數字孿生視角下的智能紡紗應用探索

摘 要：為了加快新質生產力發展，助推傳統紡紗行業高質量轉型，對數字孿生技術在紡紗領域的應用進行了積極探索。首先，概述了紡紗智能化的發展現狀，揭示了當前面臨的技術瓶頸與挑戰，并強調了數字孿生技術的優勢。其次，詳細解析了數字孿生技術的基本理念，及其與信息物理系統和建模仿真技術的區別。隨后，從設備級、車間級和工廠級3個層面，著重探討了數字孿生在紡紗過程中的關鍵應用場景及實施策略。最后，梳理了數字孿生技術在精準建模、仿真預測和連接交互等方面的問題，并指出其應用重點，即提升精準建模、完善機理模型、提高預測維護準確性以及增強數據交互安全性等。研究結果對推進數字孿生技術在紡紗領域的應用具有一定的參考意義。

關鍵詞：數字孿生；智能紡紗；故障預測與健康管理；增強現實；多維度建模；智能工廠

中圖分類號：TS104

文獻標志碼：A

文章編號：1009-265X（2025）02-0090-10

全球制造業正迎來以智能化、數字化為核心驅動力的重大變革，紡織行業作為傳統制造業的重要組成部分，也在進行深度轉型。在“人工智能+”和新型工業化的時代背景下，紡紗智能化作為紡織產業升級的重要推動力，近年來取得了顯著技術進展。通過引入數字孿生、大模型等技術，打造新質生產力引擎的智能紡紗工藝，已成為行業發展的新趨勢。

在設備自動化層面，清梳聯^［1］、條并精聯^［2］、粗細絡聯^［3］、筒紗自動輸送系統^［4］以及立體倉儲^［5］等技術的廣泛應用，提升了單體設備的自動化水平，減少了對人力的依賴。在信息化體系建設方面，通過整合企業資源規劃（Enterprise resource planning，ERP）系統、制造執行系統（Manufacturing execution system，MES）^［6］及車間監控網絡^［7］，增強了生產過程的可視化與追溯能力，降低了不良品產出和資源浪費。智能化決策技術的集成創新，特別是物聯網、大數據分析和人工智能技術^［8］的融合運用，正逐步實現紡紗領域的故障精準預判^［9］、實時監測^［10］、能效管理^［11］及質量智能控制^［12］等功能，促進了生產精細化管理和效能優化。盡管紡紗智能化已在諸多方面取得了實質性進展，但在一些關鍵領域仍有待深入突破。尤其是在紗線設計效率提升與生產質量穩定性等方面，當前面臨的技術挑戰主要有全流程節點監測手段不足^［13］、遠程在線數據傳輸困難、工藝參數設計依賴人工經驗、紗線生產質量波動性大^［14］等問題。

面對這些挑戰，數字孿生（Digital twin， DT）技術作為工業互聯網時代的一項革新性工具，在眾多領域展現了強大的應用潛力和價值^［15］。大量實踐證明，數字孿生技術能夠有效提升相關領域的智能化水平，進而提高生產效率和產品質量。在紡紗領域，數字孿生技術可應用于構建涵蓋原料、設備、工藝、產品等全流程要素的虛擬模型，并通過物聯網、大數據分析和人工智能等技術實現實時監測、分析和控制。因此，深入探討數字孿生在紡紗領域的應用價值及其解決方案具有重要的實際意義。

本文專注于棉紡紗工藝的數字孿生技術研究及應用。鑒于棉紡紗與其他紡紗工藝（如化纖紡、毛紡、麻紡、絹紡等）在生產流程、技術需求和應用場景上存在特定差異，本文所討論的模型和技術方法主要覆蓋棉紡紗全流程。然而，所提出的方法和模型也可能為其他紡紗工藝提供有益的參考。本文將介紹紡紗智能化的現狀，剖析當前生產中的技術瓶頸，強調數字孿生技術的優勢，概述其在紡紗領域的發展及應用現狀，重點討論其在紡紗關鍵場景中的應用，最后總結應用中的重點和共性問題，并展望其未來發展趨勢。

1 數字孿生的發展及應用

1.1 數字孿生的發展現狀

數字孿生技術正處于快速發展階段，已成為新一代信息技術深度融合的重要成果之一。該技術通過構建物理實體或系統的高保真虛擬模型，結合大數據、物聯網、人工智能及云計算等先進技術，實現對物理對象的全生命周期管理和優化^［16］。當前的數字孿生應用不僅限于靜態可視化和場景再現，還包括實時交互^［17］、動態模擬^［18］以及精準預測^［19］等功能，已廣泛應用于制造業、智慧城市^［20］、軌道交通、醫療健康^［21］等領域，顯著提升了企業的生產效率、運維能力和決策水平。

然而，數字孿生技術的發展面臨諸多挑戰。一方面，建立精確有效的數字孿生模型依賴于海量數據的收集、處理和集成，這對數據安全、隱私保護及數據標準化提出了高要求^［22］；另一方面，技術實施門檻較高，需具備深厚的專業知識儲備和強大的計算能力支撐。此外，推動數字孿生技術與各行業具體業務場景深度契合，克服跨領域技術壁壘，也是當前亟待解決的關鍵問題。

