基于數字孿生的紡紗車間能耗預測系統研究與應用

中圖分類號：TS111.8 文獻標志碼：A 文章編號：1009-265X（2025）07-0054-11

隨著全球能源危機的加劇和環境保護意識的增強，工業領域對于節能減排的需求日益迫切。紡織行業作為傳統制造業的重要組成部分，在實現可持續發展目標方面面臨著巨大的挑戰。其中，紡紗作為紡織生產流程的關鍵環節之一，其能耗水平直接影響到整個產業鏈的能源利用效率和生產成本。因此，探索高效節能的方法和技術對于提升紡織企業的競爭力具有重要意義[1]

目前，國內外關于紡紗車間的數字孿生研究主要集中在數字孿生的定義、模型構建、應用探討等方面，而針對紡紗車間的能耗預測來進行數字孿生車間的建模及其支撐系統的研究較少。國內對數字孿生工業制造領域車間生產方面，陶飛等[2]提出數字孿生車間 —一種未來車間運行新模式，探討了基于車間數字孿生技術的物理制造環境與信息化管理系統之間交互與融合的理論與實現方法；陰艷超等[3]提出一種數據—模型融合驅動的流程制造車間數字孿生系統研發，為解決流程工業中因耦合復雜性所帶來的協同交互與迭代運行難題提供了方法和實現路徑；李新榮等[4提出一種數字孿生在紡紗領域應用的關鍵技術，實現數據模型與機制模型的深度整合；柳林燕等[5]對實際生產車間的生產線進行了數字孿生的實現，并驗證了所提出方案的準確性和有效性;吳鵬興等[6提出車間可視化實時監控方法，實現了車間生產過程的可視化監控；國外對數字孿生工業制造領域車間生產方面，Fujii等通過添加結構拓撲來創建一種不同的方法，驗證了基于在線短期能耗預測的個性化需求響應建議的DigitalTwinMLOps架構;Baldassarre等l8開發了一種基于數字孿生的有效工具，用于預測工業生產系統的電力消耗。數字孿生技術作為一種融合物理模型、傳感器更新、歷史數據和機器學習的仿真過程，在多個行業中展現出了巨大的潛力[9]。它能夠通過虛擬模型實時反映物理實體的狀態和行為，為設備監測、故障診斷、性能優化等方面提供了強有力的支持。將數字孿生應用于紡紗車間[10]，不僅可以實現對車間能耗的精準預測，還可以進一步指導節能減排策略的實施，促進紡織行業的綠色發展[1]。

本文旨在研究并開發一套基于數字孿生技術的紡紗車間能耗預測系統，該系統通過整合物聯網技術、大數據分析以及機器學習算法，能夠在虛擬環境中準確模擬實際紡紗過程中的能耗情況，并對未來能耗趨勢進行預測。

1 基于數字孿生的紡紗車間能耗預測系統架構

數字孿生系統是一種將物理實體與虛擬模型相結合的技術，通過實時數據采集、分析和可視化，實現對物理實體的精確模擬和預測。紡紗車間數字孿生系統的架構包括紡紗車間物理層、紡紗車間感知層、紡紗車間孿生層和應用層[12]，整體架構如圖1所示。

a）紡紗車間物理層

物理層是數字孿生系統的基礎，主要包括紡紗車間的各種物理設備和設施。這些設備包括控制器、傳感器、車間設備、棉條桶和智能電表等。物理層的主要功能是收集和傳輸實時數據，為上層的數據處理和分析提供原始信息。

b）紡紗車間感知層

感知層負責收集和處理物理層的數據。這一層通過無線傳輸、光纖鏈路、交換機、LoRa網關、EMS系統、服務器和設備網絡接口等，實現對紡紗車間多源異構數據的采集。感知層的主要任務是將物理層的原始數據轉換為可處理的信息，為后續的數據分析和決策提供支持。

c）紡紗車間孿生層

孿生層是數字孿生系統的核心，通過建立物理實體的虛擬模型，實現對物理實體的實時監控和預測。這一層包括幾何模型構建、貼圖渲染、輕量化處理和虛實映射等技術。孿生層的主要功能是將感知層的數據與虛擬模型相結合，實現對物理實體的精確模擬和預測。

