紡紗車間能源監控平臺研究與實現

摘 要：針對傳統紡紗車間能耗信息不透明、能源管理粗放等問題，設計一種基于物聯網和大數據技術的車間能源監控平臺。基于智能儀表、LoRa無線傳輸技術等建立能耗數據物聯監測網絡；基于大數據技術實現海量能耗數據協同集成、分類存儲和分布式計算；基于VMD-PSO-LSTM算法構建能耗數據預測模型，該模型相比于BP、LSTM、PSO-LSTM、VMD-LSTM等實現了更高精度的設備能耗多步預測；基于Java語言、SpringBoot框架、Vue框架等開發了前后端分離架構的能源監控系統。研究實現了車間能耗數據的及時采集、全面監測、準確預測和有效管理，對于傳統紡紗企業低碳減排、數字化轉型有一定應用價值。

關鍵詞：能源監控；大數據技術；紡紗車間；LoRa；VMD；LSTM

中圖分類號：TS111.8

文獻標志碼：A

文章編號：1009-265X（2025）02-0107-11

隨著全球工業化進程加速、資源日益緊缺和市場競爭加劇，紡織行業迎來了一個關鍵轉型期，政策引導和競爭需求都推動行業向數字化、智能化、綠色化方向邁進。就行業導向而言，《紡織行業“十四五”發展綱要》及《紡織行業數字化轉型三年行動計劃（2022—2024年）》的出臺，堅定了紡織工業與互聯網、大數據、人工智能等智能制造技術深度融合的前進方向。就諸多傳統紡紗企業現狀而言，其能耗數據仍舊依靠人工抄表采集、人工分析計算。數據采集不及時且不全面，人工計算效率低且易出錯。這導致企業能源消耗情況難以掌握，能源浪費問題難以發現和解決，能源管理水平和生產效率受到制約。

隨著制造企業數字化的興起，能源監控系統成為傳統工業企業解決能源浪費問題、進行智能化轉型、提高競爭力的有效方式，得到了廣泛的關注與研究。丁承君等^［1］基于物聯網技術實現了能耗信息的智能監測，采取基于遺傳算法優化的長短期記憶網絡（GA-LSTM）的云霧融合模型實現了企業能耗值預測。陳雪斌等^［2］面向高耗能鋁箔車間，設計了一種基于LoRa傳輸的企業能耗監測與預測系統。焦瑀陽等^［3］立足鍛造車間數據多源異構特性和數據孤島問題，采用OPC UA架構設計了能耗數據采集與監管系統。張琦等^［4］設計了一套鋼鐵企業智慧能源管控系統，探討了其能源管理、能效評估、能源供需預測等功能。童世華^［5］從遠程監測管理角度出發，以獲取設備實時能耗信息為目的，設計了數控加工車間能耗監測系統。

上述研究實現了能耗監測的基本功能需求，但在紡紗工業中，此類研究的具體應用案例仍舊很少。另外，隨著傳感器、數據采集裝置等的快速應用，能耗相關數據采集點位增多（多達成百上千個）、采集頻率提高（達到分鐘級甚至秒級）、數據類型豐富（包括環境、設備運行數據等），蘊含著識別異常、降本增效等實際價值，具備了體量大、實時性強、多樣性廣、蘊藏價值的大數據特點。因此，本文立足新疆某紡紗企業現狀，針對紡紗工業中能源監控系統的實際應用問題及海量能耗相關數據的采集和處理問題，結合物聯網及大數據技術，設計一種能源監控平臺，以期實現能耗數據采集與監測、分布式存儲與計算、分析與預測等功能。

1 平臺總體架構設計

為實現平臺各項功能，本文從總體架構設計出發，充分考慮了紡紗車間設備情況及能源數據的采集、存儲、分析和應用的全流程需求，設計了具有主體設備層、物聯感知層、大數據平臺層、應用管理層4個層次的平臺架構，具體如圖1所示。

