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 

单位：农业部南京农业机械化研究所; 南京理工大学机械工程学院; 南京三埃工控股份有限公司