《Sensors》：From Detection to Prediction: A Systematic Review of Intelligent Fault Detection in Industrial Conveyor Belt Systems
编辑推荐：
研究要点：
主要发现是什么？智能输送带故障检测日益依赖深度学习（DL），其中基于卷积神经网络（CNN）的视觉模型正成为主导分析方法。有效故障检测取决于将传感与分析方法匹配至具体故障机制和部署条件。现有诊断方法仍集中于故障检测而非预测；仅2.3%的研究估计剩
研究要点：
主要发现是什么？智能输送带故障检测日益依赖深度学习（DL），其中基于卷积神经网络（CNN）的视觉模型正成为主导分析方法。有效故障检测取决于将传感与分析方法匹配至具体故障机制和部署条件。现有诊断方法仍集中于故障检测而非预测；仅2.3%的研究估计剩余使用寿命（RUL）。
主要发现的启示是什么？发展面向预测且物理信息驱动的建模框架，可能提高未来诊断系统的预测价值和可迁移性。将原则性多传感器融合（multi-sensor fusion）与经校准、可解释的推理相结合，是通向真正预测性和可信输送带监测的有前景方向。
摘要：工业输送带系统是关键基础设施，其意外失效会造成重大停机、安全危害和经济损失，因而推动了基于人工智能（AI）的故障检测研究不断增长。然而，已有综述要么聚焦单一传感模态，尤其是计算机视觉（CV），要么将输送系统置于更广泛的采矿应用中考察，未联合评估方法学质量、跨模态传感、部署就绪度以及预测所需的技术能力。遵循PRISMA 2020指南，本综述分析2010年至2026年发表的131项关于工业输送带系统智能故障检测的实证研究，特别关注传感技术、基于AI的分析方法和部署可行性。分析考虑文献报道的主要故障类型及其检测所用传感器和算法。深度学习（DL）是主导分析方法（55.0%的研究），其中基于CNN的架构如YOLO、ResNet和U-Net广泛用于视觉应用，而LSTM和GRU模型更常用于声学和振动信号。视觉/相机传感占研究的40.5%，采矿业占应用的74%。尽管自动故障检测取得实质进展，大多数研究仍集中于识别已有故障而非预判未来退化。仅三项研究（2.3%）估计剩余使用寿命（RUL），七项（5.3%）估计退化趋势；物理信息机器学习（physics-informed machine learning）和跨站点域自适应（cross-site domain adaptation）缺失，原则性多传感器融合（principled multi-sensor fusion）、不确定度量化（uncertainty quantification）、可解释性（explainability）和数字孪生（digital-twin）集成各自出现不超过六项研究。仅一项研究（0.8%）量化预测不确定度，且未证明其校准。未来进展因此应更重视预测、跨站点泛化、不确定度感知推理、可解释模型和原则性传感器融合，以支持更可靠和可迁移的预测性维护（predictive maintenance）系统。
1 引言：输送系统在采矿、港口和制造中承担连续物料搬运，失效导致停机、安全和经济损失。传统人工/周期巡检及常规振动、热/红外监测存在主观性、早期缺陷漏检和计划维护成本。工业4.0下，人工智能（AI）、工业物联网（IIoT）、边缘/云计算、智能传感和数字孪生推动智能维护，但恶劣光照、噪声、混杂背景、跨站点可迁移性、边缘硬件限制和标签数据不足仍制约应用。已有综述范围较窄或未量化输送监测是否具备从检测转向预测的传感、验证和部署能力；本综述联合评估多传感模态、AI方法、方法学质量、外部验证、可重复性、部署架构、成本报告及剩余使用寿命（RUL）等高级预测能力。