圖1基于數字孿生的紡紗車間能耗預測系統架構圖

Fig.1Architecture diagram of the energyconsumption predictionsystem for spinning workshops basedon digital twin：

d）應用層

應用層是數字孿生系統的最終輸出層，通過可視化交互和系統集成，實現對紡紗車間的實時監控和預測。這一層包括設備能耗監控、生產能耗監控和以虛預實等功能。應用層的主要任務是將孿生層的模擬結果轉化為可操作的決策，指導紡紗車間的生產和管理。

2 紡紗車間數字孿生模型構建

2.1 紡紗車間幾何模型構建

幾何模型是數字孿生預測系統中不可或缺的一部分，它要求在視覺表現上盡可能地接近實際的物理環境。Unity3D作為一種實時渲染引擎，能夠支持多樣化的渲染管線來優化場景模型的表現，并且可以通過腳本編程的方式讀取實時數據來動態驅動孿生模型的動作，這使得Unity3D成為構建數字孿生平臺的理想選擇[13]。紡紗車間的數字孿生幾何模型用數學語言表示為式（1）：

式中： DT_M，fs 為紡紗車間場景孿生模型， D_M，i 表示車間設備模型，包括梳棉機、并條機、粗紗機、細紗機、絡筒機等； P_?M，j 表示車間人員模型； E_?M，k 表示虛擬場景的環境模型，包括天空盒、光源、粒子特效等; F_M，x 表示車間物流模型，包括棉桶、手推車、成品貨架等；n，m，p，q 分別表示對應模型的總數量。

根據車間布局綜合利用Solidworks與3DsMax等軟件來創建車間內設備和人員的三維模型。在SubstancePainter中對這些模型進行詳細的外觀材質和紋理設計，確保其外觀高度還原實物。建模和渲染之后，需要將來自不同應用程序的模型轉換成通用的中間格式，如.FBX和.OBJ文件，以便于在Unity3D中集成。

考慮到棉桶從空桶到滿桶再到空桶的循環使用過程，可以運用預制體（Prefab）技術在Unity3D中對棉桶進行抽象建模。通過Unity3D提供的Instantiate方法，可以在運行時動態地生成這些棉桶模型實例，并為其設置相應的屬性。當這些模型完成了它們的生命周期后，可以使用Destroy方法來移除不再需要的模型實例。

2.2 紡紗車間幾何模型輕量化處理

2.2.1 幾何模型輕量化處理

模型輕量化是一項旨在提升性能效率、加速數據傳輸、減少存儲占用、增強跨平臺適用性并簡化操作流程的技術。通過實施模型簡化與優化措施，可以有效地減少所需的計算資源，加快模型加載速度，降低存儲成本，并且使得模型更易于使用和維護，更好地服務于數字孿生、仿真模擬及虛擬現實等應用場景。

實現三維模型輕量化的方法多樣，主要包括幾何簡化、紋理優化、使用層次細節（LevelofDetail，LOD）技術、移除不可見幾何體、改進模型的拓撲結構、選擇合適的文件格式以及應用智能壓縮技術。這些策略共同作用，能夠在保證模型功能性的前提下顯著降低其復雜性和資源消耗，并使其更加適配不同的部署環境。

本文利用了3DsMax的第三方插件Polygon Cruncher對細紗機模型進行輕量化處理。如圖2所示，經過處理后，模型的多邊形數量從原本的2484714個減少到了1267306個，減少了約 48.9% ;而頂點數量則從1667078個減少至659243個，削減比例達到了60.4% 。盡管進行了大幅度的簡化，模型的整體視覺效果并未受到顯著影響，依然保持了必要的細節和外觀質量。這種輕量化處理不僅提升了模型的性能和效率，同時也大幅縮減了文件的體積和計算負載

圖2細紗機模型輕量化處理前后對比圖

Fig. 2 Comparison diagram before and after lightweight processing of the spinning frame model

