Research on a Spatiotemporal Fusion Model–Based Method for Predicting the Torsional State of a Conveyor Belt

في الشبكات الضخمة والنابضة للصناعة الحديثة، تنقل أنابيب فولاذية هائلة كل شيء من الفحم إلى الخام عبر المناجم والموانئ ومحطات الطاقة. هذه هي سيور النقل الأنبوبية، وهي آلات تلف حزاماً طويلاً ومرناً على شكل أنبوب لنقل المواد بكفاءة ودون انسكاب. ومع ذلك، مثل أي جسم طويل ومرن تحت تأثير الشد، يمكن لهذه السيور أن تلتوي. وعندما يلتوي سير ناقل أكثر من اللازم، يمكن أن يتمزق، أو يسكب حمولته، أو حتى يتسبب في انهيار الهيكل بأكمله، مما يؤدي إلى توقف مفاجئ ومكلف للإنتاج. لعقود من الزمن، حاول المهندسون التنبؤ بهذه الالتواءات قبل حدوثها، معتمدين غالباً على مستشعرات تقيس رقماً واحداً، مثل زاوية الالتواء، بمرور الوقت. لكن السير هو جسم ثلاثي الأبعاد يتحرك في الفضاء؛ وشكله يتغير بطرق معقدة لا يمكن لرقم واحد أن يستوعبها بالكامل. كان التحدي يكمن في إيجاد طريقة لمراقبة السير ككتلة واحدة، وفهم ليس فقط كيف يتحرك من ثانية إلى أخرى، بل كيف يتطور شكله عبر طوله بالكامل.

لقد تصدى فريق من الباحثين في جامعة شاندونغ للعلوم والتكنولوجيا لهذه المشكلة من خلال تعليم الكمبيوتر كيفية "رؤية" حركة التواء السير بطريقة تحاكي الملاحظة البشرية. فبدلاً من النظر إلى نقاط بيانات معزولة، قاموا ببناء نظام يحلل لقطات الفيديو الخاصة بالسير الناقل، معتبرين الصور تسلسلاً من اللحظات التي تروي قصة الحركة والتشوه. لقد أنشأوا مكتبة ضخمة من البيانات المرئية، حيث جمعوا ثلاثة ملايين إطار من الفيديو من بيئات صناعية حقيقية. وتلتقط هذه المجموعة السير في كل حالاته: وهو يتحرك بسلاسة، ويبدأ في الالتواء قليلاً، ويلتوي بشكل خطير. ومن خلال تغذية هذا القدر الهائل من التاريخ المرئي في برنامج كمبيوتر متخصص، مكن الباحثون النظام من تعلم الفرق بين السير السليم والسير الذي أوشك على الفشل.

جوهر حلهم هو نموذج مصمم لفهم شيئين في آن واحد: شكل السير في لقطة واحدة، وكيف يتغير هذا الشكل بمرور الوقت. تخيل مراقبة نهر؛ يمكنك رؤية الصخور والضفاف في نظرة واحدة، ولكن لفهم التدفق، يجب أن تراقب كيف تتحرك المياه حولها عبر دقائق أو ساعات. يقوم نموذج الباحثين بشيء مشابه للسير الناقل؛ فهو يستخدم معالجاً بصرياً خفيف الوزن لرصد التفاصيل الهندسية لسطح السير في كل إطار فيديو، مثل الحواف وانحناء الأنبوب. بعد ذلك، يمرر هذه المعلومات عبر وحدة ذاكرة تتذكر الإطارات السابقة، مما يسمح له بتتبع التطور الديناميكي للالتواء. هذا الجمع يسمح للنظام ليس فقط بالتعرف على انحناء ثابت، بل على نمط الحركة المحدد الذي يؤدي إلى التواء خطير.

لاختبار فكرتهم، درب الفريق نظامهم على ملايين الإطارات الثلاثة من الفيديو التي جمعوها. تم تنظيم البيانات بعناية لتمثل التوزيع الواقعي للمعدات، حيث أظهرت الغالبية العظمى من اللقطات السير أثناء التشغيل الطبيعي، وجزء أصغر أظهر التواءً طفيفاً، وجزء صغير جداً أظهر التواءً شديداً وخطيراً. يعكس هذا التفاوت الواقع، حيث تكون حالات الفشل نادرة مقارنة بالتشغيل الطبيعي، مما يجعل من الصعب على برامج الكمبيوتر القياسية تعلم شكل الفشل. استخدم الباحثون تقنية تسمى "تعزيز البيانات" لجعل التدريب أكثر قوة، حيث قاموا بتدوير الصور قليلاً وتعديل سطوعها لمحاكاة ظروف الإضاءة والزوايا المختلفة، مما يضمن قدرة النموذج على التعرف على الالتواء بغض النظر عن كيفية ظهوره في الكاميرا. كما طوروا طريقة لإصلاح الفجوات في الفيديو حيث قد يتم إسقاط بعض الإطارات، مما يؤدي إلى تنعيم الخط الزمني بحيث يمكن للكمبيوتر تتبع الحركة دون انقطاع.

عندما وضع الباحثون نموذجهم قيد الاختبار، كانت النتائج مذهلة. فقد حدد النظام حالة السير الناقل بدقة تقارب 90 بالمائة في معظم الحالات، وهو تحسن كبير عن الطرق المتقدمة الأخرى التي تعتمد على أنواع مختلفة من الذكاء الاصطناعي. والأهم من ذلك، كان النموذج قادراً على التمييز بين السير الذي يتذبذب فحسب وبين السير الذي يلتوي نحو حالة خطيرة، محققاً درجة عالية في التوازن بين اكتشاف المشكلات الحقيقية وتجنب الإنذارات الكاذبة. كما تحقق الباحثون من أن النظام سريع بما يكفي ليكون مفيداً في مصنع حقيقي. فمن خلال تحسين البرمجيات لتعمل على كمبيوتر صناعي مدمج، حققوا سرعة تصل إلى 28 إطاراً في الثانية. وهذا يعني أن النظام يمكنه تحليل الفيديو في الوقت الفعلي، ومراقبة السير أثناء حركته وإصدار تحذير في اللحظة التي يبدأ فيها الالتواء الخطير في التكون، قبل وقت طويل من وقوع الضرر.

ولضمان أن النظام لا يخمن فحداً بل ينظر بالفعل إلى الأجزاء الصحيحة من الصورة، استخدم الباحثون أداة تصور تسلط الضوء على المناطق التي ركز عليها الكمبيوتر أكثر من غيرها. وأظهرت النتائج أن النموذج أولى اهتماماً كبيراً لحواف السير، وهي الأماكن التي يصبح فيها الالتواء مرئياً لأول مرة. وقد أكد هذا أن النظام يتعلم السمات الفيزيائية الصحيحة بدلاً من الاعتماد على أنماط عشوائية في الخلفية. وتخلص الدراسة إلى أنه من خلال الجمع بين الملاحظة المكانية والذاكرة الزمنية، يمكن إنشاء نظام إنذار مبكر موثوق للسيور الناقلة. ويقدم هذا النهج مساراً عملياً لمنع عمليات التوقف المكلفة ومخاطر السلامة الناتجة عن التواء السيور، محولاً مشكلة ميكانيكية معقدة إلى مشكلة بصرية قابلة للحل.