數字孿生在紡紗領域應用的關鍵技術解析

李新榮, 韓鵬輝, 李瑞芬, 賈 坤, 路元江, 康雪峰

(1.天津工業大學 機械工程學院, 天津 300387; 2.天津市現代機電裝備技術重點實驗室, 天津 300387;3.無錫紡織機械質量監督檢驗中心, 江蘇 無錫 214062; 4.青島宏大紡織機械有限責任公司, 山東 青島 266000; 5.無錫經緯紡織科技試驗有限公司, 江蘇 無錫 214000; 6.參數技術(上海)軟件有限公司北京分公司, 北京 100004)

傳統紡紗領域的生產工藝設計與關鍵工藝質量預測依賴技術人員的知識儲備和認知水平,嚴重制約了生產的紗線質量及工藝設計效率的提升;加之傳統生產時原料及半成品的運輸主要依靠人工搬運[1],增大了勞動強度,降低了生產效率。正是上述原因,造成中國紡紗領域長期處于大而不強的狀態。經過幾十年的發展,通過信息化、數字化等手段[2],紡紗領域特別是在提升生產效率[3]、降低生產成本、減少用工等方面有了長足進步[4],清梳聯[5]、粗細絡聯[6]、棉卷自動輸送[7]、筒紗自動包裝系統[8]、在線監控和智能化管理[9]、數據分析及遠程診斷[10]、新型紡紗[11]等智能制造相關技術不斷涌現[12]。目前紡紗領域的智能制造革新[13-14]主要聚焦在提升生產自動化、降低生產成本、提高勞動生產率、減少用工等方面,在提升紗線設計效率、提高紗線生產質量、增加紗線生產的質量穩定性等與紗線質量密切的相關研究方面缺少成熟的方法。

現階段紡紗領域面臨工藝參數設計依然主要依靠人工經驗、紗線生產質量不穩定[15]、紗線質量提升困難等問題。隨著紡織行業開始向高質量發展轉變,紡紗領域也面臨著如何提升紗線質量,由傳統的“由量取勝”向“由質取勝”轉變,從而進一步占領中高端市場的問題[16]。近年來,數字孿生迅速興起且已在許多領域成功應用,大量應用實踐表明,數字孿生能夠切實提高相關領域的智能制造水平,從而提高產品質量和生產效率。例如:空客公司在飛機組裝過程中使用數字孿生,減少了飛機的故障以及組裝時間[17];通用電氣公司通過為風力渦輪電動機建立數字孿生模型,以優化維護策略,使發電效率提升20%[18]。紡紗領域經過幾十年的發展,各種與智能制造相關的新技術如生產系統建模[19]、生產數據追溯[20]、車間調度系統[21]等不斷涌現,為數字孿生在紡紗生產中的應用打下了良好的基礎,因此,探討數字孿生在紡紗領域中的應用價值具有重要的意義。本文從提高紗線質量的角度出發,討論將數字孿生應用到紡紗生產的實際意義,為下一步數字孿生在紡紗領域上的應用提供理論基礎;同時也提出了一種對紡紗基礎理論要求相對較低的提升紗線質量的思路,這對提高紡紗生產的經濟效益、進一步改變粗放式發展、促進紡紗領域的高質量發展具有重要的意義。

針對數字孿生在紡紗領域應用的關鍵技術解析,本文首先介紹紡紗領域與紗線質量密切相關階段的實際特點以及數字孿生在紡紗領域的應用前景;其次,根據紡紗領域的實際特點將紡紗領域提高紗線質量的關鍵過程概括為抽象模型,并闡述與數字孿生抽象模型映射關系,分析如何通過數字孿生理論方法來解決紡紗領域的實際問題;最后,提出了一種數字孿生在紡紗領域應用的具體解決方案。