2.1 综述设计与报告框架：遵循PRISMA 2020，提出Q1-Q3：主要部件/异常与传感器、AI/ML在精度-速度-部署可行性间的权衡、知识缺口。纳入2010-2026英文同行评审期刊，聚焦工业带式输送机及部件，使用ML/DL/CV/信号处理等进行异常检测、诊断、状态监测或预测性维护；排除综述、会议、非同行评审、非工业带式输送机、无实证评估和仅人工巡检研究。检索主要数据库，布尔检索组合输送系统、问题类型、诊断/预测任务或计算方法，传感模态于提取时记录；两阶段筛选和双人独立提取，关键规则在筛选前确定并保持不变。
2.2 方法学质量评估：采用基于JBI标准改编的清单，结果报告为方法学关注而非偏倚风险。评估明确目标、研究设计、数据集描述、真值、方法细节、评价方案、基线比较、统计分析、外部验证和可重复性；每项YES=2、PARTLY=1、NO/UNCLEAR=0，总分20并百分比化。数据集描述、真值和评价方案为关键域；低关注≥80%且关键域均YES，中关注60-79%或关键域部分满足，高关注<60%或任一关键域NO。双人独立评估并共识。
3.1 研究选择与特征：共纳入131项2010-2026实证研究；93.9%发表于2019-2026，49.6%发表于2024-2026，2013-2018仅8项，2010-2012无，表明领域年轻且近年扩张。应用领域采矿97项（74.0%），一般工业20项（15.3%），制造6项（4.6%），港口航运6项（4.6%），其他2项（1.5%）。
3.2 方法学质量与评价关注：中关注76.3%（100项），高关注17.6%（23项），低关注6.1%（8项）。全部明确目标，96.9%设计适当，94.7%方法充分，79.4%基线比较，74.8%完整评价方案，58.8%完整数据集描述。主要限制在证据质量和可重复性：仅26.7%完全证明可靠真值，12.2%统计分析充分，8.4%完全外部验证，1.5%完全可重复。
3.3.1 验证环境分布：实验室验证46.6%（61项），单站点45.0%（59项），多站点5.3%（7项），实验室+现场混合3.1%（4项）。单站点证据多但单一运行情境；多站点稀少限制泛化，因带型、速度、载荷、光照、粉尘和缺陷表现差异大，需重校准、域自适应或补充站点数据。
3.3.2 部署架构：本地部署70.2%（92项），边缘17.6%（23项），纯云2.3%（3项），边缘-云混合3.1%（4项），未报告6.9%（9项）。趋势偏现场执行，但端到端数据流和与维护系统集成等架构细节报告不一致。
3.3.3 实施成本报告：29.0%有成本讨论，其中16.8%（22项）完整成本信息，12.2%（16项）部分成本；71.0%（93项）无成本讨论。成本/运行影响讨论显示状态与预测性维护可减少非计划停机、改善调度，未来应纳入经济性报告。
4.1 输送系统常见异常：多故障检测最常见52.7%（69项）；机械失效45.8%（60项），托辊/滚筒故障38.2%（50项）为最常见单部件，带面损伤（撕裂、裂纹、划伤、磨损）34.4%（45项），振动异常22.1%（29项），声学异常16.8%（22项），跑偏/不对中17.6%（23项），热异常12.2%（16项），异物11.5%（15项），钢丝绳缺陷8.4%（11项）。传感器选择多依据故障类型和部署条件，传感策略更多来自应用经验而非统一设计框架。
4.1.1 带面损伤与裂纹：表面损伤以撕裂、裂纹、划伤、磨损和断裂为主，图像检测因信息密度高和相对巡检面积仪器负担低而主导。YOLO等模型用于表面损伤检测，分割网络用于缺陷边界；深度传感、结构光、激光扫描和双目线激光将检测转为测量。缺陷多样性和环境变化影响精度，小缺陷精度下降，促使多尺度架构。自建/受控缺陷数据集常接近满分，公共基准和现场危险类别平均精度均值（mAP）较低，提示部分高性能反映测试数据狭窄。
4.1.2 纵向撕裂检测：纵向撕裂可致灾难性失效，研究使用计算机视觉（CV）、热红外和声学检测；激光方法最常见但需阈值校准且泛化受限。深度学习提高可靠性和实时定位，但仍需更严酷环境验证。