數字孿生本質上是建模仿真技術在制造領域的應用擴展，通過將物聯網與數字模型結合，旨在創建更加接近真實系統的孿生模型^［23］。數字孿生也是信息物理系統的重要子集^［24］，二者的交互關系如圖1所示。圖1顯示，信息物理系統由物理實體、孿生模型、基于孿生模型的仿真活動，以及物理實體與孿生模型之間的連接與反饋共同組成。隨著數字模型與陰影^［25］、數字化身^［26］和數字線程^［27］等概念的提出，數字孿生的技術體系將更加完善。

1.2 數字孿生紡紗的應用現狀

現階段，數字孿生在紡紗領域的應用仍處于初期探索階段。

鄭小虎等^［28］探討了數字孿生技術在推動紡織智能工廠轉型升級中的潛力。通過實例分析提出了基于數字孿生技術的紡紗智能工廠參考模型，涵蓋了生產設備的信息互聯模型、工藝流程信息模型和智能紡紗單元架構設計，強調了建立智能制造標準的必要性，以支持紡織行業的智能制造實踐。

李新榮等^［29］從提高紗線質量的角度出發，闡述了數字孿生在紡紗領域的具體應用思路，包括設計階段紗線預測孿生模型的組成和迭代方法，以及生產階段設備孿生模型和物流孿生模型的構建步驟。該研究為紡紗企業實現從產品設計到生產全過程的智能化管理提供了理論基礎。

武臣等^［30］將數字孿生技術與數控紡紗技術相融合，通過數字化方式對紗線及其紡紗過程進行虛擬仿真，建立了包括時序化紗線結構參數模型、紡紗工藝參數模型及傳感檢測系統輸出參數模型在內的數據融合模型。基于這些融合數據，構建了基于數字孿生的紡紗過程集成化控制系統，實現了多種花式紗線的一體化生產，展示了數字孿生技術在提升紡紗過程智能化水平方面的關鍵作用。

張保威等^［31］開發了一種基于數字孿生技術的紡紗車間可視化管控系統。該系統采用4層結構的數字孿生系統框架，包括物理層、數據層、模型層和服務層。實際應用結果表明，該系統顯著提升了管理效能，車間巡回檢查時間減少20%，設備故障響應時間縮短15%，細紗機臺的生產效率提高2%～4%。

北自科技研發的“基于數字孿生技術開發的棉紡條筒智能輸送系統”^［32］，相比傳統的條筒運輸方式更為靈活便捷，顯著提升了棉紡行業的生產效率和設備利用率。其應用不僅將粗紗機的條筒備筒時間縮短了一半，還將開機率提升至約92%，并在行業內獲得了廣泛應用和認可。

綜上，已有研究和實踐展示了數字孿生技術在設備級、車間級和工廠級的多層次應用，體現出其在設備維護、工藝優化和生產管理效率提升方面的巨大潛力。本文將進一步深入探討數字孿生技術在紡紗領域的關鍵應用場景，分析其實施策略和技術細節，旨在為智能紡紗的全面發展提供理論框架和技術支持。

2 數字孿生紡紗的應用場景

數字孿生技術作為當前學術界和產業界共同關注的研究熱點，在推動制造業智能化升級中發揮著關鍵作用。本節將從設備級、車間級和工廠級3個層面，詳細探討數字孿生在紡紗過程中的關鍵應用場景。設備級應用主要聚焦于設備故障預測與健康管理；車間級應用包括車間多維度建模和車間增強現實可視化；而工廠級應用則涉及智能工廠的建設與運營。

2.1 設備故障預測與健康管理

在紡紗生產中，設備故障引發的生產中斷與成本飆升，使得故障預測與健康管理（Prognostics and health management，PHM）成為確保生產線穩定運行、減少停機時間與優化維護策略的關鍵。當前的PHM實踐中，采用了歷史經驗模型、數據驅動模型以及基于物理機制的機理模型等多元方法，各具優劣勢^［33］。然而，現有PHM系統在應用中面臨一系列挑戰，如數據質量和完整性不高、設備多樣性導致模型構建困難、算法選擇和數據處理能力受限、部署實施難度大等。

將數字孿生技術融入PHM系統，可創建與實體設備精確對應的虛擬模型，以填補數據缺失并準確模擬設備行為，實現數據驅動和模型推理的有效結合^［34］。這一技術支持實時數據同步與深度分析，不僅增強了決策支持功能，簡化了系統部署過程，還顯著提升了預測準確性與運維效能。孿生模型驅動的紡紗設備PHM架構如圖2所示，其核心在于數字孿生體，通過數據映射、虛實交互和模型優化迭代，實現設備全生命周期的健康狀態監測、診斷、預測和維護決策。

虛實一致性是確保PHM框架有效運作的基礎。在構建基于數字孿生的紡紗設備PHM系統時，需要將實體設備的宏觀狀態參數（如錠速、鋼領板往復運動速度、羅拉軸承振動信號、紗線張力、溫濕度等）及微觀特征（如錠子、羅拉軸承、鋼絲圈的磨損、表面狀況、裂紋、潤滑狀態等）同步映射到虛擬模型中。鑒于微觀信息獲取相對困難，往往需要對特定零部件進行拆卸檢測。相比之下，設備的宏觀狀態數據可通過非接觸式檢測技術（如光電傳感器^［35］、機器視覺^［36］、靜電荷感應傳感器^［37］等）高效采集，并在模型初始化和后續維護時更新。在運行期間，針對特定場景（如紡紗機羅拉軸承、鋼絲圈）的故障診斷、預測，借助小波變換^［38］、支持向量機^［39］、一維卷積神經網絡^［40］、長短期記憶網絡^［41］等算法，能夠有效處理和分析振動信號，實現動態條件下的故障早期識別與預警，從而推動智能化維護并優化設備的運維效率。