1 紡紗特點及數字孿生應用前景

數字孿生作為踐行智能制造等先進理念的一種使能技術和方法,從不同的角度對數字孿生的概念有著不同的定義。目前從學術角度較為公認的概念是:數字孿生是以數字化方式創建物理實體的虛擬實體,借助歷史數據、實時數據以及算法模型等,模擬、驗證、預測、控制物理實體全生命周期過程的技術手段[22]。盡管數字孿生的概念有著多種定義,但是其本質是通過建立孿生模型在虛擬空間模擬相關物理實體在物理空間的實際活動[23]。數字孿生在所有行業的應用都離不開相關共性技術如物聯網技術、數據采集技術、數據處理技術、建模技術等的支持。然而,由于不同行業領域的實際情況不同,數字孿生的應用形式也將有所不同。

圍繞紗線生產的全生命周期,可將提升紗線質量工作分為2個階段,即設計階段和生產階段。設計階段的主要任務是根據紗線的設計要求設計出相關生產參數;生產階段的主要任務是將設計出的相關生產參數準確執行下去,將原料中聯系緊密、排列雜亂、含有雜質的纖維轉變為按一定要求縱向順序排列、相互銜接抱合的紗線,并且及時進行反饋,達到優化設計參數的目的。在紗線生產的全生命周期中,設計階段和生產階段都對紗線質量有著重要影響,并且2個階段之間聯系緊密。

1.1 設計階段主要特點

目前設計階段的相關參數可運用紗線質量預測系統進行輔助設計,對紗線質量預測的研究來源于計算機配棉管理系統的發展[24]。為了更好地選出原棉比例從而達到提高紗線質量、降低紡紗成本的目的,需要建立原棉質量數據與紗線質量之間的關系,從而方便更好地配棉。

對于紗線預測系統,已有大量學者進行了研究。例如:劉彬等[25]建立了一種基于遺傳算法優化的神經網絡的紗線預測模型,通過毛條的相關參數對細紗CV值等質量數據進行預測;楊建國等[26]建立了一種基于改進極限學習機(ELM)算法的紗線質量預測模型,對精梳毛紗CV值等生產質量數據進行預測;查劉根等[27]提出了具有雙隱層的4層BP神經網絡來進行棉紗成紗質量預測,構建了成紗的斷裂強力模型和紗線條干CV值模型。目前,紗線預測系統的研究主要是運用機器學習等數據挖掘手段通過尋找建立原料參數與紗線質量之間的數學關系來對紗線質量進行預測。

1.2 生產階段主要特點

紡紗設備的相關性能對生產階段的影響至關重要,其功能主要是將原料中聯系緊密、排列雜亂、含有雜質的纖維轉變為按一定要求縱向順序排列、相互銜接抱合的紗線。在實際生產中,為提高生產效率、穩定生產質量,對機器速度、運行穩定性等方面的要求越來越高[28]。在機器速度提升的過程中,設備的振動問題越來越突出,這對生產產品的質量以及設備壽命造成不小的挑戰。以精梳機為例,李金鍵等[29]通過對棉紡精梳設備鉗板擺軸驅動力矩的變化規律研究發現,隨著機器速度的不斷提高,鉗板機構的驅動力矩曲線峰值及谷值之差迅速增大,將造成精梳設備振動明顯增加。可見,通過動力學相關理論,對紡紗設備的振動問題進行研究對進一步提升紗線質量具有重要作用。

1.3 數字孿生在紡紗領域的應用前景

通過上述分析發現,紡紗領域在提升紗線質量的過程中主要面臨以下2個問題:1)現有紗線預測系統主要是預測原棉與紗線質量之間的關系,忽略了設備工藝參數對紗線質量的影響,現有紗線質量控制方法雖有提及設備工藝參數設計,但主要是根據人工經驗,定性地提出了設備工藝參數對紗線質量的影響,在實際運用中對設計人員的經驗依賴較大。隨著市場競爭的日趨激烈,生產精準化控制的要求越來越突出。2)隨著對紡紗設備的速度要求不斷提升,如何根據紡紗設備性能和工藝參數要求,提出機構平衡、運動同步性控制、系統減振與隔振等策略,減小振動與噪聲,降低能耗將成為重點關注的一個方面。

