基于GNN-GRU的带式输送机物料质量反演测量方法

《Powder Technology》：Inverse measurement method for conveyor belt material mass based on GNN-GRU

　　

• •
  提出了一种基于GNN-GRU的材料质量反演测量方法，准确率达到96.78%。
• •
  设计了针对皮带变形连续性和对称性的图结构，提升了3.63%的准确率。
• •
  提出了一种双重消息传递机制，以增强多尺度特征传播。
• •
  提出了一种跨方向注意力机制，用于自适应融合皮带变形特征。
• •
  在对比模型中实现了最快的计算速度，为64.28 ms。

引言

带式输送机作为散状物料的主要运输设备，在采矿、冶金、发电、化工加工和港口等各个工业领域发挥着重要作用 [1], [2], [3]。准确测量输送机上散状物料的质量是工业生产和物流管理中的基础性任务。这不仅指导物料调配、生产结算和资源分配优化，从而提高生产效率和经济效益，还为数字孪生模型中的预测性维护、异常检测和安全预警提供数据支持，增强系统感知能力和决策准确性，从而保障生产安全、防止事故发生。

目前，输送机上散状物料的质量测量方法大致可分为接触式测量和非接触式测量。作为主要的接触式测量方法，电子皮带秤主要通过物料重力产生的压力来计算物料质量，具有测量精度高、响应快和连续测量的优势。然而，由于工业现场环境复杂，受限于安装空间不足和无法改变输送机结构等因素，电子皮带秤可能难以部署。因此，有必要研究一种非接触式测量方法作为电子皮带秤的补充手段。其中，通过测量输送机上散状物料的体积并引入密度来计算物料质量的方法是最主要的非接触式测量方法。该方法主要包括飞行时间法（TOF）[4]、激光扫描 [5]和机器视觉方法 [6]，近年来受到广泛关注。然而，在实际应用中，由于物料堆积密度和堆积比率的动态变化，这些测量方法面临挑战。此外，物料表面通常呈现不规则的起伏和局部空隙，使得现有方法难以准确检测物料内部的孔隙、颗粒间隙和遮挡区域，最终导致测量误差。

随着机器视觉技术的快速发展 [7]，通过视觉方法建立观测信息与物料质量之间的直接映射关系，而不依赖于体积和密度计算，为上述挑战提供了一种新的解决方案。作为一种连续的柔性结构，输送机在物料质量载荷作用下表现出动态变形特征，这些特征与物料质量和分布具有内在相关性。这种动态变形响应主要源于物料重力载荷与输送机材料属性之间的相互作用，与物料质量具有本质关联，且具有高敏感性和低计算时间的特点。基于此，Qiao等人初步验证了通过物料载荷引起的输送机变形来推断物料质量的可行性 [8]，这是一种新兴的非接触解决方案，不依赖体积检测即可计算质量。

从输送机的动态变形中推导引起变形的物料质量构成了典型的动态载荷反演求解过程。传统的基于解的方法需要建立目标系统的数学模型，通过求解正问题获得物料质量与变形之间的映射关系。Haltmeier等人 [9] 提出了一种迭代正则化方法，在Hilbert空间框架下处理不适定算子方程，以解决声学衰减介质中的光声层析成像问题。Lin等人 [10] 提出了一种通过测量表面轮廓变形来重建接触力的反演方法，以解决点接触结构中的接触应力重建问题。Tian等人 [11] 基于贝叶斯推断和马尔可夫链蒙特卡罗（MCMC）采样，建立了土压力场和结构变形响应的概率反演模型。Zhou等人 [12] 提出了一种积分时域反演方法，该方法保持了单位脉冲响应函数的积分形式，避免了离散化误差，从而提高了移动载荷识别的准确性。