2. 2. 2 輕量化后系統性能提升

利用Unity3D中的Profile模塊，對輕量化后的系統整體性能進行分析和優化。圖3是輕量化前后的性能對比，輕量化前CPU平均幀率約為20幀，GPU平均幀率約為25幀;輕量化后CPU平均幀率約為90幀，GPU平均幀率為200幀。

圖3輕量化處理前后系統性能對比圖

Fig.3Comparison diagram of system performance before and after lightweight processing

3紡紗車間數據采集與映射

3.1 紡紗車間數據采集

紡紗車間的數據采集目標在于實時監測和分析車間狀況，為管理層提供決策依據，并監控系統性能及設備的健康狀況。為了保證多源數據能夠全面而準確地被收集，采用了Semtech公司開發的低功耗局域網無線技術標準LoRa。從實際應用的角度來看，LoRa無線網絡傳輸技術具有遠距離通信、強抗干擾能力、低功耗以及良好的頻率偏差容忍度等特點，非常適合于覆蓋整個企業廠區的數據采集需求。數據采集的過程共有兩條路線，第一條是通過數采單元經光纖鏈路連接交換機而后上傳數據至中心服務器，另一條則是采集單元和交換器通過光纖鏈路連接，然后通過485通訊線路將傳感器捕獲的數據發送至LoRa模塊，LoRa模塊實現長距離無線傳輸，再經LoRa網關將數據轉發至服務器。最后，在服務器端實現了數據的接入、存儲與展示等功能。數據采集與傳輸架構如圖4所示。

3.2 紡紗車間虛實映射

在紡紗車間的生產過程中，多任務并行加工是其生產過程的顯著特點，涵蓋了人員操作、物流任務執行及設備運行等多個方面。數字孿生車間的核心在于，確保數據實時性的同時，實現對整個生產流程的動態映射，并能夠對生產過程中發生的動態擾動行為做出及時響應與調整。基于紡紗車間內實時數據的采集和傳輸，需構建起從數據到模型的關聯關系，從而確保物理車間與數字孿生車間之間的虛實映射。圖5為紡紗車間虛實映射架構圖，從圖中可以看出，車間作業流程可以通過“狀態-事件”的時序結構進行簡化描述，其中包括工序轉換事件、物流任務變動事件等，這一過程不僅要求模型能夠準確反映當前生產狀態，還需具備對突發情況的快速反應能力，確保生產流程的順暢進行。

4基于CNN-BiLSTM-Attention 的細紗能耗預測模型

4. 1 CNN模型

卷積神經網絡（Convolutional Neural Networks，CNN）是深度學習領域中應用最為廣泛的算法之一，其高效的特征提取能力使其在眾多領域得到廣泛應用[14]。CNN 主要由卷積層和池化層構成，其中卷積層通過使用卷積核來進行數據的局部特征提取，能夠有效地捕捉到非線性的局部特征。池化層則主要用于壓縮這些提取到的特征，篩選出更為重要的信息，從而提高模型的泛化能力。CNN的基本結構如圖6所示。

圖4紡紗車間數據采集與傳輸架構圖

Fig.4Architecture diagram for data acquisition and transmisson in a spinning workshop

4.2 BiLSTM模型

BiLSTM是一種循環神經網絡（RecurrentNeuralNetworK，RNN）的變體，通過在時間維度上同時運行兩個LSTM網絡，一個從前向后（正向），一個從后向前（反向），來處理序列數據。通過將兩個方向的信息進行拼接或合并，BiLSTM能夠更全面地理解和表示序列數據。

LSTM模型主要引入了“門\"的機制，其中包含3個門：遺忘門、輸入門和輸出門。通過這些門的組合，LSTM能夠在序列中有效地存儲和檢索信息，從而更好地捕捉長期依賴關系。其結構如圖7所示。

當前狀態與上一時刻狀態關系分別如式（2）—式（5）所示：

o_t=σ（W_o?[h_t-1，x_t]+b_o）

式中： σ 為sigmoid激活函數;tanh為雙曲正切激活函數； h_t-1 為 _t-1 時刻的輸出 分別為 χ_t 時刻下遺忘門限、輸入門限、狀態矩陣、輸出門限；W_f，W_i，W_c，W_o 分別為各對應層的權重; b_f，b_i，b_c，b_o 分別為各對應層的偏置系數。最后，新的狀態如式（6）所示：