1.1 主體設備層

以新疆H企業紡紗車間為例，其具備抓棉、清花、梳棉、并條、粗紗、細紗、絡筒等關鍵工序，整體劃分為前紡、細紗、后紡3大車間。具體工藝流程及車間劃分如圖2所示。

基于以上工藝流程，可將紡紗車間日常運行能源消耗主要分為生產設備用電、輔助設備用電、用水3部分。生產設備主要包括抓棉機、清梳聯合機、梳棉機、并條機、粗紗機、細紗機、絡筒機等，可占據8成以上的車間耗電量。輔助設備主要包括照明裝置、空調設備、空壓機、濾塵機等。車間使用水來調節溫度和濕度，以確保產品質量。

1.2 物聯感知層

物聯感知層是獲取紡紗車間能耗數據的關鍵，主要通過在車間內部署多種物聯設備來捕獲關鍵能源消耗信息。采用分區域、分層級、分設備安裝的智能電表、水表、采集終端、互感器等，實現對車間中不同層次的用電量、用水量數據的采集和監控，為進一步的能耗分析和預測提供堅實的數據基礎。

1.3 大數據平臺層

大數據平臺層集成了處理能耗數據所需的多種大數據技術和組件，針對能耗數據采集頻率較高、數據量較大、增長較快等特點，可以實現對能耗數據的快速集成、分層存儲和高效計算。本文涉及的大數據技術基于Hadoop生態，包括HDFS（分布式文件系統）、HBase（非關系型分布式數據庫）、Spark（分布式計算框架）、Kafka（分布式消息隊列）等，涵蓋能耗數據集成、儲存、計算3個主要階段。

1.4 應用管理層

應用管理層主要利用軟件開發技術構建監控系統，主要實現紡紗生產流程中不同設備、工序、車間的傳感器管理、能耗監測、能耗分析、能耗預測、數據可視化等功能。通過對能耗數據的實時監控和分析，可以實現紡紗車間能耗信息透明化，有助于發現生產過程中的設備異常、能耗熱點、浪費環節等，進而采取優化措施，提高能源使用效率。

2 關鍵技術

為確保上述能源監控平臺各層次協同運作進而實現主要功能，需要一系列關鍵技術的運用和步驟的執行。本文主要應用基于智能儀表、LoRa、MQTT的數據采集技術；基于DataX、Flume、Kafka的數據集成方法；基于HDFS-HBase-MySQL的數據存儲策略；基于Spark的數據計算方法。

2.1 數據采集

LoRa無線傳輸技術具備遠距離、易部署、高容量、低功耗、低成本等特點，本文將其用于紡紗車間能耗數據采集和監控。具體采集方式為：智能儀表與L8DTU數據采集單元有線連接，能耗信息通過RS-485協議由計量儀表傳輸到采集終端，接著遠距離無線傳輸到LoRaWAN網關，隨后結合MQTT通訊協議傳輸數據并進行數據解析和處理，將消息內容解碼成可讀的格式，分類存儲到平臺服務器，進而集成到大數據平臺，最終實現遠距離、低功耗的數據采集和實時監控。數據傳輸流程如圖3所示。

2.2 數據集成

紡紗生產過程中能耗相關數據可分為歷史數據和新增數據。歷史數據儲存于MES系統數據庫、網絡服務器等位置，采用DataX（離線數據同步工具）可靈活、穩定地實現能耗相關數據在Oracle、MySQL、HDFS、HBase等之間的大規模數據同步。新增數據主要是傳感器不斷采集的數據以及設備運行數據，其中紡紗設備運行日志數據可以通過Flume（日志數據同步工具）簡便、實時地同步至HDFS分布式文件系統。對于流式數據，可采用Kafka（分布式消息中間件）進行收發和實時轉換，實現日志聚合、流數據傳輸功能。ETL是對能耗數據去除重復、處理缺失、轉換類型等，并且加載到目標數據庫中，以便于進行后續分析計算。

2.3 數據存儲

本文采用HDFS-HBase-MySQL存儲架構，實現了生產過程海量能耗相關數據的分類存儲，架構如圖4所示。

采用HDFS可存儲紡紗過程中的大量文件數據，包括原始能耗文件數據、設備日志數據、車間文件數據等。采用HBase可實現需要快速訪問的能耗數據的及時讀寫以及分布式、持久化存儲。采用MySQL存儲經過整理的、結構化良好的數據，便于執行復雜的查詢和業務應用。可將從HDFS及HBase中處理、提取的數據定期匯總在MySQL中，用于進一步地分析和支持決策。Hive（數據倉庫）使得用戶可以通過熟悉的SQL語句來查詢、匯總、分析HDFS中的大量數據。HDFS、HBase、MySQL、Hive的綜合應用為能耗數據管理提供了一個全面的、多層次的存儲和分析架構，能夠滿足不同的業務需求和數據處理場景。