可見,以設備為中心,通過更科學地制定設備工藝參數以及降低設備振動對進一步提升紗線質量有著重要的幫助,然而受制于相關基礎技術的發展,對相關問題的研究一直不夠深入。

近年來,隨著各種基礎技術如5G[30]、云計算[31]、AI[32]等技術的不斷成熟,以數字孿生為代表的智能制造技術得到了迅速發展,并在一些領域得到了應用。在航空航天領域,達索航空公司開發了3D Experience平臺(基于數字孿生理念建立的虛擬開發和仿真平臺),該平臺的應用使飛行器的設計節約成本25%,首次質量改進提升15%以上[33];在汽車領域,大眾公司[34]應用數字孿生驅動的數據監控方法,實現了汽車發動機裝配的數據監控,提高了汽車發動機的裝配質量。數字孿生在其它領域的成功應用表明,該技術能有效解決提升生產質量過程中面臨的相關問題,為實現紡紗領域高質量發展提供了新的思路。

綜上,針對紡紗領域的實際特點,數字孿生在紡紗領域的應用要從設備工藝參數的設計以及生產穩定等角度出發,建立相應的數字孿生模型,并通過相應模型的運行實現對設備與質量之間關系的量化研究,從而找出設備參數與產品質量的關系,最終實現設備運行參數對產品質量的預測以及設備可靠性的監測,并為設備設計模型的建立提供思路。

2 核心理論解析

2.1 物理實體與數字孿生模型的抽象模型

在設計和生產紗線時,影響紗線最終生產質量的因素眾多,因此,要進一步推進紡紗領域的智能制造,提升紗線生產質量,關鍵的問題在于如何根據紡紗領域的特點建立模型,從而實現對紗線設計階段以及生產階段的優化提升。

在傳統的紗線設計中,設計人員首先根據紗線預期要求以及積累的經驗設計出相關工藝參數;然后根據設計出的工藝參數進行試紡;最后根據試紡出的紗線質量調整相關設計參數。將調整后的工藝參數重復上述過程,一直到設計出合適的工藝參數為止。傳統的紗線設計試紡次數較多且進行工藝參數設計時主要依靠人工經驗,造成設計階段具有耗時長、紗線設計具有不確定性、紗線質量不穩定等問題。為有效提高紗線設計效率與紗線質量的穩定性,降低設計過程中對人工經驗的依賴,需要在傳統設計流程中加上質量預測這一步,通過數字孿生技術建立與紗線質量相關的數字孿生模型,即基于歷史數據、紡紗機制建立紗線質量預測孿生模型。在設計過程中,設計人員通過運用紗線預測孿生模型不斷調整工藝參數,將大大減少試紡次數,提升設計效率;同時,將大大減小對人工經驗的依賴,從而提升紗線質量的穩定性。

通過分析設計流程可知,建立紗線預測孿生模型對提升紗線質量有著重要作用。紗線最終生產質量與抓棉速度、梳理隔距、錫林速度等眾多工藝參數有關,可以說,在原棉配比合理不變的情況下,紗線的質量是各種工藝參數耦合的結果,因此,可將紗線質量用以下數學抽象表示:

fu=u(x1,x2,…,xn)

式中:u為與紗線質量相關工藝參數對紗線質量影響的物理過程的數學抽象;fu為紗線最終質量;xn為與紗線質量相關的各種工藝參數。

紡紗生產層級關系如圖1所示。紗線生產是連續性大量生產,生產中各工序配合精密,每道工序的設備運行狀態對最終生產的紗線質量都有著決定性的影響。

圖1 紡紗生產層級關系Fig.1 Hierarchical relationship of spinning production

在實際生產中,紡紗生產通過各工序互相配合,因此,在抽象的數學模型中,可將物理實體的輸出定義為通過各工序的參數互相耦合決定的,將其定義為以下數學抽象式:

fv=v(y1,y2,…,yn)