模型優化迭代是PHM系統的核心環節，通過對實體設備的運行數據不斷調整和完善模型，提升預測能力和準確性。這一過程主要涉及參數自適應調整與模型更新兩個層面。在PHM框架下，通常基于設備性能退化規律建立相應的退化模型，用以估算設備的剩余使用壽命。而在設備長期運行中，由于材料磨損和疲勞老化，其性能逐漸退化，數字孿生模型中表現為關鍵參數的變化。參數自適應更新利用實時傳感器數據動態調校模型參數，如運用貝葉斯理論^［42］和粒子濾波^［43］等算法，確保模型準確反映設備的真實狀態和剩余壽命。模型更新策略包括全量更新、增量更新^［44］和在線學習^［45］等多種方式，旨在提高設備健康狀態預測精度，預防故障，保障生產的穩定性和效率。

2.2 車間多維度建模

構建高精度的紡紗車間數字孿生模型，關鍵在于綜合運用幾何、邏輯、決策等多個維度建模手段，并關聯整合機械、電氣、傳動、過程控制及拓撲等多個領域、多物理場、多尺度信息。基于上述需求，結合實際生產場景，本文提出的紡紗車間數字孿生多維度模型（DTMM）如圖3所示，形式化描述為：

DTMM=｛GM，LM，PM｝

式中：GM是幾何模型，LM是邏輯模型，PM是決策模型。

幾何模型（GM）是整個孿生模型的基礎，反映了物理實體的空間特征，為其他模型提供空間參照。常用的幾何建模方法有CAD手工繪制、激光點云掃描和攝影測量^［46］等。幾何模型（GM）形式化描述為：

GM=｛WI，DI，PI，MI｝

式中：WI代表車間信息，包含了廠房、車間、倉庫的空間形態、尺寸、定位等幾何特征；DI代表設備信息，囊括了紡紗設備及其輔助設施的外形尺寸、結構組成、運動軌跡和連接方式等；PI代表人員信息，描述了操作員和維護人員在空間內的位置、姿態及動態動作等；MI代表物料信息，涵蓋了原料、半成品和成品的幾何形態和尺寸規格等。

邏輯模型（LM）定義了車間內各項活動的交互關系、執行順序、條件約束和控制邏輯，旨在把紡紗車間運行規則轉化為可計算、可模擬的形式，以便在數字孿生環境中進行高效管理和優化決策。常用的邏輯建模方法有面向對象建模、Petri網^［47-48］和狀態機等。邏輯模型（LM）形式化描述為：

LM=｛ID，WF，EO，MFC｝

式中：ID表示物理實體的唯一標識；WF明確了作業流程，包括工序間的序列關系、轉換條件、資源調度邏輯等；EO描述了設備操作的各種指令，如啟動停止、速度調控、模式切換以及故障應對措施等；MFC則針對物料流控制，確定物料在不同工序間的流動路徑、處理順序以及物流管理邏輯等。

決策模型（PM）是對虛擬紡紗車間內在運行規律和機理的深度建模，包括機理模型、數據模型以及機理+數據的混合模型。決策模型（PM）形式化描述為：

PM=｛MM，DM，HM｝

式中：MM是機理模型，DM是數據模型，HM是機理+數據的混合模型。

機理模型（MM）是對紡紗過程中物理現象、機械設備的工作原理、動力學行為、熱力學特性等進行科學抽象和數學表達的模型，如紡紗機的轉動機制、纖維的牽伸變形機理等。常用的機理建模方法有流固耦合、有限元分析^［49］和計算流體動力學^［50］等。數據模型（DM）更關注系統的輸入/輸出狀態，通過建立統計學習模型或機器學習模型，對紡紗生產過程進行實時監測、工藝優化和質量預測等。數據驅動模型融合領域機理知識能夠得到較好的全局優化效果，提高模型準確性和收斂性，常用的融合方法有算法融合、評價方法融合和數據集融合^［51］。

紡紗車間數字孿生多維度建模的步驟：

a）幾何建模：選用CAD軟件（如SolidWorks、Creo等）建立全流程紡紗設備的三維曲面模型，并輸出STEP文件。使用三維模型渲染工具（如Maya、C4D、3DS MAX等）進行輕量化處理，包括紋理/頂點/法線壓縮和材質渲染等技術，最終輸出FBX文件。在虛擬開發平臺（如Unity 3D、Unreal等），進行場景構建、數據可視化、用戶界面設計等。

b）邏輯建模：基于紡紗車間產品制造流程長、質量影響因素多、工序間耦合嚴重、離散生產和連續加工并存等現狀。采用Petri網模型對紡紗生產系統的動態行為進行統一的形式化描述，利用庫所變遷、托肯流動直觀展示紡紗各工序物料資源狀態和轉換，并通過API接口驅動幾何模型運行，實現與幾何模型的緊密集成。

c）決策建模：根據具體業務需求，構建機理驅動、數據驅動或“機理+數據”融合驅動的決策模型。借助統一標識符ID，建立起幾何、邏輯和決策模型的多維度映射關系，實現物理實體與孿生模型之間的精準映射。