對于BiLSTM網絡，其網絡結構如圖8所示。

數學語言表示為式（7）：

式中： 為 χ_t 時刻前向隱藏層狀態； 為 χ_t 時刻后向隱藏層狀態； W_y，b_y 分別為權重矩陣和偏置項； y_t 為Φ_t 時刻的輸出。

4.3 注意力機制

注意力機制（AttentionMechanism，AM）是一種基于人類視覺注意力的思想，將輸入序列中不同位置的信息賦予不同的權重，使得模型能夠更加集中地關注有用的信息，從而提高模型的性能和效果[15]。注意力機制結構如圖9所示。

圖5紡紗車間虛實映射架構圖

Fig.5Architecture diagram for virtual-real mapping in a spinning workshop

圖6CNN模型的網絡結構圖

Fig.6Network structure diagram of the CNN model

具體地，注意力機制的實現通常包含以下幾個步驟：首先，對輸入序列 y=[y₁y₂…y_n] 進行編碼，得到一組查詢向 q ;然后通過打分之間的相似度 [s₁s₂ …] ，打分函數定義如式（8）所示：

s（y_i，q）=V^Ttanh（Wy_i+Uq）

其中， 均為參數待學習的矩陣。并利用softmax函數進行歸一化，得到每組輸入向量的權重 a_i ，計算如式（9）所示：

圖7LSTM模型的網絡結構

Fig.7Network structure of theLSTM model

最后，根據權重和對應的值向量計算加權和，得到最終的能耗預測分類輸出 Ω_a ，計算如式（10）所示：

4.4 預測模型

本文提出的基于注意力機制的CNN-BiLSTM-Attention模型結構如圖10所示，該模型包括5個主要部分：輸入層、CNN層、BiLSTM層、Attention層以及輸出層。具體而言，CNN層負責提取輸入數據的空間特征，并將這些特征傳遞給BiLSTM層；BiLSTM層則進一步提取時間維度上的特征；之后，Attention層根據輸入數據計算各特征的權重，從而突出重要特征；最終，這些加權后的特征被送人輸出層，完成最終的預測

Fig.8Network structure diagram of BiLSTM

圖9注意力機制結構圖

圖8BiLSTM網絡結構圖

Fig.9Structure diagram of the Attention Mechanism

圖10 CNN-BiLSTM-Attention結構圖

Fig.10Structure diagram of CNN-BiLSTM-Attention

4.5 算例分析

4.5.1 數據來源

本文對中國西北地區某紡織廠2022年4月份1號到10號實測細紗機運行數據進行分析，數據集中除能耗歷史數據外，還包括產量、前羅拉轉速、錠子轉速和功率4類主要數據。該紡織廠的實測數據采樣間隔為 1～3min ，共計采取7714個樣本點，取前 80% 作為訓練集，后 20% 作為測試集。

4.5.2 數據處理

本文對各特征進行皮爾遜相關系數分析分別計算產量、速度、錠速、功率的相關度，結果如圖11所示。可以看出各特征與能耗相關程度較強，相關系數均在0.8以上，故選擇產量、速度、錠速、功率作為細紗能耗預測的特征組。

圖11能耗與各生產過程數據相關性圖

Fig.11 Correlation diagram between energy consumption and data from various production processes

同時，本文對試驗數據中存在的停機數據采用剔除處理，同時，由于不同特征往往具有不同的量綱和量綱單位，所以為消除特征之間的量綱影響，便于模型訓練和更好地評價試驗結果，對試驗的數據進行歸一化處理，計算方法如式（11）所示：

式中： x 為實際值： ∣x_max 和 x_min 分別為極大值和極小值。

4.5.3 評價指標

本文采用平均絕對誤差（Mean Absolute Error，MAE）均方根誤差（RootMeanSquareError，RMSE）和確定系數（RSquared， R² ）作為評價指標，計算公式分別如式（12）—式（14）所示。其中 MAE 和RMSE值越低，表明模型預測效果越好， R² 值越接近于1，表明模型預測效果越好。

