电子皮带秤皮带跑偏的检测维修方法：

    为提*电子皮带秤连续累计称量*度，针对严重影响*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*部切空间排列（localtangentspacealignment,LTSA）+广义回归神经网络（generalizedregressionneuralnetworks,GRNN）和基于连续深度置信网络（continuousdeepbeliefnetworks,CDBN）的在线跑偏特征提取模型，再结合*限学习机（extremelearningmachine,ELM）以跑偏特征为模型输入进行跑偏量预测。*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：LTSA+GRNN+ELM平均跑偏预测*度为93.33%，平均每组预测时间38.29ms；CDBN+ELM预测*度则*达98.61%，平均每组预测时间1.47ms。二者预测*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*种方法，为进*步的电子皮带秤在线*度补偿和故障预测提供了必要依据。

    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*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*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*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*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。

    采用SVM、*限学习机（extremelearningmachine,ELM）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：LTSA+GRNN+ELM和CDBN+ELM模型在不同电子皮带秤的不同流量下皆具有良好的皮带跑偏预测*度和泛化性能，*度均超过了90%，后者更是达到了98.61%；二者皆具有较好实时性，后者平均每组测试时间只有1.47ms，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*步的皮带秤在线*度补偿和故障预测提供了必要依据。