然而，散状物料在输送机运行过程中表现出复杂的非线性力学特征，导致物料与输送机之间接触行为复杂，难以通过解析方法建立精确的正向模型。此外，由接触作用引起的这种变形在两个方向上表现出截然不同的物理机制。沿皮带宽度方向的横向变形主要受辊子支撑条件约束，而沿皮带长度方向的纵向变形则受连续皮带张力和物料流动约束。捕捉这种方向耦合的空间依赖关系关系对于实现准确的质量反演构成了重大挑战。作为一种专门设计用于处理非欧几里得结构数据的深度学习技术，GNN能够通过消息传递机制显式建模节点之间的相关性，在处理具有复杂空间依赖关系的数据方面展现出独特优势 [13]。近年来，GNN已成功应用于涉及空间结构建模的回归预测任务中 [14]。

本文提出了一种基于GNN和GRU [15]的输送机物料质量反演测量方法，实现了物料质量的准确测量。本工作的主要贡献总结如下：

• 1.
  提出了一种基于深度学习的输送机物料动态载荷反演测量框架。该框架首先建立了一个以皮带变形信息为输入、以物料质量为输出的端到端学习模型。随后，通过基于模型正向推断的在线测量策略，利用逐帧预测和增量累积，实现了低计算时间下的物料总质量测量。
• 2.
  提出了一种参数优化的图结构构建方法和双分支特征提取与融合架构。首先，将输送机变形数据结构化为图，通过学习权重参数优化相邻连接和对称连接的重要性。其次，设计了一种双分支特征提取架构，其中两种消息传递机制——中心扩散和对称扩散——增强了关键特征的表示能力和消息传递的有效性，并通过跨方向注意力机制实现双分支特征的自适应融合。最后，利用GRU捕捉融合后的空间特征之间的依赖关系，从而实现从输送机变形到物料质量的深层映射特征的精确提取，提高了物料质量预测的准确性。

本文其余部分组织如下。第2节介绍物料动态载荷反演问题的理论框架，分析输送机变形与物料载荷之间的映射关系及挑战。第3节详细阐述了物料质量反演测量方案。第4节全面描述了所提方法及其组成部分。第5节进行了实验验证并评估了所提方法的有效性。最后，第6节总结了全文并对未来研究方向进行了展望。

章节摘要

物料动态载荷反演问题的建模

在输送机系统中，物料载荷会引起输送机的动态变形。物料载荷与输送机变形之间存在复杂的映射关系。基于输送机变形建立物料质量测量模型本质上是一个逆动力学问题的求解，即通过观测到的输送机变形推断引起该变形的物料载荷分布。

该反演问题的核心在于推导

输送机上物料质量的反演测量方案

基于上述分析，本文定义辊组之间的区域作为测量区域。图1展示了所构建的测量方案。具体而言，位于输送机下方的十字线激光源将两条相互垂直的激光线投射到皮带下表面，其中横向激光线覆盖输送机的宽度方向，纵向激光线覆盖测量区域的长度方向，同时

基于GNN-GRU的物料质量反演测量方法

本节首先介绍了基于GNN-GRU的物料质量反演测量方法的总体框架，随后详细讨论了GNN-GRU网络中的四个主要组成部分，包括基于参数优化的图结构构建模块、空间特征提取模块、物料质量预测模块和损失函数设计。

实验

本节首先描述了实验细节，包括实验平台搭建、数据集获取方法和评估指标。随后，进行了定性分析，以评估所提方法在训练过程中的收敛性能。此外，在10 kg至100 kg的不同物料质量条件下进行了预测精度分析，以验证模型在实际应用中的泛化能力。最后，

结论与未来工作

本文提出了一种基于GNN-GRU的输送机物料质量反演测量方法。首先，提出了一种参数优化的图矩阵构建方法，通过学习权重实现相邻连接和对称连接的自适应加权组合，从而全面表征皮带变形的局部连续性和全局对称性。其次，设计了两种消息传递机制，即中心扩散和对称扩散，以及

CRediT作者贡献声明

陈杰： 撰写—初稿，方法论。魏巧： 软件，数据整理。侯程程： 验证，软件。董慧杰： 调查。余滨超： 指导。乔铁柱： 资金获取。庞玉松： 项目管理。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

陈杰|魏巧|侯程程|董慧杰|余滨超|乔铁柱|庞玉松