2.3 車間增強現實可視化

增強現實（Augmented reality，AR）技術為數字孿生提供了全新的可視化呈現方式，顯著擴展了用戶對物理世界的感知能力，彰顯了其在實際應用中的價值^［52］。在設備復雜、工藝流程多樣的紡紗生產中，AR技術展現了巨大潛力和優勢。例如，通過在實體設備視圖上疊加運行狀態、能耗及故障信息，操作員可以即時掌握生產線的整體運作情況，確保生產連續性和安全性^［53］。在設備維護中，維修人員可以使用AR設備獲取實時工藝參數、三維維修指南，并接受遠程專家的可視化指導，從而大幅縮短故障排查和維修時間，提高效率^［54］。此外，AR技術還可用于培訓新員工，通過模擬實際操作環境，提升學習效果，加速上崗速度^［55］。

圖4展示了紡紗車間增強現實可視化系統的框架，該系統的核心技術包括跟蹤注冊、虛實融合和人機交互^［56］。

a）跟蹤注冊：通過同步定位與建圖（Simultaneous localization and mapping，SLAM）技術，系統能夠實時感知并精確建模物理環境。SLAM捕捉環境特征信息，如地理位置、物體形狀和紋理信息等，結合特征點匹配和攝像機姿態估計，實現設備和用戶位置的持續更新，動態跟蹤虛擬對象的位置和大小。

b）虛實融合：關鍵在于無縫集成虛擬內容與現實世界。具體包括：通過回放定位和三維注冊技術確保虛擬物體在現實世界中的精確對齊；使用深度計算和遮擋判定處理虛實遮擋問題；利用光照估計模擬現實中的光照效果，如漫反射、高光和陰影。此外，通過數值模擬分析復雜工藝流程，如纖維運動和氣流場分布^［57-58］，并將模擬結果集成到AR系統中，實現虛實融合和直觀展示，為生產優化和設計提供指導。

c）人機交互：為實現高效的人機協同，AR系統應支持多種自然交互方式，如語音指令、手勢識別和視線追蹤，使用戶在復雜工作場景中能快速響應并與系統互動。這些交互方式涵蓋對虛擬對象的操作（如創建、移動、縮放等）以及對工作流程的控制（如任務選擇、啟動、暫停、進度跟蹤等），從而增強用戶的沉浸感和操作便捷性，提高工作效率和準確性。

2.4 智能工廠

數字孿生智能紡紗工廠總體架構如圖5所示，分為基礎設施層、感知層、控制層、執行層、數據管理層和智慧應用層6個層次。基礎設施層包括物理車間和虛擬車間，利用幾何模型和邏輯模型等多維度模型創建數字鏡像，精確再現單臺設備到整個車間的運行過程，為模擬仿真和智能決策提供基礎。感知層部署智能傳感器、條形碼/RFID、CCD相機等設備，實時捕捉原料屬性、狀態參數和生產流程數據，為精準控制提供原始信息。控制層通過PLC、SCADA、DCS等系統處理和分析數據，并將結果轉換為控制指令。執行層接收指令，驅動工業機器人和自動化設備進行具體操作，確保物理實體與虛擬環境之間的緊密協作。數據管理層負責集中存儲和管理關鍵生產數據，如配棉信息和設備運行參數，利用智能算法挖掘數據的深層價值，為高層決策提供支持。智慧應用層依托前述各層級開發高附加值服務，如虛擬工藝試紡、紗線質量預測、三維可視化監控等，構建完善的生產管理和決策支持系統，全面提升工廠的運營效率和決策質量。

數字孿生技術作為智能工廠的重要技術手段，通過數字化復制物理實體，實現生產過程的虛擬模擬與優化，從而顯著提升工廠整體效率和應變能力。

3 共性問題及發展趨勢

數字孿生與紡紗工藝的深度融合為行業帶來了新的發展動力，但其應用過程中仍面臨若干共性問題和挑戰，同時也呈現出明確的發展趨勢：

a）精準建模是數字孿生的基礎，但也是難題。當前技術難以高精度模擬復雜生產場景，需要在幾何、邏輯、機理和數據等多維度上進行虛擬重建。確保孿生模型的一致性和準確性，需探索統一的數據映射表達方式和基于語義特征的描述方法。

b）仿真預測作為數字孿生的核心功能，依賴動態數據的實時優化。盡管已有技術能實現數據采集與傳輸，但在多維數據融合、虛實數據處理及系統實時更新方面仍存在瓶頸，需進一步研究和技術突破。

c）連接交互是確保數字孿生系統效能的關鍵。由于模型、數據格式及服務類型的差異，跨時空/跨系統的交互機制顯得尤為重要。增強現實技術提升了用戶的多感官交互體驗，但在跟蹤精度和交互友好性方面仍需優化。

4 結語

本文重點探討了數字孿生技術在紡紗生產的設備級、車間級和工廠級應用場景及策略，展示了其在提高生產效率和優化工藝流程中的潛力。未來，重點將放在提升精準建模、完善機理模型、提高預測維護準確性和增強數據交互安全性等方面。隨著技術的不斷進步，這些領域的深入研究和優化將進一步推動紡紗行業向智能化、精細化方向發展。

參考文獻：

［1］董志強，郭東亮，白金報.清梳聯智能化技術的發展與應用［J］. 棉紡織技術，2019，47（5）：10-14.