2.4 數據計算

Apache Spark是基于Hadoop的大數據處理框架，它旨在解決MapReduce（映射歸約）處理大量數據執行模式低效、實時響應能力較差等缺陷。其使用內存計算、保持和共享數據，能夠以低磁盤IO開銷進行分布式計算，具有較高的處理速度和容錯性。王中鋒^［6］曾采用Spark實現了紡織生產設備電耗分析效率的提升。Spark生態較為完善，運用較為靈活，具體如圖5所示。

本文采用Spark的Yarn運行模式，利用Yarn（另一種資源協調器）使得Spark有效利用集群資源，不必再構建Spark集群。針對能耗數據批處理需求，本文采用Spark取代MapReduce作為計算引擎，使用SparkSQL執行批量分析，集成Hive和Spark，使得Hive能夠以更快的速度、更低的延遲執行SQL查詢。針對能耗數據流處理需求，本文采取基于Kafka和Spark Streaming的端到端的流式處理方式，契合能耗數據產生快、實時性強、數據量大的特點。Spark MLlib實現了主流的機器學習算法，可用于對能耗數據做更加深入、細致的計算分析。此外，Spark支持Scala、Java、Python等語言，尤其是PySpark（Spark的Python接口）可以發揮Python語言的易讀性和簡潔性，應用各種機器學習算法進行模型訓練、能耗預測、能效優化等高級計算。

3 基于VMD-PSO-LSTM的能耗預測模型

為紡紗企業有效規劃能源采購和使用、減少不必要的能源消耗、優化生產流程、預防設備故障、獲取決策依據等，充分利用已有數據進行能耗分析和預測是一個有效方式。陸應康等^［7］對原始能耗數據進行時序分解，對其周期、長期趨勢成分進行建模并結合卷積神經網絡實現了涂裝車間能耗預測。劉涵等^［8］利用改進粒子群算法優化的注意力機制長短期記憶網絡（IPSO-AM-LSTM）實現了飛機地面空調能耗預測。秦耀凱等^［9］利用鯨魚優化算法優化的BP神經網絡實現了家具生產車間電力預測。徐巖等^［10］采用粒子群算法優化的變分模態分解（VMD）得到更佳效果的分解子序列，并結合門控循環單元（GRU）實現了更準確的短期電力負荷預測。孫寧可等^［11］提出了一種基于經驗模態分解-粒子群優化-長短期記憶網絡（EMD-PSO-LSTM）的電力能耗預測模型。結合以上學者的研究以及紡紗車間實際，本文提出一種基于變分模態分解-粒子群優化-長短期記憶網絡（VMD-PSO-LSTM）算法的能耗預測模型。

3.1 VMD變分模態分解

由于獲取的能耗數據在時間序列上存在非線性、非平穩性特征，直接將其用于模型訓練取得的效果并不理想。因此考慮采取信號處理方法如經驗模態分解（EMD）、變分模態分解（VMD）將原始數據分解為子序列并針對子序列建模以獲取更優的模型精度。

VMD由K.Dragomiretskiy等人于2014年提出，是一種在EMD基礎上改進的自適應非線性信號處理方法，通過解決約束變分問題實現模態分解^［12］。該方法旨在從復雜信號中提取一系列能夠反映信號中的固有特征和結構的本征模態函數（Intrinsic

Mode Functions，IMFs），每個IMF代表信號中的1個特定頻率范圍的成分，且各自對應不同的時間尺度。相比于EMD，VMD的優勢在于可自行調節模態分量個數，具有更好的自適應能力和模態分解能力，能夠將不同頻率信號分解到不同的IMFs中，克服模態混疊現象（不同頻率信號成分被錯誤地分配到同一個IMF中），有效地應對信號中的時變性和非線性特點^［13-15］。此外，該方法還具有更穩定的分析結果及更高的計算效率。

