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

在现代工业庞大且轰鸣的网络中，巨大的钢制管道承载着从煤炭到矿石的一切，穿梭于矿山、港口和发电厂之间。这些是皮管输送机，它们将长而柔韧的皮带卷成管状，以实现高效且无溢出的物料运输。然而，就像任何处于张力下的长条柔性物体一样，这些皮带也会发生扭转。当皮带扭转过度时，可能会导致撕裂、物料溢出，甚至导致整个结构坍塌，从而造成生产突然中断并带来巨额成本。几十年来，工程师们一直试图在这些扭转发生前对其进行预测，通常依赖于测量随时间变化的单一数值（如扭转角度）的传感器。但皮带是一个在空间中运动的三维物体；其形状变化极其复杂，仅凭一个数字无法完全捕捉。挑战在于寻找一种方法，能够观察皮带的整体，不仅理解它在每一秒钟是如何移动的，还要理解其形状如何在整个长度上演变。

山东科技大学的研究团队通过教计算机以模仿人类观察的方式来“看见”皮带的扭转运动，解决了这一问题。他们没有观察孤立的数据点，而是构建了一个系统来分析皮带的视频画面，将图像视为讲述运动与变形故事的一系列瞬间序列。他们创建了一个庞大的视觉数据库，从实际工业场景中收集了三百万帧视频。这一集合捕捉了皮带的每种状态：平稳运行、开始轻微扭转以及危险扭转。通过将这海量的视觉历史数据输入到一个专门的计算机程序中，研究人员使该系统能够学习分辨健康的皮带与即将失效的皮带之间的区别。

其解决方案的核心是一个旨在同时理解两件事的模型：皮带在单个快照中的形状，以及该形状如何随时间变化。想象一下观察一条河流：你可以在一瞥之间看到岩石和河岸，但要理解水流，你必须观察水流在数分钟或数小时内如何绕过它们。研究人员的模型对皮带也做了类似的处理。它使用一个轻量级的视觉处理器来识别每帧视频中皮带表面的几何细节，例如边缘和管状曲线。然后，它将这些信息传递给一个记忆单元，该单元会记住之前的帧，从而允许它追踪扭转的动态演变。这种结合使得系统不仅能识别静态的弯曲，还能识别导致危险扭转的具体运动模式。

为了测试他们的想法，团队利用收集到的三百万帧视频对系统进行了训练。数据经过精心组织，以代表设备的现实分布情况：绝大部分视频显示皮带处于正常运行状态，较小部分显示轻微扭转，而极小部分则显示严重且危险的扭转。这种不平衡反映了现实情况——与正常运行相比，故障是非常罕见的，这使得标准计算机程序很难学习故障的表现形式。研究人员使用了名为“数据增强”的技术来增强训练的鲁棒性，通过轻微旋转图像并调整亮度来模拟不同的光照条件和角度，确保模型无论在摄像机中呈现何种外观都能识别出扭转。他们还开发了一种方法来修复视频中可能出现的掉帧间隙，从而平滑时间线，使计算机能够毫无中断地追踪运动。

当研究人员对模型进行测试时，结果令人瞩目。该系统在近90%的情况下都能正确识别输送带的状态，这比依赖其他类型人工智能的先进方法有了显著提升。更重要的是，该模型能够区分仅仅是晃动而非正在向危险状态扭转的皮带，在平衡检测真实问题与减少误报方面取得了高分。研究人员还验证了该系统足够快，能够投入实际工厂使用。通过将软件优化并在紧凑的工业级计算机上运行，他们实现了每秒28帧的处理速度。这意味着该系统可以实时分析视频，在危险扭转开始形成时便发出警告，远在造成损坏之前。

为了确保系统不仅仅是在瞎猜，而是在观察图像的正确部分，研究人员使用了一种可视化工具，该工具可以突出显示计算机关注最集中的图像区域。结果显示，模型密切关注皮带的边缘，而这正是扭转首先变得可见的地方。这证实了系统正在学习正确的物理特征，而不是依赖背景中的随机模式。研究结论指出，通过结合空间观察与时间记忆，可以创建一个可靠的皮带早期预警系统。这种方法为预防由皮带扭转引起的昂贵停工和安全隐患提供了一条切实可行的路径，将一个复杂的机械问题转化为了一个可解决的视觉问题。