DONG Zhiqiang， GUO Dongliang， BAI Jinbao. Development and application of intelligent technology for blowing-carding unit［J］." Cotton Textile Technology，2019，47（5）：10-14.

［2］萬由順，衛江，桂長明，等.全流程智能化紡紗技術創新點及應用效果［J］. 棉紡織技術，2020，48（1）：28-33.

WAN Youshun， WEI Jiang， GUI Changming， et al. Innovation point and application effect of whole process intelligent spinning technology［J］." Cotton Textile Technology，2020，48（1）：28-33.

［3］嚴緒東，丁峰，滕彬，等.粗細聯智能紡紗生產線應用淺析［J］. 紡織器材，2020，47（1）：17-19.

YAN Xudong， DING Feng， TENG Bin， et al. Application analysis of the intelligent spinning production line of roving-spinning unit［J］." Textile Accessories，2020，47（1）：17-19.

［4］董相杰，黃克華，易臻，等.全智能筒紗輸送與包裝系統的流程及效率分析［J］. 棉紡織技術，2024，52（1）：27-32.

DONG Xiangjie， HUANG Kehua， YI Zhen， et al. Process and efficiency analysis of intelligent cheese yarn conveying and packaging system［J］." Cotton Textile Technology，2024，52（1）：27-32.

［5］聶晶，袁亦辰，李景彬，等.棉紡筒紗自動打包系統設計［J］. 上海紡織科技，2023，51（3）：14-18.

NIE Jing， YUAN Yichen， LI Jingbin， et al. Design of automatic packing system for cotton spinning tube yarn［J］." Shanghai Textile Science amp; Technology，2023，51（3）：14-18.

［6］葛陳鵬，季承，糜娜，等.基于制造執行系統的紡紗企業智能化轉型探討［J］. 棉紡織技術，2021，49（10）：42-46.

GE Chenpeng， JI Cheng， MI Na， et al. Intelligent transformation discussion of spinning enterprise based on manufacturing execution system［J］." Cotton Textile Technology，2021，49（10）：42-46.

［7］陳新鶴，海洋，李光海，等.基于集成信息監控系統的紡紗智能化管理［J］. 棉紡織技術，2019，47（5）：15-18.

CHEN Xinhe， HAI Yang， LI Guanghai， et al. Spinning intelligent management based on integration information monitoring system［J］." Cotton Textile Technology，2019，47（5）：15-18.

［8］趙薇玲，章軍輝，陳明亮，等.人工智能技術驅動的紡紗質量預測研究進展［J］. 絲綢，2023，60（4）：61-70.

ZHAO Weiling， ZHANG Junhui， CHEN Mingliang， et al. Research progress on yarn quality prediction based on artificial intelligence technology［J］." Journal of Silk，2023，60（4）：61-70.

［9］張立敏，林恒燦，吳濤.基于RFID的紡紗機械故障檢測系統［J］. 計算機應用與軟件，2017，34（3）：119-122.

ZHANG Limin， LIN Hengcan， WU Tao. Fault detection system for textile machinery based on RFID［J］." Computer Applications and Software，2017，34（3）：119-122.

［10］倪遠，劉廣喜.環錠紡紗條監測技術應用與發展［J］. 紡織器材，2023，50（1）：15-22.

NI Yuan， LIU Guangxi. Application and development of yarn sliver monitoring technology of ring spinning［J］." Textile Accessories，2023，50（1）：15-22.

［11］趙楠楠，王素英，周義德，等.現代紡紗廠能耗量化分析與節能措施［J］. 棉紡織技術，2023，51（6）：48-52.

ZHAO Nannan， WANG Suying， ZHOU Yide， et al. Energy consumption quantitative analysis and energy-saving measures in modern spinning mill［J］." Cotton Textile Technology，2023，51（6）：48-52.

［12］邵景峰，馬創濤.一種多工序知識關聯的紡紗質量智能控制模型［J］. 控制理論與應用，2018，35（6）：840-849.

SHAO Jingfeng， MA Chuangtao. Intelligent control model for yarn quality based on multi-process knowledge associa-tion［J］." Control Theory amp; Applications，2018，35（6）：840-849.

［13］程隆棣，張潔，張紅霞，等.棉紡智能化紡紗關鍵技術芻議［J］. 紡織導報，2021，（6）：47-48，50-53.

CHENG Longdi， ZHANG Jie， ZHANG Hongxia， et al. Discussion on the key technology of intelligent cotton spinning［J］." China Textile Leader，2021，（6）：47-48，50-53.

［14］侯芝富，朱春光，宋圣山.差別化纖維的紡紗質量控制要點［J］. 棉紡織技術，2020，48（9）：43-47.

HOU Zhifu， ZHU Chunguang， SONG Shengshan. Differential fiber spinning quality control key points［J］." Cotton Textile Technology，2020，48（9）：43-47.