式中:v為紡紗生產某一工序對應物理實體的數學抽象;fv為物理實體的輸出;yn為紡紗生產工序中的工藝參數。

通過分析設計階段與生產階段的特點可得,2個階段關鍵過程的數學抽象都是通過各種參數互相影響最終輸出結果,在這種抽象關系中,數字孿生模型可定義為

fw=w(x1/y1,x2/y2,…,xn/yn)

式中:w為數字孿生模型的數學抽象;fw為數字孿生模型的輸出;xn與yn分別為其對應的實際參數。數字孿生的輸入輸出與設計階段和生產階段的數學抽象模型一致,均是以參數的形式,唯一的區別在于其映射函數,前者依靠物理層的實際運行而產生映射結果,后者采用建立的數字孿生模型得到映射結果。

2.2 理想狀態下數字孿生模型優化方案

理想狀態下,一個數字孿生模型可完全反映其物理實體的物理活動,其數學內涵為:

u(x1,x2,…,xn)=w(x1,x2,…,xn)

v(y1,y2,…,yn)=w(y1,y2,…,yn)

上式表明,物理實體在物理空間的輸出與數字孿生在數字空間的輸出都保持一致,因此,對于這種能建立理想數字孿生模型的情況,可直接通過優化物理實體的數字孿生模型完成對實際的優化,從而解決紡紗生產的相關問題。以圖2為例,圖中虛線代表相關流程的關聯,箭頭代表優化方向。

圖2 理想狀態的協同優化Fig.2 Collaborative optimization in ideal state

假設所有數字孿生模型都處于理想狀態下,具體可分為如下2種情況。

情況1:設計階段和生產階段所有的理想數字孿生模型均存在。在該情況下,對于設計和生產的協同優化問題,可從最終的設計或生產要求出發,直接通過優化數字孿生模型從而制定出物理實體的優化方案,實現整個流程的最優解。

情況2:設計階段和生產階段中只有部分理想數字孿生模型存在。對于這種情況,通常難以獲得全局最優解,可對存在理想數字孿生模型的關鍵流程進行優化,以獲得局部流程最優解。

2.3 非理想狀態下數字孿生模型優化方案

與理想狀態不同的是,紡紗生產時纖維本身的運動就具有不確定性,目前并沒有相關的理論可準確描述紗線生產時纖維的具體運動,因此,在現實情況下,數字孿生模型難以達到準確反映物理空間活動的要求。如何提升孿生模型對物理活動反映的準確度就顯得十分重要。

圖3示出非理想狀態的數字孿生模型優化過程。如圖所示,為實現對流程2的優化,可先初步構建流程2的數字孿生模型并部署到實際生產中,通過將流程2的物理實體運行結果與其對應的數字孿生模型運行結果進行對比,對孿生模型的偏差進行糾正。

圖3 非理想狀態的數字孿生模型優化過程Fig.3 Optimization process of digital twin model in non-ideal state

圖4示出虛實交互的數字孿生模型。如圖所示,在實際生產中通過部署初步的數字孿生模型,使孿生模型與生產過程保持同步運行、實時優化與迭代優化,通過實際生產的運行數據使相關數字孿生模型不斷優化完善,同時數字孿生模型通過不斷地迭代提高準確度從而實現故障預測、優化參數等功能,實現對物理實體的優化提高,二者互相促進,共同進化。