VMD通過最小化原始信號與重構信號的差異，同時最大化各模態分量的帶寬，來實現對信號的高效分解。其首先定義一個約束變分問題將原始信號f（t）分解為K個IMF分量，各模態集合為｛uk｝，其中每個uk（t）都有一個中心頻率，頻率集合為｛ωk｝。具體目標函數如式（1）所示：

min｛uk｝，｛ωk｝∑Kk=1‖tδ（t）+jπt*uk（t）e^-jωkt‖22

s.t. ∑Kk=1uk=f（t）（1）

式中： t為對時間求偏導，δ（t）為沖擊函數，j為虛數單位，“*”代表卷積過程。

接著引入拉格朗日乘子λ（t）和懲罰因子α將原始約束變分問題轉化成非約束變分問題以便于求解，如式（2）所示：

L（｛uk｝，｛ωk｝，λ）=α∑Kk=1‖tδ（t）+jπt*uk（t）e^-jωkt‖22

+‖f（t）-∑Kk=1uk（t）‖22+〈λ（t），f（t）-kμk（t）〉（2）

進而進行傅里葉變換、利用乘子交替方向法更新參數，如式（3）—（5）所示：

u^ⁿ⁺¹k（ω）=f^（ω）-∑i≠ku^i（ω）+λ^（ω）21+2α（ω-ωk）2（3）

ωⁿ⁺¹k=∫∞0ωu^k（ω）2dω∫∞0u^k（ω）2dω（4）

λ^ⁿ⁺¹（ω）=λ^n（ω）+τf^（ω）-∑Kk=1u^ⁿ⁺¹k（ω）（5）

最后運用精度收斂判據使得結果滿足要求，如式（6）所示：

∑Kk=1‖u^ⁿ⁺¹k-u^nk‖22‖u^nk‖22lt;ε（εgt;0）（6）

式中：u^ⁿ⁺¹k（ω）、f^（ω）、u^i（ω）、λ^（ω）分別為uⁿ⁺¹k（t）、f（t）、ui（t）、λ（t）的傅里葉變換，n為迭代次數、τ為拉格朗日乘子更新率，ε為收斂容差。基于以上計算過程，VMD可實現能耗數據分解，更好地發現數據中的周期性、趨勢和異常模式，為后續能耗預測奠定可靠基礎。

3.2 LSTM長短期記憶神經網絡

LSTM（Long Short-Term Memory）是一種特殊的循環神經網絡（RNN），其引入門控機制（包括遺忘門、輸入門、輸出門）調節神經網絡的信息流動過程。其當前神經元會留下部分信息作為下一個神經元的輸入，依此類推，解決了傳統RNN在處理長序列數據時遇到的梯度消失和爆炸問題，適合處理時間序列數據，能夠捕捉長期依賴關系，適用于非線性能耗數據的預測任務。LSTM網絡結構如圖6所示。

遺忘門根據xt和ht-1決定ct-1的保留程度，如式（7）所示：

ft=σWf·［ht-1，xt］+bf（7）

輸入門根據xt和ht-1控制加入本單元ct的信息并生成候選的新單元信息，如式（8）和式（9）所示：

it=σWi·［ht-1，xt］+bi（8）

c～t=tanh（Wc·［ht-1，xt］+bc）（9）

單元狀態更新根據遺忘門和輸入門選擇性記錄新信息到ct，如式（10）所示：

ct=ftct-1+itc～t（10）

輸出門決定ct中的被輸出信息并計算當前時間步的隱藏狀態，如式（11）和式（12）所示：

ot=σWo·［ht-1，xt］+bo（11）

ht=ottanh（ct）（12）

式中：ft、it、ot分別為遺忘門、輸入門、輸出門的輸出值；c～t、ct分別為輸入候選單元狀態和更新后的單元狀態；ht-1、ht為前一時間步隱藏狀態和最終隱藏狀態；Wf、Wi、Wc、Wo為權重矩陣；bf、bi、bc、bo為偏置向量；σ和tanh為Sigmoid函數和Tanh函數，分別具有決定保留信息和調節流經網絡值的作用。