4.1.3 托辊、滚筒与轴承动力学：托辊/滚筒故障尤其轴承失效为最大部件特异性异常（38.2%），依赖热、声学、振动传感，因早期退化表现为温度异常或时序特征。过热托辊摩擦可致火灾风险；热语义分割可识别托辊热缺陷。视觉方法受可见/可跟踪特征限制。循环模型和混合架构适合时序早期故障，但数据多在实验室或单一情境。托辊监测趋向分布式和移动传感，分布式声学传感和光纤布拉格光栅阵列可沿单纤监测多托辊；自监督/半监督减少标签，移动采集引入域偏移。
4.1.4 跑偏、不对中与内部钢丝绳：跑偏/不对中多由CV检测，可检测细微变化；激光辅助CV可量化横向偏移和偏转角。内部缺陷用磁通漏磁和X射线等非破坏性检测（NDT），受抬离效应、传感器布置、数据集大小和类别覆盖限制；ML增强NDT信号分类但仍受传感物理和实验覆盖约束。跑偏研究从检测转向物理单位测量，并扩展到多矿数据集；也有经典视觉和电机电流特征分析及跑偏趋势预测。钢丝绳监测用重复磁扫描跟踪芯部损伤增长和信号去噪。方法主导不等于普遍优越，强系统将传感与建模作为耦合设计选择。
4.2 传感模态与分析方法：分布与趋势：深度学习方法主导55.0%（72项），机器学习22.9%（30项），计算机视觉12.2%（16项），信号处理/NDT 7.6%（10项），物理模型监测2.3%（3项）。按所有使用计数，DL出现在83项、经典ML43项、信号处理/NDT特征提取44项、视觉数据54项；DL用于视觉41项，与信号处理前端结合23项。边缘部署23项，是运行位置而非分析方法。方法轨迹从工程化可解释视觉流程到特征ML再到DL，每次转变对应前阶段局限。硬件上视觉/相机最广40.5%（53项）；多传感器融合20.6%（27项）；振动12.2%、声学9.9%、热/红外5.3%、磁传感5.3%、电流/能量2.3%、分布式光纤1.5%、压力/力1.5%最少。
4.3 机器学习方法：经典ML在特征工程可行、可解释性优先、数据有限且可从振动/声学提取信息特征时仍相关；支持向量机（SVM）最常报告，其次决策树和随机森林。ML在特定设置可达高精度，但小实验室数据集100%提示乐观估计风险。主要限制是泛化，性能随传感器配置、带速/载荷和环境变化。报告平均准确率经典ML与DL家族相近（92.9%-97.4%）且范围重叠，但应用于不同数据，无同任务头对头比较；选择应依据信号类型和训练数据而非简单排序。
4.4 深度学习方法与架构：DL最常见（55.0%），因可从原始工业数据学习特征，处理光照变化、背景杂乱、低对比度缺陷和噪声，减少手工特征工程。视觉检测中卷积架构主导，YOLO家族因精度-延迟平衡用于实时异常检测、表面损伤/撕裂/异物定位；ResNet/VGG用于分类，U-Net等编码器-解码器用于像素级分割。报告高性能的研究也报告条件限制：带型和损伤多样性有限、需更严酷条件测试、计算复杂度限制集成部署。公共基准/跨站点mAP较低，提示基准多样性决定可信度。混合卷积-循环/注意力架构用于声学和振动，Transformer用于视觉和多通道声-振监测。时序数据用长短期记忆网络（LSTM）/门控循环单元（GRU）和CNN-RNN混合，适合早期预警；标签不足时自编码器学习正常行为并以重构误差评分，半监督/自监督减少标注。DL也向可操作定位发展，如热语义分割、声-视故障托辊定位和数据集贡献。
4.5 基于计算机视觉的监测：CV仍为主要方法流（12.2%），提供可解释工程驱动流程，常与视觉/相机采集相关，并扩展到热红外和激光/结构光。典型流程四阶段：图像采集、图像增强、特征提取与几何推理、决策规则或分类器转化为报警。CV对几何结构明显故障有效，早期在线机器视觉验证实际环境带面检测，随后结构化照明和激光改进纵向撕裂检测；在低可见度、不均匀光照和复杂背景下仍有效。跑偏检测与边界跟踪和几何约束自然契合；三维采集扩展至凹陷和边缘不规则。热CV扩展到RGB难检测的过热故障，并支持无人机（UAV）热成像、机器人/无人地面车辆（UGV）采集；多模态CV结合RGB、热像和激光几何提高鲁棒性。