式中： y_i 為真實值， 為預測值。

4.5.4 試驗結果分析

選擇CNN-BiLSTM-Attention模型進行紡紗能耗預測，該模型能夠有效處理紡紗數據的時間序列特性、多維特征、局部特征和長期依賴。CNN負責提取局部特征，BiLSTM捕捉時間序列上的長期依賴關系，通過注意力機制的加權信息融合，提高模型的準確性和可解釋性，從而實現更精準的能耗預測，為了驗證該模型在細紗機能耗預測上的可靠性和優越性，與ARIMA、LSTM、CNN-LSTM以及CNN-BiLSTM等模型進行對比，算法對比效果如圖12—14所示。

結果中準確率最高可達0.9821，最低為0.8138，平均準確率為0.9182。說明模型在不同數據子集下沒有陷入過擬合狀態，具有一定穩定性。另外，本文使用的模型的平均 MAE 為1.0351，平均RMSE為3.5861，與CNN-LSTM模型相比， MAE 和RMSE分別提高了 27.3%.24.8% ，與CNN-BiLSTM模型相比， MAE 和RMSE分別提高了 19%，3.5% ，注意力機制通過優化特征提取、減少干擾以及改善長期依賴問題等方式，有效提升了CNN-BiLSTM-Attention模型的預測精度，具有一定的優越性。幾種模型的預測結果和誤差如表1所示。

5 系統驗證與應用

為了應對傳統紡紗車間在信息傳遞速度與生產節奏匹配度上的不足，提升生產效率，本文設計并實現了一套適用于該車間的數字孿生能耗預測系統。此系統能夠實時采集并處理車間內的能耗數據和設備運行狀態，并以三維圖形的形式直觀地展示這些信息，幫助車間工作人員更好地理解和管理生產流程。

Fig.12Comparison diagram of predicted values versus actual values for five models

圖13 預測模型局部放大圖

圖125個模型的預測值和實際值比較圖

Fig.13Partial enlargement diagram of the prediction model

圖14損失函數變化曲線圖

Fig.14Graph of loss function variation

表1不同模型的預測誤差

Tab.1 Prediction errors ofdifferent models

系統測試環境采用了客戶端/服務器（C/S）架構，并使用了如下硬件及軟件配置：Inteli7-13700kf處理器，主頻 3.4GHz ，配備32GB內存，顯卡為NVIDIA GeForce RTX 3060Ti 。系統開發使用Unity3D作為主要平臺，并結合了SolidWorks、3DsMax用于建模，同時使用VisualStudio2019和C#語言編寫程序邏輯，以及利用XCharts來完成數據可視化工作。

該數字孿生系統的主界面包含了多個關鍵模塊，其中包括功能菜單欄、數據可視化區域以及虛擬車間顯示區。功能菜單欄作為系統的中樞，整合了諸如車間漫游、虛擬現實（VR）體驗以及能耗預測等功能，使得用戶能夠便捷地切換至所需的功能頁面。數據可視化區域則專注于展現各工序中設備的實際能耗情況，有助于管理者迅速且全面地了解車間的能耗狀態。而在虛擬車間顯示區域，則能夠模擬展示實際的生產流程。通過集成DOTween插件，為車間的虛擬攝像機設定了自動漫游路徑，實現了車間內部的自動化視查功能。這一系列的設計改進，顯著增強了車間的信息透明度和管理效率。系統功能如圖15所示。

6結語

本文開發了基于數字孿生技術的紡紗車間能耗預測系統，提升了紡織行業的能源利用效率，減少不必要的能源浪費，并助力企業實現可持續發展目標。通過構建紡紗車間的數字孿生模型，有效地收集和處理來自各種傳感器的數據，進而準確預測車間在不同工況下的能耗情況。具體結論如下：