3.3 VMD-PSO-LSTM預測模型構建

LSTM 神經網絡中隱藏層神經元數量、丟棄概率、批大小、學習率等超參數值的設置往往對預測結果有較大的影響，僅依靠經驗設置缺乏嚴謹性且難以獲得較好的結果。因此研究采取粒子群優化算法（PSO）對LSTM關鍵超參數進行優化。

PSO是一種受鳥群覓食行為啟發誕生的智能優化算法，其核心思想是模擬一群粒子在多維空間中尋找最優位置的過程。每個粒子代表一個潛在解，粒子參考群體最優解和自身最優解更新自己的位置和速度，不斷迭代優化，從而逐漸接近全局最優解。對于第i個粒子，在第d個維度上，算法的速度、位置更新公式如下：

vi，d（t+1）=w·vi，d（t）+c1·r1·［pi，d-xi，d（t）］

+c2·r2·［gd-xi，d（t）］（13）

xi，d（t+1）=xi，d（t）+vi，d（t+1）（14）

式中：vi，d（t）、xi，d（t）分別為第t次迭代時粒子i在第d維上的速度和位置；w為慣性權重，可控制粒子保持原運動狀態的程度；c1、c2為加速常數，分別表示粒子對自身經驗和群體經驗的信任程度；r1、r2為［0，1］區間內的隨機數；pi，d為粒子i在第 d 維上的個人最佳位置；gd為群體在第 d 維上的全局最佳位置。PSO計算流程包括初始化、評估適應度、更新個體和全局極值、更新粒子速度和位置、迭代等步驟，具備模型簡單、參數較少、全局搜索能力強、無需梯度信息等優勢。

結合以上基本理論，構建VMD-PSO-LSTM能耗預測模型步驟如下，模型示意如圖7所示。

a）獲取能耗數據及與能耗滿足一定相關性條件的其他特征數據并進行預處理。

b）使用VMD分解算法對能耗數據集分解處理。

c）將能耗數據模態分量和原始數據集重構，按照7∶3劃分為訓練集和測試集，并對數據集歸一化處理。

d）利用PSO算法對LSTM的隱層神經元數目、學習率、丟棄率、批大小等關鍵超參數進行尋優。

e）LSTM神經網絡獲取優化后的參數并以此為基礎對不同模態分別構建能耗預測模型。

f）將最優參數下的各模態LSTM預測結果進行疊加，得到最終能耗數據多步預測結果。

4 能耗預測實驗與系統實現

搭建能源監控平臺主要涉及的硬件有智能電表-SFERE720s、智能電表-PD194Z-9WD、智能水表-LXLC-DN系列、LoRa模塊-L8DTU、LoRa網關-RAK7249、服務器等；主要涉及的軟件有Hadoop-3.1.3、DataX-3.0、Flume-1.9.0、Kafka-3.0.0、Hive-3.1.2、HBase-2.4.11、MySQL-5.7.16、Spark-3.0.0、DolphinScheduler-2.0.5、ZooKeeper-3.5.9、Jdk-1.8.0等。通過軟硬件協作，可實現車間能源數據的采集和管理，為數據實驗及系統開發奠定數據基礎。

4.1 能耗預測實驗

通過考察得知，新疆H企業紡紗生產過程中細紗車間能耗占比達58.97%，該車間中細紗機耗能占比高達88.27%，因此采用某臺細紗機的耗電量數據及相關運行數據驗證VMD-PSO-LSTM預測模型。選取2022年4月1日起設備正常運行工況下每小時耗電量數據。進而通過Pearson相關性分析，選擇與能耗數據相關性較高的設備單位小時紗線產量、平均紡紗速度、平均錠子轉速、平均瞬時功率，具體相關性如圖8所示。經過整合、去異常、平滑曲線等處理后得到12000條數據，將其作為模型輸入數據，進行后續1至6 h的能耗預測。

根據數據特性和應用需求，選擇K值為3，將能耗數據分解成3個模態函數，分解數據如圖9所示。

將分解所得模態函數輸入LSTM神經網絡分別計算。LSTM基本設定為：采用過去48 h的數據預測未來1 h至6 h的數據，選取SELU激活函數、Adam優化器及4折交叉驗證方法，設置丟棄率為20%，批處理大小為48，訓練輪數為50輪。選取LSTM隱層神經元數量和學習率進行PSO尋優，優化結果如表1所示。