圖4 虛實交互的數字孿生模型Fig.4 Digital twin model of virtual reality interaction

綜上,通過對設計階段和生產階段關鍵模型的構建與優化解決了紡紗領域設計與生產階段數字孿生模型構建面臨的因參數眾多且互相影響復雜而造成的建模困難的難題。

通過物理實體與數字孿生模型之間的迭代優化,提高數字孿生模型的預測精度。同時,這種建模的機制也解決了物理實體動態演變的問題,從而保證了數字孿生模型能準確反映對應物理實體的物理活動。通過相關模型的構建快速生成面向紡紗生產的自感知、自計算、自組織和自維護解決方案,從而提升紗線最終的生產質量。

3 數字孿生應用的具體解決方案

3.1 紡紗數字孿生架構體系的構建

根據數字孿生的相關機制以及紡紗領域的實際情況,建立數字孿生在紡紗領域應用的架構體系,如圖5所示。

圖5 紡紗數字孿生架構體系Fig.5 Spinning digital twin architecture system

孿生模型建立:數字孿生在具體應用時針對不同的需要可選擇建立不同形式的數字孿生模型,如數據模型、三維可視化模型等,可從設計階段與生產階段2個方面提升紗線質量。針對設計階段,主要采用數據建模的方式建立紗線預測孿生模型。針對生產階段,采用數據建模與三維可視化建模相結合的方式建立設備孿生模型以及采用數據建模的方式建立物流孿生模型。

根據相關建立需要,主要將物理空間產生的數據分為歷史數據、設計階段相關數據、生產階段相關數據。歷史數據以及設計階段部分數據如原棉檢測、生條檢測等質量數據、紗線設計參數主要是以紙質的形式進行保存,因此相關數據采集形式可采用直接輸入的方式,也可采用OCR文字識別的方式進行收集。生產階段部分數據如車速、耗電量、實時產量等能通過開放系統數據接口進行收集,采集生產線實時的生產數據。針對一些現有采集系統沒有采集且構建生產質量相關數字孿生模型必要的數據,如精梳機棉網質量、生條CV值、精梳機的振動等,可通過現場安裝傳感器、安裝攝像頭、直接讀取機器自帶PLC等方式現場采集相關數據。

通過上述采集方式將物理空間數據導入到數據平臺之中,數據平臺主要實現數據匯總、數據預處理、數據分類、數據儲存4個功能,并將處理好的數據按照工藝數據、設備運行數據、質量數據3類進行存儲,供孿生體相應模型建模使用。

根據紡紗相關理論以及實際需要確定了相關孿生模型種類以及模型形式后,通過調用數據平臺相關數據以及融合相關理論后建立孿生模型即紗線預測孿生模型、設備孿生模型、物流孿生模型,這 3個孿生模型互相配合共同構成紡紗生產質量孿生模型。將相關數據代入孿生模型,通過將孿生模型輸出結果與物理空間實際輸出結果進行對比驗證模型的正確性,并且及時對模型進行修正,直到達到使用要求。

服務的生成:通過上述數據采集的方式,將生產中的相關數據上傳到數據平臺中,數據平臺處理后直接傳輸到相關的數字孿生模型中,并生成相應指令,通過將相應指令執行到物理空間中實現相應的服務如紗線質量預測、紗線智能設計、生產異常監控、故障預測、數據可視化等,并且在生產服務的過程中實現對模型相關問題的反饋,不斷對模型進行迭代優化,提高模型的精度。

3.2 數據平臺的構建及應用

數字孿生的發展需要數據作為基礎支撐,根據其它行業的現有成功經驗,將采集的數據統一到平臺的數據庫中,通過平臺的數據庫為下一步相應模型的構建打下基礎是一個切實可行的方案。