［15］陶飛，劉蔚然，張萌，等.數字孿生五維模型及十大領域應用［J］. 計算機集成制造系統，2019，25（1）：1-18.

TAO Fei， LIU Weiran， ZHANG Meng， et al. Five-dimension digital twin model and its ten applications［J］." Computer Integrated Manufacturing Systems，2019，25（1）：1-18.

［16］ROMERO D， WUEST T， HARIK R， et al. Towards a cyber-physical PLM environment： The role of digital product models， intelligent products， digital twins， product avatars and digital shadows［J］." IFAC-PapersOnLine，2020，53（2）：10911-10916.

［17］KHERBACHE M， AHMED M， MAIMOUR M， et al. Constructing a Network Digital Twin through formal modeling： Tackling the virtual-real mapping challenge in IIoT networks［J］." Internet of Things，2023，24：101000.

［18］DONG L， HU T， YUE P， et al. A product performance rapid simulation approach driven by digital twin data： Part 1. For variable product structures［J］." Advanced Eng-ineering Informatics，2024，59：102337.

［19］ZUO Y， YOU H， ZOU X， et al. Digital twin enhanced quality prediction method of powder compaction process［J］." Robotics and Computer-Integrated Manufacturing，2024，89：102762.

［20］LOHAMN W， CORNELISSEN H， BORST J， et al. Building digital twins of cities using the Inter Model Broker framework［J］." Future Generation Computer Systems，2023，148：501-513.

［21］LAREYRE F， ADAM C， CARRIER M， et al. Using digital twins for precision medicine in vascular surgery［J］." Annals of Vascular Surgery，2020，67：e577-e578.

［22］AGGARWAL P， NARWAL B， PUROHIT S， et al. BPADTA： Blockchain-based privacy-preserving authentication scheme for digital twin empowered aerospace industry［J］." Computers and Electrical Engineering，2023，111：108889.

［23］張霖，陸涵.從建模仿真看數字孿生［J］. 系統仿真學報，2021，33（5）：995-1007.

ZHANG Lin， LU Han. Discussing digital twin from of modeling and simulation［J］." Journal of System Simula-tion，2021，33（5）：995-1007.

［24］TAO F， QI Q， WANG L， et al. Digital twins and cyber-physical systems toward smart manufacturing and industry 4.0： correlation and comparison［J］." Engineering，2019，5（4）：653-661.

［25］FULLER A， FAN Z， DAY C， et al. Digital twin： Enabling technologies， challenges and open research［J］." IEEE Access，2020，8：108952-108971.

［26］PEREZ-VEREDA A， HERVAS R， CANAL C. Digital avatars： A programming framework for personalized human interactions through virtual profiles［J］." Pervasive and Mobile Computing，2022，87：101718.

［27］LIU S， LU Y， SHEN X， et al. A digital thread-driven distributed collaboration mechanism between digital twin manufacturing units［J］." Journal of Manufacturing Systems，2023，68：145-159.

［28］鄭小虎，張潔.數字孿生技術在紡織智能工廠中的應用探索［J］. 紡織導報，2019，（3）：37-41.

ZHENG Xiaohu， ZHANG Jie. Application of digital twin technology in textile intelligent factory［J］." China Textile Leader，2019（3）：37-41.

［29］李新榮，韓鵬輝，李瑞芬，等.數字孿生在紡紗領域應用的關鍵技術解析［J］. 紡織學報，2023，44（10）：214-222.

LI Xinrong， HAN Penghui， LI Ruifen， et al. Review and analysis on key technology of digital twin in spinning field［J］." Journal of Textile Research，2023，44（10）：214-222.

［30］武臣，薛元，徐志武，等.紡紗過程的數字孿生技術及其智能控制模式實踐［J］. 毛紡科技，2021，49（8）：82-90.

WU Chen， XUE Yuan， XU Zhiwu， et al. Digital twinning technology of spinning process and practice of its intelligent control mode［J］." Wool Textile Journal，2021，49（8）：82-90.

［31］張保威，焦帥帥，江豪.基于數字孿生的紡紗車間可視化管控系統開發及應用［J/OL］. 棉紡織技術，1-6［2024-06-03］. http：//kns.cnki.net/kcms/detail/61.1132.TS.20240311.1452.004.html.

ZHANG Baowei， JIAO Shuaishuai， JIANG Hao. Development and application of visual control system for spinning workshop based on digital twin［J/OL］. Cotton Textile Technology， 1-6［2024-06-03］. http：//kns.cnki.net/kcms/detail/61.1132.TS.20240311.1452.004.html.

［32］袁春妹.北自科技：釋放數字孿生效能［J］. 紡織機械，2022，（3）：48-49.

YUAN Chunmei. Beizi technology： Unleashing digital twin efficiency［J］." Textile Machinery，2022，（3）：48-49.

［33］陸劍峰，徐煜昊，夏路遙，等.數字孿生支持下的設備故障預測與健康管理方法綜述［J］. 自動化儀表，2022，43（6）：1-7.

LU Jianfeng， XU Yuhao， XIA Luyao， et al. Review of digital twin-enabled device prognostics and health manage-ment approaches［J］." Process Automation Instrumentation，2022，43（6）：1-7.

［34］TAO F， ZHANG M， LIU Y S， et al. Digital twin driven prognostics and health management for complex equipment［J］." CIRP Annals，2018，67（1）：169-172.