采取優化參數分別對3個模態進行LSTM神經網絡訓練，疊加重構分量結果，即可得到最終能耗預測值。選用均方根誤差（RMSE）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、決定系數（R2）作為模型評價指標，各算法模型多步能耗預測評價指標對比如表2所示。

選取預測效果較好的VMD-LSTM、VMD-PSO-LSTM兩算法繪制多步能耗值預測曲線，其在部分樣本上的預測效果分別如圖10、圖11所示。多個模型單步預測效果對比如圖12所示。

結合表2及上系列圖可知，使用VMD對原始能耗數據進行模態分解后，VMD-LSTM模型的預測精" 度相比于LSTM有較大幅度的提高，表明VMD算法對于原始能耗數據具有較好的降低復雜度、去除噪聲、提取特征作用。再結合PSO算法優化LSTM關鍵超參數，VMD-PSO-LSTM算法取得了更好的預測效果，單步平均預測誤差相比于LSTM降低了74.50%，相比于VMD-LSTM降低了39.07%。算法1步、3步、6步預測R2分別達到了0.9820、0.9642、0.9151，對于既定能耗數據的多步預測性能良好；MAPE分別為0.6758%、1.0010%、1.5661%，可以滿足工業和能源領域一般要求的10%以內的預測誤差，具備一定實用價值。

4.2 系統功能實現與測試

平臺系統基于B/S架構，采用Java語言，借助Spring Boot、Mybatis-Plus、Vue等框架開發。因篇幅限制，只展示部分模塊界面。能耗監控模塊利用Redis緩存技術確保高頻訪問數據快速響應，利用WebSocket技術確保前端可以接收到更新的能耗數據，可將歷史數據及實時數據進行分車間、分設備展示，如圖13所示。集群監控模塊集成Hadoop、Spark、Yarn等關鍵組件的WebUI界面，便于隨時查看大數據集群的運行、存儲、任務狀態及日志信息，保證各項任務及數據流正常，如圖14所示。能耗預測模塊集成了VMD-PSO-LSTM算法，可以查詢不同時間段、不同設備的能耗曲線，并對當前時間之后的用電量進行預測，如圖15所示。

最后，模擬實際操作情況對系統中主要模塊的主要功能進行測試，具體測試項目與效果如表3所示。

5 結語

本文立足新疆某傳統紡紗企業能耗信息不透明、能源管理水平低下問題，運用LoRa無線傳輸技術和智能儀表等搭建車間能耗物聯采集和傳輸網絡，實現了車間耗能數據的全面、及時采集；運用大數據生態中諸多技術和組件，實現了能耗相關數據基于DataX、Flume、Kafka的協同集成，基于HDFS-HBase-MySQL的分類存儲，基于Spark的分布式高效計算；提出一種基于VMD-PSO-LSTM算法的能耗多步預測模型，驗證表明，該算法相比于BP、LSTM、PSO-LSTM、VMD-LSTM等算法具有更高的預測精度；最終實現了具備能耗數據采集、監控、分析、預測等功能的車間能源監控平臺。

在實際應用中，數據噪聲、異常值、缺失等問題仍然存在，這些問題可能會影響后續的數據分析和預測模型的性能。所提預測模型由于較為復雜耗時相對較長，且泛化能力也有待進一步檢驗。后續研究需針對數據質量和完整性問題，研究適用的數據異常檢測和缺失值填補算法，以提高數據質量；需開展多設備、多車間的模型性能測試，探索模型參數的自適應調整策略，縮短訓練時間，增強泛化能力；需根據監控平臺發現生產過程中的設備異常、能耗熱點、浪費環節等，并采取相應優化措施，如調整設備運行參數、優化生產調度等，以提高能源使用效率。

參考文獻：

［1］丁承君， 張思前， 馮玉伯， 等. 面向工業企業的能耗智能監測系統設計［J］. 機械設計與制造， 2023（6）： 92-96.

DING Chengjun， ZHANG Siqian， FENG Yubo， et al. Intelligent monitoring system for energy consumption of industrial enterprises based on cloud and fog integration［J］. Machinery Design amp; Manufacture， 2023（6）： 92-96.