數據平臺通過3.1節所述數據采集方式實現數據平臺對數字孿生模型建模相關數據的采集,并通過平臺連接服務器導入到平臺的數據庫中。針對采集的數據根據需要采用邏輯清洗、冗余清洗、主成分分析等方法實現對相關數據的預處理,并且根據產品設計和制造各階段間業務交互的需求,采用屬性構造、數據概化、數據規范化和數據離散化等方法,將原始數據轉換為不同階段業務系統能夠理解和識別的格式,提升下一步模型構建的效率。對處理好的相關數據按照實際需要分為設備運行數據、工藝數據、質量數據、環境數據4個類別進行儲存,根據數據的特征、數據的類型應采取不同的數據儲存和管理方式,提升數據查詢、數據分析的效率,并確保數據的復用性。可采取DDBS等存儲結構化數據,采用XML等儲存半結構化數據,采用HDFS、NoSQL等存儲非結構化數據。同時數據庫根據創建方式的不同可分為本地創建和云平臺創建。針對大量的實際生產數據,平臺通過自帶的數據分析功能以及借助第三方軟件,初步創建數字、分析、業務規則等模型,供構建孿生模型時進行調用。此外,對于一些需要可視化的數據可通過電腦端、平板以及AR/VR眼鏡等進行顯示。

3.3 紗線質量預測孿生模型的構建及應用

為簡化設計階段的流程,同時通過對生產階段設備數據的導入實現生產時對產品質量的實時預測,從而提高生產階段對設備異常的監控情況,需要構建紗線質量預測孿生模型。

1)模型組成形式:考慮到不同工序的生產設備以及生產特點不同將造成工序預測模型的差異,故紗線質量孿生模型依據生產工序工藝的不同建立分段預測模型:原棉配比及質量→生條預測模型→棉卷預測模型→精梳條預測模型→熟條預測模型→粗紗預測模型→細紗預測模型→紗線質量。每段預測模型可在上一段預測模型的預測結果或者上一段模型的真實檢測數據的基礎上進行預測,在模型部署的初級階段通過將相關模型的預測數據與實際質量數據進行對比進一步優化模型,從而解決誤差累積的問題,在之后使用中通過收集實際的質量檢測數據進行優化不斷提高模型的預測精度。

2)單段模型構建方法:在確定紗線質量預測模型分段建立后,針對某一工序的建模,建模過程的數據主要來源于歷史工藝數據以及相關數據對應的產品質量,針對歷史數據建立訓練樣本,并調用算法建立設備工藝參數與模型預測對象質量間的對應關系。然后輸入生產參數,將預測對象質量與采用該參數實際生產的產品質量進行對比,修正模型關鍵參數,并根據實際情況建立預測等級,最終建立相關工序的預測模型。需要說明的是,各單段工序模型互相配合共同構成紗線質量預測模型。在實際生產中,可將紗線質量預測孿生模型按照各個工序模型單獨部署。

3)模型迭代方法:在按照各工序建立質量預測模型后,將模型部署到紗線的設計階段和生產階段中,具體包括在紗線設計階段,根據紗線預期要求,初步確定各工藝參數,通過紗線質量預測數字模型對初步確定的各工藝參數進行預測,判斷其是否符合設計要求,并根據預測結果對參數不斷進行優化直至設計出合適的參數。在設計出合適的參數后進行試紡,通過實際結果驗證設計參數的正確性,并將設計參數實際生產結果輸入紗線質量預測模型中,優化紗線質量預測數字孿生模型關系庫。此外,在實際生產過程中通過進一步收集相關的生產數據優化紗線質量預測數字孿生模型關系庫,提高模型的預測精度。

3.4 設備孿生模型的構建及應用

為更好地監控紡紗生產時設備的運行狀態,保障設備的正常運行,從而保證紗線生產的穩定性,需要構建設備孿生模型。具體步驟如下。

1)數據獲取:將設備運行數據、生產產品在線及離線監測質量數據等與紗線質量密切相關的數據傳輸通過已有信息化系統、加裝傳感器、其它在線檢測裝置、機器自帶通信接口等連接方式傳輸到數據平臺。平臺對所采集到的數據進行匯總、預處理,并分別儲存到機械數據庫、電氣數據庫、產品數據庫中。