圖15 紡紗車間孿生系統功能圖

Fig.15Functional diagram of the twinning system in spinning workshops

a）該數字孿生系統有一個4層架構（物理層、感知層、孿生層和應用層），用于實現對實際紡紗過程的精確模擬和預測。

b）CNN與BiLSTM結合的方法可以提取紡紗生產過程中的數據特征，并引入注意力機制以提高模型的泛化能力。提出的CNN-BiLSTM-Attention模型在能耗預測上具有高精度，其MAE為0.6435，RMSE為 2.4423，R² 達到0.9821，相比其他模型如ARIMA、LSTM、CNN-LSTM以及CNN-BiLSTM等表現出更高的預測精度和更低的誤差。

c）該系統能夠在虛擬環境中準確模擬實際紡紗過程中的能耗情況，并對未來能耗趨勢進行預測

參考文獻：

[1]中國紡織工業聯合會．紡織行業“十四五”發展綱要［J]．紡織科學研究，2021，32（7）：40-49.China National Textile and Apparel Council. Outline ofthedevelopment oftextile industryin the tenth Five-Year Plan[J].TextileScienceResearch，2021，32（7）：40-49.

[2］陶飛，張萌，程江峰，等.數字孿生車間：一種未來車間運行新模式[J]．計算機集成制造系統，2017，23（1）：1-9.TAO F，ZHANG M，CHENGJF，et al. Digital twin workshop：Anewparadigm for future workshop［J].Computer IntegratedManufacturingSystems，2017，23（1）：1-9.

[3]陰艷超，李旺，唐軍，等.數據-模型融合驅動的流程制造車間數字孿生系統研發［J]．計算機集成制造系統，2023，29（6）：1916-1929.YIN YC，LIW，TANGJ，et al. Development of digital twin systemforprocess manufacturing workshop driven by data/model fusion[J].Computer Integrated Manufacturing Systems，2O23，29（6）：1916-1929.

[4]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 X R，HAN P H，LI R F，et al. Review and analysis on keytechnology of digital twin in spinning field[J].Journal of TextileResearch，2023，44（10）：214-222.

[5］柳林燕，杜宏祥，汪惠芬，等．車間生產過程數字孿生系統構建及應用[J]．計算機集成制造系統，2019，25（6）：1536-1545.LIU L Y，DU H X，WANG HF，et al. Construction and applicationof digital twin system for production process in workshop[J].ComputerIntegrated Manufacturing Systems，2019，25（6）：1536-1545.

[6]吳鵬興，郭宇，黃少華，等．基于數字孿生的離散制造車間可視化實時監控方法［J]．計算機集成制造系統，2021，27（6）：1605-1616.WU P X，GUO Y，HUANG S H，et al. Visual real-time monitoringmethod for discrete manufacturing workshop based on digital twin[J].Computer Integrated Manufacturing Systems，2O21，27（6）：1605-1616.

[7]FUJIITY，HAYASHIVT，ARAKAKIR，etal.Adigitaltwinarchitecture model applied with MLOps techniques to improve short-term energy consumption prediction[J]. Machines，2O21，10（1）： 23.

[8]BALDASSARRE A，DION JL，PEYRET N，et al. Digital twinwith augmented state extended Kalman filters for forecasting electricpower consumption of industrial production systems[J]. Heliyon，2024，10（6）： 27343.

[9]鄭小虎，劉正好，陳峰，等．紡織工業智能發展現狀與展望[J]．紡織學報，2023，44（8）：205-216.ZHENG X H，LIU Z H，CHEN F，et al. Current status andprospect of intelligent development in textile industry[J]. Journal ofTextileResearch，2023，44（8）：205-216.

[10］陳明亮，章軍輝，錢宇晗，等．數字孿生視角下的智能紡紗應用探索[J]．現代紡織技術，2025，33（2）：90-99.CHENML，ZHANGJH，QIANYH，et al. Exploring intelligentspinning applications from the perspective of digital twin[J].AdvancedTextile Technology，2025，33（2）：90-99.

[11］張文秋，陳水琳，李浩．數字化轉型對紡織企業綠色創新的影響作用與機制[J]．絲綢，2024，61（9）：89-102.ZHANGWQ，CHENSL，LIH.The effect and mechanismofdigitaltransformationon greeninnovation of textile enterprises[J].Journal of Silk，2024，61（9）：89-102.