［2］陳雪斌， 袁逸萍， 財音寶音， 等. 面向鋁箔車間綜合能耗預測系統的研發與應用［J］. 制造技術與機床， 2023（9）： 80-87.

CHEN Xuebin， YUAN Yiping， CAIYIN Baoyin， et al. Development and application of a comprehensive energy consumption prediction system for aluminum foil workshops［J］. Manufacturing Technology amp; Machine Tool， 2023（9）： 80-87.

［3］焦瑀陽， 李麗， 聶華， 等. 采用OPC統一架構的鍛造車間能耗數據采集與監管系統［J］. 中國機械工程， 2021， 32（20）： 2492-2500.

JIAO Yuyang， LI Li， NIE Hua， et al. Energy consumption data collection and supervision systems of forging workshops with OPC unified architecture［J］. China Mechanical Engi-neering， 2021， 32（20）： 2492-2500.

［4］張琦， 劉帥， 徐化巖， 等. 鋼鐵企業智慧能源管控系統開發與實踐［J］. 鋼鐵， 2019， 54（10）： 125-133.

ZHANG Qi， LIU Shuai， XU Huayan， et al. Development and practice of smart energy management and control system in iron and steel works［J］. Iron amp; Steel， 2019， 54（10）： 125-133.

［5］童世華. 車間能耗實時監測系統的研究與設計［J］. 機床與液壓， 2017， 45（20）： 146-149.

TONG Shihua. Research and design of real time monitoring system of energy consumption in workshop［J］. Machine Tool amp; Hydraulics， 2017， 45（20）： 146-149.

［6］王中鋒. 基于內存計算的紡織生產設備電能耗分析方法［J］. 毛紡科技， 2017， 45（3）： 56-61.

WANG Zhongfeng. Analysis method of electrical energy consumption of production equipment in textile enterprise based on memory computing technology［J］. Wool Textile Journal， 2017， 45（3）： 56-61.

［7］陸應康， 盛步云， 張志瀚， 等. 基于時序分解與CNN的車間能耗預測方法［J］. 計算機應用與軟件， 2021， 38（6）： 339-344.

LU Yingkang， SHENG Buyun， ZHANG Zhihan， et al. Workshop energy consumption prediction method based on time series decomposition and cnn［J］. Computer Applica-tions and Software， 2021， 38（6）： 339-344.

［8］劉涵，林家泉.基于IPSO-AM-LSTM的飛機地面空調能耗預測［J］.北京航空航天大學學報，2024，50（11）：3595-3602.

LIU Han， LIN Jiaquan. Energy consumption prediction of aircraft ground air conditioning based on IPSO-AM-LSTM［J］. Journal of Beijing University of Aeronautics and Astronautics，2024，50（11）：3595-3602.

［9］秦耀凱， 陶濤， 陳星艷， 等. 基于WOA-BP神經網絡的板式定制家具車間電力預測模型［J］. 林產工業， 2023， 60（12）： 50-56.

QIN Yaokai， TAO Tao， CHEN Xingyan， et al. WOA-BP neural network-based power prediction model for panelized custom furniture workshops［J］. China Forest Products Industry， 2023， 60（12）： 50-56.

［10］徐巖， 向益鋒， 馬天祥. 基于粒子群算法優化參數的VMD-GRU短期電力負荷預測模型［J］. 華北電力大學學報（自然科學版）， 2023， 50（1）： 38-47.

XU Yan， XIANG Yifeng， MA Tianxiang. VMD-GRU short-term power load forecasting model based on optimized parameters of partical swarm algorithm［J］. Journal of North China Electric Power University （Natural Science Edition）， 2023， 50（1）： 38-47.

［11］孫寧可， 王艷， 紀志成. 基于經驗模態分解-粒子群優化-長短期記憶的車間電力能耗預測方法［J］. 南京理工大學學報， 2023， 47（2）： 238-244.

SUN Ningke， WANG Yan， JI Zhicheng. Prediction method of power consumption in workshop based on EMD-PSO-LSTM［J］. Journal of Nanjing University of Science and Technology， 2023， 47（2）： 238-244.