［35］任堯，袁嫣紅，向忠.非接觸式斷紗檢測系統設計［J］. 浙江理工大學學報（自然科學版），2018，39（2）：200-205.

REN Yao， YUAN Yanhong， XIANG Zhong. Design of non-contact yarn break detection system［J］." Journal of Zhejiang Sci-Tech University（Natural Sciences Edition），2018，39（2）：200-205.

［36］徐偉鋒，胡俊武，祝新軍，等.機器視覺在智能化紡紗生產中的應用現狀［J］. 棉紡織技術，2022，50（5）：71-74.

XU Weifeng， HU Junwu， ZHU Xinjun， et al. Application status of machine vision in intelligent spinning production［J］." Cotton Textile Technology，2022，50（5）：71-74.

［37］呂競則，戴寧，胡旭東，等.靜電荷感應式斷紗傳感器設計［J］. 現代紡織技術，2024，32（3）：14-20.

L Jingze， DAI Ning， HU Xudong， et al. Design of electrostatic charge-induced yarn breakage sensors［J］." Advanced Textile Technology，2024，32（3）：14-20.

［38］朱明玲，王直杰，鄭麗霞.改進的小波變換在羅拉故障診斷中的應用［J］. 自動化儀表，2011，32（3）：36-38.

ZHU Mingling， WANG Zhijie， ZHENG Lixia. Applica-tion of improved wavelet transform in the roller fault diagnosis［J］." Process Automation Instrumentation，2011，32（3）：36-38.

［39］侯平智，唐飛平，吳鋒.基于SVM算法的環錠紡紗機鋼絲圈故障診斷［J］. 杭州電子科技大學學報，2017，37（4）：47-52.

HOU Pingzhi， TANG Feiping， WU Feng. Fault diagnosis of ring spinning frame based on SVM algorithm［J］." Journal of Hangzhou Dianzi University，2017，37（4）：47-52.

［40］陳宇航，李正平，肖雷.基于FFT-1D-CNN的細紗機羅拉軸承故障診斷［J］. 棉紡織技術，2023，51（1）：16-21.

CHEN Yuhang， LI Zhengping， XIAO Lei. Fault diagnosis of roller bearing in spinning frame based on FFT-1D-CNN［J］." Cotton Textile Technology，2023，51（1）：16-21.

［41］陳京威，羅維平.PHM技術在紡織機械設備管理中的應用［J］. 武漢紡織大學學報，2022，35（1）：10-14.

CHEN Jingwei， LUO Weiping. The application of PHM technology in textile machinery and equipment manage-ment［J］." Journal of Wuhan Textile University，2022，35（1）：10-14.

［42］GHAHARI F， MALEKGHAINI N， EBRAHIMIAN H， et al.Bridge digital twinning using an output-only Bayesian model updating method and recorded seismic measure-ments［J］." Sensors （Basel， Switzerland），2022，22（3）：1278.

［43］LI T， CHEN J， YUAN S， et al. Particle filter-based fatigue damage prognosis by fusing multiple degradation models［J］." Structural Health Monitoring，2024：14759217231216697.

［44］HUANG X， XIE T， LUO S， et al. Incremental learning with multi-fidelity information fusion for digital twin-driven bearing fault diagnosis［J］." Engineering Applications of Artificial Intelligence，2024，133：108212.

［45］WU T， YANG F， FAROOQ U， et al. An online learning method for constructing self-update digital twin model of power transformer temperature prediction［J］." Applied Thermal Engineering，2024，237：121728.

［46］PAN Y， BRAUN A， BRILAKIS I， et al. Enriching geometric digital twins of buildings with small objects by fusing laser scanning and AI-based image recognition［J］." Automation in Construction，2022，140：104375.

［47］韓江洪，杜兆芳，劉小平，等.基于混合Petri網建模的紡織生產調度研究［J］. 系統仿真學報，2008，20（24）：6839-6842.

HAN Jianghong， DU Zhaofang， LIU Xiaoping， et al. Research on textile production scheduling problems based on hybrid petri net［J］." Journal of System Simulation，2008，20（24）：6839-6842.

［48］WANG J， FENG G H， YU W D. Research in Virtual Cotton Spinning Process based on CAPN［C］//procee-dings of the IMECS 2015， Hongkong，2015：248-252.

［49］孟亞勇，曹繼鵬，韓賢國，等.有限元分析在紡紗領域的應用研究進展［J］. 毛紡科技，2022，50（7）：113-120.

MENG Yayong， CAO Jipeng， HAN Xianguo， et al. Research and development progress in the application of finite element analysis in spinning［J］." Wool Textile Journal，2022，50（7）：113-120.

［50］錢成，劉燕卿，劉新金，等.四羅拉集聚紡紗系統纖維運動數值模擬與分析［J］. 紡織學報，2020，41（3）：39-44.

QIAN Cheng， LIU Yanqing， LIU Xinjin， et al. Simulation and analysis of trajectory of fiber in a four-roller compact spinning system［J］." Journal of Textile Research，2020，41（3）：39-44.

［51］肖立志.機器學習數據驅動與機理模型融合及可解釋性問題［J］. 石油物探，2022，61（2）：205-212.

