基于数据挖掘的电子皮带秤皮带跑偏检测

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(local tangent space alignment,LTSA)+广义回归神经网络(generalized regression neural networks,GRNN)和基于连续深度置信网络(continuous deep belief networks,CDBN)的在线跑偏特征提取模型,再结合极限学习机(extreme learning machine,ELM)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:LTSA+GRNN+ELM平均跑偏预测精度为93.33％,平均每组预测时间38.29 ms;CDBN+ELM预测精度则高达98.61％,平均每组预测时间1.47 ms.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

所属期刊栏目：33

分类号：TH165;S237

资助基金：科技型中小企业技术创新基金13C26213202062

在线出版日期：2017-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：102-109