2)模型形式確定:設備孿生模型主要由3個模型融合組成即三維可視化模型、數據模型、知識模型。針對部分與設備幾何結構密切相關的數據,建立三維可視化模型;針對反映設備的運行狀態但是與幾何結構關系不大的數據,采用建立數據模型的方式;根據現有的相關理論,建立設備的知識模型。

3)可視化模型建立:首先通過導入已有的幾何模型或者通過掃描等方法建立設備的三維模型,通過有限狀態機、馬爾可夫鏈等方法將采集的數據與設備三維模型進行耦合,建立相關可視化模型。

4)數據模型建立:針對部分與結構無關的數據直接采用神經網絡、決策樹、支持向量機等大數據算法,找出各數據之間的關系,根據相關需要直接建立數據模型。

5)知識模型建立:將設備設計和運行的相關理論與實際設備的實際運行狀態進行擬合,主要根據相關理論建立反映設備實際運行的知識模型。

6)模型融合:通過知識模型確定可視化模型與數據模型邊界范圍,并加快模型的收斂速度,簡化模型的計算量,提高精確度。通過將可視化模型與數據模型進行融合,最終建立設備數字孿生模型。

7)服務生成:將所建立的數字孿生模型部署到物理空間中,實現設備故障預警、設備能耗監測、生產質量監控、設備運行AR顯示等服務。

3.5 物流孿生模型的構建及應用

為更好地監控紡紗生產時相關物流的運行狀態,保障生產時原料和半制品的正常轉運,從而保證紗線生產的穩定性,需要構建物流孿生模型。具體步驟如下。

1)數據獲取:將現有物流系統連接到數據平臺,將生成的物流數據導入到數據平臺,通過數據平臺的自帶功能實現對物流數據的預處理,并將處理好的數據儲存到物流數據庫中。

2)模型建立及部署:虛擬實體通過調用數據平臺物流數據庫的數據建立物流運行模型,并將模型部署到物理實體中。

3)服務生成:實現路徑尋優、智能排產質量追蹤、智能倉儲等服務;同時,通過將數據平臺的數據進行可視化,實現對半成品位置、原料消耗量、實時產量、設備運轉情況的監控等服務。

4 結束語

紡紗生產具有設計主要依靠人工經驗、生產過程具有連續性、纖維難以控制、相應建模困難、工序間耦合強、全局優化困難等特點,使得在提高紗線質量、減少人工經驗的依賴、提高資源利用率、減少環境污染等方面存在巨大的挑戰,阻礙了紡紗的高質量發展。

本文針對紡紗生產的特點,提出數字孿生在紡紗行業運用的前景,介紹如何通過數字孿生解決紡紗領域推進智能制造中面臨的建模復雜和協同優化難的問題,提出數字孿生與紡紗領域的映射框架,探討了數字孿生在紡紗領域的實際應用意義,并提出了數字孿生在紡紗領域的應用解決方案。將數字孿生應用到紡紗領域中,可為紡紗領域提供從產品設計到企業規劃的一系列應用,有效提高設計效率、提升生產質量及穩定性、減少生產線的非計劃停車。

未來,數字孿生在紡紗領域的應用將向著提高相關數字孿生模型特別是紗線預測孿生模型的精度、運用已有理論更好地建立知識模型、實現模型之間更好地融合、提升紡紗數字孿生工業平臺數據交互安全、增加關鍵設備孿生模型精準可視化等方向發展。數字孿生應用與其它現有技術相互促進、相互融合,其應用需要建立在紡紗設備數據互通、數據傳輸安全等一系列共性技術的基礎上。同時,數字孿生的實現也將對紡紗領域基礎理論的研究有著重要的促進作用。此外,還應制定一系列的相關標準,最終紡紗數字孿生標準體系,為紡紗企業的智能化轉型提供參考,從而推動數字孿生在紡紗領域的應用,最終提升紗線的生產質量,促進紡紗領域的高質量發展,同時也為紡織行業其它領域的智能化轉型提供參考。