XIAO Lizhi. The fusion of data-driven machine learning with mechanism models and interpretability issues［J］." Geophysical Prospecting for Petroleum，2022，61（2）：205-212.

［52］YIN Y， ZHENG P， LI C， et al. A state-of-the-art survey on Augmented Reality-assisted Digital Twin for futuristic human-centric industry transformation［J］." Robotics and Computer-Integrated Manufacturing，2023，81：102515.

［53］SCHEFFER S， MARTINETTI A， DAMGRAVE R G， et al. Supporting maintenance operators using augmented reality decision-making： Visualize， guide， decide amp; track［J］." Procedia CIRP，2023，119：782-787.

［54］ESCHEN H， KTTER T， RODECK R， et al. Augmented and virtual reality for inspection and maintenance proce-sses in the aviation industry［J］." Procedia Manufacturing，2018，19：156-163.

［55］ESWARAN M， RAJU BAHUBALENDRUNI M V A. Augmented reality aided object mapping for worker assistance/training in an industrial assembly context： Exploration of affordance with existing guidance techniques［J］. "Computers amp; Industrial Engineering，2023，185：109663.

［56］王宇希，張鳳軍，劉越.增強現實技術研究現狀及發展趨勢［J］. 科技導報，2018，36（10）：75-83.

WANG Yuxi， ZHANG Fengjun， LIU Yue. Augmented reality technology［J］." Science amp; Technology Review，2018，36（10）：75-83.

［57］崔月敏，程隆棣，和杉杉，等.基于循環迭代法的牽伸區纖維運動仿真模擬［J］. 紡織學報，2023，44（2）：76-82.

CUI Yuemin， CHENG Longdi， HE Shanshan， et al. Simulation of fiber motion in drafting zone based on cyclic iterative method［J］." Journal of Textile Research，2023，44（2）：76-82.

［58］邱海飛.氣流紡轉杯紡紗通道三維內流場數值模擬［J］. 絲綢，2021，58（4）：36-42.

QIU Haifei. Numerical simulation of three-dimensional internal flow field in the spinning channel on rotor spinning unit［J］." Journal of Silk，2021，58（4）：36-42.

Exploring intelligent spinning applications from the perspective of digital twins

CHEN" Mingliang^{1，2，3，4}，" ZHANG" Junhui^{1，2，3，4}，" QIAN" Yuhan^2，3，4，" LIU" Yuxi^2，3，4，" LIU" Junze^2，3，4

（1.School of Electrical and Automatic Engineering， Changshu Institute of Technology， Suzhou 215500， China;

2.Wuxi Internet of Things Innovation Center Co.， Ltd.， Wuxi 214029， China;

3.Institute of Microelectronic Technology of Kunshan， Suzhou 215347， China;

4.Jiangsu Internet of Things Innovation Center Kunshan Branch， Suzhou 215347， China）

Abstract：

Intelligent spinning， as a key path for the modernization and automation evolution of the textile industry， aims to improve the efficiency， quality， and flexibility of the spinning process by integrating advanced automation technology， information technology， and intelligent control systems. Its development has undergone multiple critical stages from mechanical automation to intelligent control. Initially， innovations in devices such as ring spinning machines and air-jet spinning machines achieved operational automation， significantly boosting production efficiency. Subsequently， the introduction of computer control technology marked the phase of semi-automation and localized intelligence. Entering the stage of intelligent control， the application of information technology， sensor technology， and artificial intelligence enabled real-time monitoring， data analysis， and automatic optimization of the spinning process， driving the industry towards high efficiency， stability， and intelligence.

Digital twin technology has become a revolutionary concept since it was first introduced by Michael Grieves in his Product Lifecycle Management （PLM） course in 2002. The core of this technology lies in building a virtual model of physical entities to achieve real-time monitoring， simulation， and optimization of physical entities. With the advent of Industry 4.0， digital twin technology has been widely applied in various industries， including energy， healthcare， urban management， etc. Its application scenarios have expanded from a single device to the entire production line and even the entire supply chain. The combination of data analysis and artificial intelligence technology enables digital twin systems to perform more complex simulations and predictions. In the context of the development of intelligent spinning， the introduction of digital twin technology has brought new opportunities and transformations. This paper explores the implementation strategies of digital twin technology in intelligent spinning， including the architecture and core technical components of the digital twin system in spinning factories. Specifically， it delineates the components of geometric， logical， and decision models in multi-dimensional modeling， along with specific modeling steps. In terms of equipment fault prediction and health management， the paper emphasizes the advantages of integrating digital twin technology with Prognostics and Health Management （PHM） systems， and analyzes methods for achieving consistency between virtual and real data and iterative optimization of models. Furthermore， the integration of Augmented Reality （AR） visualization management systems with digital twin technology creates advanced data presentation methods， detailing the implementation of key technologies such as tracking registration， virtual-real fusion， and human-machine interaction in AR systems.

The deep integration of digital twin technology and spinning will bring more efficient， intelligent， and sustainable production methods to the textile industry. In the future， the application of digital twin technology will focus on enhancing precise modeling， refining mechanistic models， improving the accuracy of predictive mainten-ance， and strengthening data interaction security， to continuously advance its implementation in the spinning field.

Keywords：

digital twin; intelligent spinning; prognostics and health management; augmented reality; multi-dimensional modeling; intelligent factory