[12］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.TAOF，LIUWR，ZHANGM，etal.Five-dimensiondigital twinmodel and its ten applications[J]. Computer Integrated ManufacturingSystems，2019，25（1）：1-18.

[13］孫長敏，沈春婭，胡旭東，等．基于數字孿生的包覆加彈一體機車間模型構建[J].現代紡織技術，2023，31（3）：53-62.SUNCM，SHENCY，HUXD，etal.Construction oftheworkshop model of the wrappingand texturing integrated machinebased ondigitaltwin[J].Advanced Textile Technology，2O23，31（3）：53-62.

[14］周飛燕，金林鵬，董軍，卷積神經網絡研究綜述[J]．計算機學報，2017，40（6）：1229-1251.ZHOUFY，JINL P，DONG J. Review of Convolutional NeuralNetwork[J].Chinese Journal ofComputers，2017，40（6）：1229-1251.

［15］朱張莉，饒元，吳淵，等．注意力機制在深度學習中的研究進展[J]．中文信息學報，2019，33（6）：1-11.ZHUZL，RAOY，WUY，etal.Researchprogressofattentionmechanism in deep learning[J].Journal of Chinese InformationProcessing，2019，33（6）：1-11.

Research and application of an energy consumption prediction system for spinning workshops based on digital twins

XIAN Canlong， YUAN Yiping， CHAO Yongsheng， ZHAO Feiyang， YANG Hailong （College of Intelligent Manufacturing and Modern Industry，Xinjiang University，Urumqi 830017，China）

Abstract： This paper proposes a novel energy consumption prediction system based on digital twin technology，with the objective of addressing the issues of low visualization and high energy consumption in spining.The system aims to enhance the accuracy of energy consumption predictions in spinning workshops through inteligent means.Given the multitude of factors that influence energy consumption in the spinning process，including the type of aw cotton and the spindle speed，precise predictionof energyconsumption notonly facilitates theoptimization of production processes but also enables significant cost savings for enterprises. The system architecture proposed in this text is comprisedof four layers：the physical layer，the perception layer，thetwin layer，andthe application layer.The physical layer refers totheactual physical equipmentandenvironment，which servesas the foundation foralldata collection.The perception layer involves various sensors and other data acquisition devices responsible for real-time collection of data from the physical layer.The twin layer establishes virtual models to simulate various variables and conditios inthe actual productionprocess，thereby creating a \"digital twin\"corrsponding to the physical entity.The application layer is concerned with the processof supporting decision-making through data analysis and processing.

In this system，the combination of Convolutional Neural Networks （CNN）and Bidirectional Long Short-Term Memory（BiLSTM）is utilized to explore the potential correlations between diferentdata dimensions in the spinning process.CNN is particularly adept at processing spatial features，such as pattern recognition in images，while BiLSTM is wel-suited to the task of capturing dynamic changes in timeseries data. Through this combination，the model becomes more flexible and efcient in handling complex and variable production data.To further enhance the model'scapacity for generalization，the system also introduces the Atention Mechanism.The mechanism enables the model to focus on the most salient aspects of the input data，thereby beter understanding and processing complex data structures.Finaly，the Fully Connected Layer is responsible for integrating the features extracted from the previous layers tooutput the final prediction result.Theresults demonstrate that this CNN-BiLSTMAttention model exhibits extremely high accuracy in energy consumption prediction， reaching 98.21% ，with prediction errors all controlled within 2.5% . In comparison to models such as CNN-BiLSTM， the new model demonstrates superior performance in both prediction accuracy and error control，suggesting that the incorporation of the Attention Mechanism can indeed significantly improve model performance.

In conclusion， the energy consumption prediction system based on digital twin technology ofers a novel approach to addressing the energy consumption prediction challenge in the conventional spinning process.It not only enhances the accuracy of energy consumption predictions but also ofers powerful technical support for future production management，energy conservation，and emision reduction.This achievement is of great significance for promoting the development of the textile industry in a more intelligent and green direction.

Keywords： digital twin; energyconsumption prediction;convolutional neural network;bidirectional long short-ter memory; attention mechanism