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

In den riesigen, summenden Netzwerken der modernen Industrie transportieren massive Stahlrohre alles von Kohle bis Erz über Minen, Häfen und Kraftwerke. Dies sind Rohrbandförderer – Maschinen, die ein langes, flexibles Band zu einem Rohr wickeln, um Material effizient und ohne Verschüttungen zu bewegen. Doch wie jedes lange, flexible Objekt unter Spannung können sich diese Bänder verdrehen. Wenn sich ein Förderband zu stark verdreht, kann es reißen, seine Ladung verschütten oder sogar die gesamte Struktur zum Einsturz bringen, was die Produktion abrupt und kostspielig zum Erliegen bringt. Jahrzehntelang haben Ingenieure versucht, diese Verdrehungen vorherzusagen, bevor sie passieren, wobei sie sich oft auf Sensoren verlassen, die eine einzige Zahl messen, wie etwa den Winkel der Verdrehung über die Zeit. Aber ein Förderband ist ein dreidimensionales Objekt, das sich im Raum bewegt; seine Form verändert sich auf komplexe Weise, die eine einzelne Zahl nicht vollständig erfassen kann. Die Herausforderung bestand darin, einen Weg zu finden, das Band als Ganzes zu beobachten und zu verstehen, nicht nur, wie es sich von einer Sekunde zur nächsten bewegt, sondern wie sich seine Form über seine gesamte Länge hinweg entwickelt.

Ein Forschungsteam der Shandong University of Science and Technology hat dieses Problem angegangen, indem es einem Computer beigebracht hat, die Verdrehung des Bandes so zu „sehen“, wie es ein Mensch beobachten würde. Anstatt isolierte Datenpunkte zu betrachten, entwickelten sie ein System, das Videomaterial des Förderbandes analysiert und die Bilder als eine Sequenz von Momenten behandelt, die eine Geschichte von Bewegung und Verformung erzählen. Sie erstellten eine massive Bibliothek visueller Daten und sammelten drei Millionen Videoframes aus realen industriellen Umgebungen. Diese Sammlung erfasst das Band in jedem Zustand: bei reibungsloser Bewegung, beim Beginn einer leichten Verdrehung und bei einer gefährlichen Verdrehung. Durch das Einspeisen dieser riesigen Menge an visueller Geschichte in ein spezialisiertes Computerprogramm ermöglichten die Forscher dem System zu lernen, den Unterschied zwischen einem gesunden Band und einem, das kurz vor dem Ausfall steht.

Der Kern ihrer Lösung ist ein Modell, das darauf ausgelegt ist, zwei Dinge gleichzeitig zu verstehen: die Form des Bandes in einer einzelnen Momentaufnahme und wie sich diese Form über die Zeit verändert. Stellen Sie sich vor, Sie beobachten einen Fluss; Sie können die Felsen und die Ufer mit einem einzigen Blick sehen, aber um die Strömung zu verstehen, müssen Sie beobachten, wie das Wasser über Minuten oder Stunden um sie herumfließt. Das Modell der Forscher macht etwas Ähnliches für das Förderband. Es verwendet einen leichtgewichtigen visuellen Prozessor, um die geometrischen Details der Oberflächenstruktur des Bandes in jedem Videoframe zu erkennen, wie etwa die Kanten und die Krümmung des Rohres. Dann leitet es diese Informationen durch eine Speichereinheit weiter, die sich an die vorherigen Frames erinnert, was es ermöglicht, die dynamische Entwicklung der Verdrehung zu verfolgen. Diese Kombination erlaubt es dem System, nicht nur eine statische Biegung zu erkennen, sondern das spezifische Bewegungsmuster, das zu einer gefährlichen Verdrehung führt.

Um ihre Idee zu testen, trainierte das Team ihr System mit den drei Millionen gesammelten Videoframes. Die Daten wurden sorgfältig organisiert, um die reale Verteilung der Ausrüstung darzustellen, wobei der Großteil der Aufnahmen den normalen Betrieb des Bandes zeigt, ein kleinerer Teil eine leichte Verdrehung und ein sehr kleiner Teil eine schwere, gefährliche Verdrehung. Dieses Ungleichgewicht spiegelt die Realität wider, in der Ausfälle im Vergleich zum Normalbetrieb selten sind, was es für Standard-Computerprogramme schwierig macht, zu lernen, wie ein Ausfall aussieht. Die Forscher nutzten eine Technik namens Datenaugmentation, um das Training robuster zu machen, indem sie die Bilder leicht rotierten und die Helligkeit anpassten, um verschiedene Lichtverhältnisse und Winkel zu simulieren, wodurch sichergestellt wurde, dass das Modell eine Verdrehung unabhängig davon erkennen konnte, wie sie auf der Kamera erschien. Sie entwickelten auch eine Methode, um Lücken in den Videos zu schließen, in denen Frames verloren gegangen sein könnten, um die Zeitlinie zu glätten, damit der Computer der Bewegung ohne Unterbrechung folgen kann.

Als die Forscher ihr Modell auf die Probe stellten, waren die Ergebnisse beeindruckend. Das System identifizierte den Zustand des Förderbandes in fast 90 Prozent der Fälle korrekt, was eine signifikante Verbesserung gegenüber anderen fortschrittlichen Methoden darstellt, die auf anderen Arten künstlicher Intelligenz basieren.ت Vor allem war das Modell in der Lage, zwischen einem Band, das lediglich schwankte, und einem, das sich in einen gefährlichen Zustand hineindrehte, zu unterscheiden, wobei es eine hohe Punktzahl bei der Balance zwischen der Erkennung echter Probleme und Fehlalarmen erreichte. Die Forscher verifizierten auch, dass das System schnell genug war, um in einer echten Fabrik nützlich zu sein. Durch die Optimierung der Software für einen kompakten Industriekomputer erreichten sie eine Geschwindigkeit von 28 Bildern pro Sekunde. Das bedeutet, dass das System das Video in Echtzeit analysieren kann, das Band beobachtet, während es sich bewegt, und eine Warnung ausgibt, sobald sich eine gefährliche Verdrehung bildet, noch bevor sie Schaden anrichtet.

Um sicherzustellen, dass das System nicht nur rät, sondern tatsächlich die richtigen Teile des Bildes betrachtet, verwendeten die Forscher ein Visualisierungswerkzeug, das die Bereiche hervorhebt, auf die der Computer am meisten fokussiert war. Die Ergebnisse zeigten, dass das Modell besonders auf die Kanten des Bandes achtete – genau die Stellen, an denen eine Verdrehung zuerst sichtbar würde. Dies bestätigte, dass das System die korrekten physikalischen Merkmale lernte und sich nicht auf zufällige Muster im Hintergrund verließ. Die Studie kommt zu dem Schluss, dass durch die Kombination von räumlicher Beobachtung und zeitlichem Gedächtnis es möglich ist, ein zuverlässiges Frühwarnsystem für Förderbänder zu schaffen. Dieser Ansatz bietet einen praktischen Weg, um die kostspieligen Stillstände und Sicherheitsgefahren durch Bandverdrehungen zu verhindern, indem er ein komplexes mechanisches Problem in ein lösbares visuelles Problem verwandelt.