電子皮帶秤皮帶跑偏的檢測維修方法：
為提*電子皮帶秤連續累計稱量*度，針對嚴重影響*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*部切空間排列（localtangentspacealignment,LTSA）+廣義回歸神經網絡（generalizedregressionneuralnetworks,GRNN）和基于連續深度置信網絡（continuousdeepbeliefnetworks,CDBN）的在線跑偏特征提取模型，再結合*限學習機（extremelearningmachine,ELM）以跑偏特征為模型輸入進行跑偏量預測。*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*度為93.33%，平均每組預測時間38.29ms；CDBN+ELM預測*度則*達98.61%，平均每組預測時間1.47ms。二者預測*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*種方法，為進*步的電子皮帶秤在線*度補償和故障預測提供了必要依據。
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*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*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*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*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。
采用SVM、*限學習機（extremelearningmachine,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模型在不同電子皮帶秤的不同流量下皆具有良好的皮帶跑偏預測*度和泛化性能，*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1.47ms，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*步的皮帶秤在線*度補償和故障預測提供了必要依據。