4.6 边缘计算与物联网架构：边缘计算和IoT架构解决延迟、带宽和间歇连接限制，安全关键场景需亚秒响应；56.5%研究报告实时运行。边缘部署23项（17.6%），边缘-云混合4项（3.1%）。常见分层流程：物理层为输送带、托辊和驱动系统装备相机及振动/声学/温度传感器；边缘层控制采集、预处理和本地推理，将高吞吐原始数据转为缺陷类别、置信度、时间戳和感兴趣区域图像等决策产物；云/服务器层用于历史记录、仪表板、报告、重训练和版本管理。硬件模式包括GPU嵌入式设备、工业PC与可编程逻辑控制器（PLC）耦合、Arduino/微控制器单元（MCU）边缘节点；通用商业硬件在粉尘、振动、温度极端条件下可能成本高或不适用，定制采集节点结合高效本地计算和低功耗长距离连接（如NB-IoT/LTE-M）是有前景方向。模型设计需硬件感知，采用高效检测流程、事件驱动通信和原始数据压缩。Q2答案：无单一技术在所有情形最佳，最佳平衡来自模型与信号和故障物理匹配；相机监测用轻量单阶段CNN检测器，规则视觉在几何特征明显且标签少时仍合理；托辊/轴承/驱动用特征ML和信号处理最硬件高效，循环/注意力/自编码器利于早期预警但计算成本高；部署证据支持本地或边缘推理，云更适合存储、机队级分析和模型更新。
5.1 证据与报告缺口：单项研究在受控环境报告强性能，但仅6.1%低方法学关注、26.7%完全真值、12.2%统计分析充分，两个相似准确率若真值报告不同未必可比。验证以实验室46.6%和单站点45.0%为主，多站点仅5.3%，设施差异大使准确率可能需重校准，需多站点纵向验证。56.5%声称实时但通信协议、PLC/SCADA集成和报警逻辑常缺失，影响运行价值。成本71.0%无信息，源代码仅3.8%可用，公共数据集6.9%，采购比较和独立验证困难。
5.2 科学与技术研究缺口：检查七项相邻预测与健康管理标准能力：RUL估计、物理信息建模、原则性传感器融合、跨站点域自适应、校准不确定度量化、可解释AI、数字孪生集成。物理信息机器学习和显式跨站点域自适应完全缺失；RUL 3项（2.3%）、退化轨迹/趋势预测7项（5.3%）、原则性多传感器融合3项（2.3%）、预测不确定度量化1项（0.8%）且未证明校准、事后可解释性6项（4.6%）、数字孪生3项（2.3%）。更广泛实践包括物理或NDT组件、多传感器和通用迁移学习/预训练。预后研究少且方法多样，多不在主流DL；多数预后输出为计算/预测寿命而非经观察失效验证，精度未知。退化状态空间模型提供结构化路径：未观察退化状态按退化律演化，测量特征通过观测模型链接，失效定义为状态跨阈值，用Kalman/粒子滤波递归更新状态和不确定度，使RUL带置信区间；但需运行至失效或更换记录设定阈值，此类数据集是校准预测前提。其他工业资产经验包括CWT图像增强与改进网络、风电SCADA残差保形监测用于报警校准和分布偏移评估；尚未在输送系统测试。综述局限包括仅英文同行评审期刊、部分全文未获取、未注册、异质性大未做元分析、质量清单为自制而非外部验证，能力编码依赖报告仍有主观性。
6 结论：2010-2026年智能故障检测显著进展，131项研究中检测性能常较强，DL主导：基于CNN的模型最常用于视觉任务，LSTM/GRU主要用于声学和振动时序；分布式光纤传感成为整线托辊监测实用选项。无单一传感器或算法普遍最优，可靠性能取决于传感模态与故障物理匹配。更重要发现是领域优化检测而预测未充分探索：仅3项估计RUL，7项预测退化趋势；物理信息ML和跨站点域自适应缺失；原则性传感器融合、校准不确定度、可解释性和数字孪生各至多6项；预测不确定度仅1项且未证明校准。从工业部署看领域尚未成熟：91.6%仍依赖实验室或单站点验证，误报、延迟、计算负担、不确定度、可重复性和成本等决策关键报告不一致。此缺口多可通过采纳已有验证和报告实践弥合；更深层科学问题是从检测到预测需要退化与RUL建模、物理信息约束、原则性多传感器融合和校准可解释推理。
