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

Nas vastas e pulsantes redes da indústria moderna, enormes tubos de aço transportam de tudo, desde carvão até minério, através de minas, portos e usinas de energia. Estas são correias transportadoras de tubo (pipe belt conveyors), máquinas que envolvem uma correia longa e flexível em um tubo para mover materiais de forma eficiente e sem derramamento. No entanto, como qualquer objeto longo e flexível sob tensão, essas correias podem se torcer. Quando uma correia transportadora se torce demais, ela pode rasgar, derramar sua carga ou até mesmo causar o colapso de toda a estrutura, interrompendo a produção de forma súbita e dispendiosa. Por décadas, engenheiros tentaram prever essas torções antes que aconteçam, muitas vezes baseando-se em sensores que medem um único número, como o ângulo da torção, ao longo do tempo. Mas uma correia é um objeto tridimensional movendo-se pelo espaço; sua forma muda de maneiras complexas que um único número não consegue capturar totalmente. O desafio tem sido encontrar uma maneira de observar a correia como um todo, compreendendo não apenas como ela se move de um segundo para o outro, mas como sua forma evolui ao longo de toda a sua extensão.

Uma equipe de pesquisadores da Universidade de Ciência e Tecnologia de Shandong abordou este problema ensinando um computador a "ver" o movimento de torção da correia de uma forma que imita a observação humana. Em vez de olhar para pontos de dados isolados, eles construíram um sistema que analisa filmagens de vídeo da correia transportadora, tratando as imagens como uma sequência de momentos que contam uma história de movimento e deformação. Eles criaram uma vasta biblioteca de dados visuais, reunindo três milhões de quadros de vídeo de ambientes industriais reais. Esta coleção captura a correia em todos os estados: movendo-se suavemente, começando a torcer levemente e torcendo perigosamente. Ao alimentar esse vasto histórico visual em um programa de computador especializado, os pesquisadores permitiram que o sistema aprendesse a diferença entre uma correia saudável e uma que está prestes a falhar.

O núcleo de sua solução é um modelo projetado para entender duas coisas ao mesmo tempo: a forma da correia em um único instantâneo e como essa forma muda ao longo do tempo. Imagine observar um rio; você pode ver as rochas e as margens em um único olhar, mas para entender o fluxo, deve observar como a água se move ao redor delas durante minutos ou horas. O modelo dos pesquisadores faz algo semelhante para a correia transportadora. Ele utiliza um processador visual leve para detectar os detalhes geométricos da superfície da correia em cada quadro de vídeo, como as bordas e a curvatura do tubo. Em seguida, ele passa essa informação por uma unidade de memória que recorda os quadros anteriores, permitindo que rastreie a evolução dinâmica da torção. Essa combinação permite que o sistema reconheça não apenas uma dobra estática, mas o padrão específico de movimento que leva a uma torção perigosa.

Para testar sua ideia, a equipe treinou seu sistema com os três milhões de quadros de vídeo que haviam coletado. Os dados foram cuidadosamente organizados para representar a distribuição real dos equipamentos, com a grande maioria das filmagens mostrando a correia em operação normal, uma parte menor mostrando torções leves e uma quantidade muito pequena mostrando torções severas e perigosas. Esse desequilíbrio reflete a realidade, onde as falhas são raras em comparação com a operação normal, tornando difícil para programas de computador padrão aprenderem como uma falha se parece. Os pesquisadores utilizaram uma técnica chamada aumento de dados (data augmentation) para tornar o treinamento mais robusto, rotacionando levemente as imagens e ajustando seu brilho para simular diferentes condições de iluminação e ângulos, garantindo que o modelo pudesse reconhecer uma torção independentemente de como ela aparecesse na câmera. Eles também desenvolveram um método para corrigir lacunas no vídeo onde quadros poderiam ter sido perdidos, suavizando a linha do tempo para que o computador pudesse seguir o movimento sem interrupções.

Quando os pesquisadores colocaram seu modelo à prova, os resultados foram impressionantes. O sistema identificou corretamente o estado da correia transportadora em quase 90 por cento dos casos, uma melhoria significativa em relação a outros métodos avançados que dependem de diferentes tipos de inteligência artificial. Mais importante ainda, o modelo foi capaz de distinguir entre uma correia que estava apenas oscilando e uma que estava se torcendo para um estado perigoso, alcançando uma pontuação alta no equilíbrio entre a detecção de problemas reais e alarmes falsos. Os pesquisadores também verificaram que o sistema era rápido o suficiente para ser útil em uma fábrica real. Ao otimizar o software para rodar em um computador compacto de nível industrial, eles alcançaram uma velocidade de 28 quadros por segundo. Isso significa que o sistema pode analisar o vídeo em tempo real, observando a correia enquanto ela se move e emitindo um aviso no momento em que uma torção perigosa começa a se formar, muito antes de causar danos.

Para garantir que o sistema não estivesse apenas adivinhando, mas realmente olhando para as partes corretas da imagem, os pesquisadores utilizaram uma ferramenta de visualização que destaca as áreas do vídeo nas quais o computador mais focou. Os resultados mostraram que o modelo prestou muita atenção às bordas da correia, os exatos lugares onde uma torção se tornaria visível pela primeira vez. Isso confirmou que o sistema estava aprendendo as características físicas corretas, em vez de depender de padrões aleatórios no fundo. O estudo conclui que, ao combinar observação espacial com memória temporal, é possível criar um sistema de alerta precoce confiável para correias transportadoras. Esta abordagem oferece um caminho prático para prevenir as paradas dispendiosas e os riscos de segurança causados pela torção de correias, transformando um problema mecânico complexo em um problema visual solucionável.