belt deviation,the bigger the flow rate was,the greater the amount of belt deviation was,and vice versa. Further,SVM(Support Vector Machine),ELM(Extreme Learning Machine) and other regression analysis methods were used to build the online prediction models of belt deviation where the deviation features extracted by LTSA+GRNN and CDBN were taken as the input. Finally,the performances of two proposed online detection models of belt deviation based on LTSA+GRNN+ELM and CDBN+ELM respectively were verified through the experiments:the average prediction accuracy of deviation prediction model based on LTSA+GRNN+ELM was 93.33%,while its average prediction time of each group was 38.29 ms and its average training time was 18.91 s;the average prediction accuracy of deviation prediction model based on CDBN was as high as 98.61%,while its average prediction time of each group was as short as 1.47 ms and its average training time was 139.96 s. Besides,the experiments also showed that ELM was more suitable than SVM for the belt deviation,because ELM had almost the same prediction accuracy as SVM while the training and prediction time of ELM was far less than that of SVM. Both the prediction and real-time of the two models mentioned above showed that the two models could be a new approach for online detection of belt deviation and replaced traditional hardware detection device. Moreover,this study provided the necessary basis for the further online precision compensation and fault prediction of belt weigher.

data mining;sensors;models;belt deviation;manifold learning;continuous deep belief networks;extreme learning machine

10.11975/j.issn.1002-6819.2017.01.014

TH165;S237

A

1002-6819(2017)-01-0102-08

朱 亮，李東波，吳崇友，吳紹鋒，袁延強. 基于數據挖掘的電子皮帶秤皮帶跑偏檢測[J]. 農業工程學報，2017，33(1)：102－109.

10.11975/j.issn.1002-6819.2017.01.014 http://www.tcsae.org

Zhu Liang,Li Dongbo,Wu Chongyou,Wu Shaofeng,Yuan Yanqiang. Detection of belt deviation of belt weigher using data mining [J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(1):102－109.(in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2017.01.014 http://www.tcsae.org

2016-05-18

2016-10-23

科技型中小企業技術創新基金（13C26213202062）

朱 亮，男，江蘇揚州人，博士，主要從事智能檢測與控制、人工智能與機器學習。南京 農業部南京農業機械化研究所，210094。Email：676205493@qq.com