［12］DRAGOMIRETSKIY K， ZOSSO D. Variational mode decomposition［J］. IEEE Transactions on Signal Proces-sing， 2014， 62（3）： 531-544.

［13］王秋蓮， 歐桂雄， 徐雪嬌， 等. 基于VMD-SSA-LSTM考慮刀具磨損的數控銑床切削功率預測模型研究［J］. 中國機械工程， 2024， 35（6）： 1052-1063.

WANG Qiulian， OU Guixiong， XU Xuejiao， et al. Research on CNC milling machine cutting power prediction model considering tool wear based on VMD-SSA-LSTM［J］. China Mechanical Engineering， 2024， 35（6）： 1052-1063.

［14］李飛宏， 肖迎群. 基于VMD-GRU-EC的短期電力負荷預測方法［J］. 中國測試， 2023， 49（10）： 120-127.

LI Feihong， XIAO Yingqun. Short-term power load forecasting method based on VMD-GRU-EC［J］. China Measurement amp; Test， 2023， 49（10）： 120-127.

［15］陽曾， 丁施尹， 葉萌， 等. 基于變分模態分解和深度學習的短期電力負荷預測模型［J］. 電測與儀表， 2023， 60（2）： 126-131.

YANG Zeng， DING Shiyin， YE Meng， et al. Short-term load forecasting model based on VMD and LSTM［J］. Electrical Measurement amp; Instrumentation， 2023， 60（2）： 126-131.

Research and implementation of an energy monitoring platform for spinning workshops

JIANG" Guoqiang，" YUAN" Yiping，" CHAO" Yongsheng

（School of Mechanical Engineering， Xinjiang University， Urumqi 830017， China）

Abstract：

Against the backdrop of the accelerating global industrialization process and the increasingly scarce energy resources， the textile industry is undergoing a critical transformation phase. Driven by policy guidance and market competition， the textile industry is moving towards digitalization， intelligence and greening. However， many traditional spinning enterprises still rely on manual meter reading and analyzing and calculating energy consumption data. This method is not only inefficient but also prone to errors， making it difficult to accurately grasp workshop energy consumption and restricting the energy management capabilities and production efficiency of these enterprises.

To solve this problem， this paper proposes an energy monitoring platform for spinning workshops based on Internet of Things （IoT） and big data technology. The platform establishes an energy data IoT monitoring network through smart meters equipped with LoRa wireless transmission technology， which realizes the comprehensive and timely collection of energy data. Big data technologies， including HDFS， HBase， Spark and other components in the Hadoop ecosystem， are used to provide a multi-tiered storage and analysis architecture for energy consumption data， which ensures fast integration， efficient computation and flexible querying of data. A multi-step energy consumption prediction model based on variational modal decomposition （VMD）， particle swarm optimization （PSO）， and long-short-term memory neural network （LSTM） is proposed， and the power consumption data and relevant operational data of a spinning enterprise in Xinjiang were selected for verification is validated. The experimental results show that the model outperforms traditional algorithms such as BP， LSTM， PSO-LSTM， and VMD-LSTM in single-step， three-step， and six-step energy consumption prediction. Specifically， its single-step average prediction error is reduced by 74.50% compared to LSTM and 39.07% compared to VMD-LSTM， and the R2 values for single-step， three-step， and six-step predictions are 0.9820， 0.9642， and 0.9151， respectively， demonstrating high prediction accuracy. Finally， based on the B/S architecture， this paper has developed a Web module， integrating functions such as real-time monitoring of energy consumption data， cluster management， and energy consumption prediction. Users can intuitively view energy consumption data， perform energy consumption predictions， and manage energy usage through a user-friendly interface.

In summary， the energy monitoring platform for spinning workshops proposed in this paper integrates the IoT technology， big data technology and software development technology， which provides a more intelligent solution for the energy management of traditional spinning enterprises， and a solid data basis for enterprise energy optimization decision-making， helping them to improve energy efficiency， reduce production costs， and enhance their competitiveness in the fierce market competition. It also serves as reference for the traditional textile industry's low-carbon emissions reduction， sustainable development， as well as digital and intelligent transformation.

Keywords：

energy monitoring; big data technology; spinning workshops; LoRa; VMD; LSTM