基于數(shù)字孿生的紡紗車間能耗預測系統(tǒng)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(huán)境保護意識的增強，工業(yè)領域?qū)τ诠?jié)能減排的需求日益迫切。紡織行業(yè)作為傳統(tǒng)制造業(yè)的重要組成部分，在實現(xiàn)可持續(xù)發(fā)展目標方面面臨著巨大的挑戰(zhàn)。其中，紡紗作為紡織生產(chǎn)流程的關(guān)鍵環(huán)節(jié)之一，其能耗水平直接影響到整個產(chǎn)業(yè)鏈的能源利用效率和生產(chǎn)成本。因此，探索高效節(jié)能的方法和技術(shù)對于提升紡織企業(yè)的競爭力具有重要意義[1]

目前，國內(nèi)外關(guān)于紡紗車間的數(shù)字孿生研究主要集中在數(shù)字孿生的定義、模型構(gòu)建、應用探討等方面，而針對紡紗車間的能耗預測來進行數(shù)字孿生車間的建模及其支撐系統(tǒng)的研究較少。國內(nèi)對數(shù)字孿生工業(yè)制造領域車間生產(chǎn)方面，陶飛等[2]提出數(shù)字孿生車間 —一種未來車間運行新模式，探討了基于車間數(shù)字孿生技術(shù)的物理制造環(huán)境與信息化管理系統(tǒng)之間交互與融合的理論與實現(xiàn)方法；陰艷超等[3]提出一種數(shù)據(jù)—模型融合驅(qū)動的流程制造車間數(shù)字孿生系統(tǒng)研發(fā)，為解決流程工業(yè)中因耦合復雜性所帶來的協(xié)同交互與迭代運行難題提供了方法和實現(xiàn)路徑；李新榮等[4提出一種數(shù)字孿生在紡紗領域應用的關(guān)鍵技術(shù)，實現(xiàn)數(shù)據(jù)模型與機制模型的深度整合；柳林燕等[5]對實際生產(chǎn)車間的生產(chǎn)線進行了數(shù)字孿生的實現(xiàn)，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(jiān)控方法，實現(xiàn)了車間生產(chǎn)過程的可視化監(jiān)控；國外對數(shù)字孿生工業(yè)制造領域車間生產(chǎn)方面，F(xiàn)ujii等通過添加結(jié)構(gòu)拓撲來創(chuàng)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(gòu);Baldassarre等l8開發(fā)了一種基于數(shù)字孿生的有效工具，用于預測工業(yè)生產(chǎn)系統(tǒng)的電力消耗。數(shù)字孿生技術(shù)作為一種融合物理模型、傳感器更新、歷史數(shù)據(jù)和機器學習的仿真過程，在多個行業(yè)中展現(xiàn)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(tài)和行為，為設備監(jiān)測、故障診斷、性能優(yōu)化等方面提供了強有力的支持。將數(shù)字孿生應用于紡紗車間[10]，不僅可以實現(xiàn)對車間能耗的精準預測，還可以進一步指導節(jié)能減排策略的實施，促進紡織行業(yè)的綠色發(fā)展[1]。

本文旨在研究并開發(fā)一套基于數(shù)字孿生技術(shù)的紡紗車間能耗預測系統(tǒng)，該系統(tǒng)通過整合物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)分析以及機器學習算法，能夠在虛擬環(huán)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(shù)字孿生的紡紗車間能耗預測系統(tǒng)架構(gòu)

數(shù)字孿生系統(tǒng)是一種將物理實體與虛擬模型相結(jié)合的技術(shù)，通過實時數(shù)據(jù)采集、分析和可視化，實現(xiàn)對物理實體的精確模擬和預測。紡紗車間數(shù)字孿生系統(tǒng)的架構(gòu)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(gòu)如圖1所示。

a）紡紗車間物理層

物理層是數(shù)字孿生系統(tǒng)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(shù)據(jù)，為上層的數(shù)據(jù)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(shù)據(jù)。這一層通過無線傳輸、光纖鏈路、交換機、LoRa網(wǎng)關(guān)、EMS系統(tǒng)、服務器和設備網(wǎng)絡接口等，實現(xiàn)對紡紗車間多源異構(gòu)數(shù)據(jù)的采集。感知層的主要任務是將物理層的原始數(shù)據(jù)轉(zhuǎn)換為可處理的信息，為后續(xù)的數(shù)據(jù)分析和決策提供支持。

c）紡紗車間孿生層

孿生層是數(shù)字孿生系統(tǒng)的核心，通過建立物理實體的虛擬模型，實現(xiàn)對物理實體的實時監(jiān)控和預測。這一層包括幾何模型構(gòu)建、貼圖渲染、輕量化處理和虛實映射等技術(shù)。孿生層的主要功能是將感知層的數(shù)據(jù)與虛擬模型相結(jié)合，實現(xiàn)對物理實體的精確模擬和預測。

圖1基于數(shù)字孿生的紡紗車間能耗預測系統(tǒng)架構(gòu)圖

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

d）應用層

應用層是數(shù)字孿生系統(tǒng)的最終輸出層，通過可視化交互和系統(tǒng)集成，實現(xiàn)對紡紗車間的實時監(jiān)控和預測。這一層包括設備能耗監(jiān)控、生產(chǎn)能耗監(jiān)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(jié)果轉(zhuǎn)化為可操作的決策，指導紡紗車間的生產(chǎn)和管理。

2 紡紗車間數(shù)字孿生模型構(gòu)建

2.1 紡紗車間幾何模型構(gòu)建

幾何模型是數(shù)字孿生預測系統(tǒng)中不可或缺的一部分，它要求在視覺表現(xiàn)上盡可能地接近實際的物理環(huán)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(yōu)化場景模型的表現(xiàn)，并且可以通過腳本編程的方式讀取實時數(shù)據(jù)來動態(tài)驅(qū)動孿生模型的動作，這使得Unity3D成為構(gòu)建數(shù)字孿生平臺的理想選擇[13]。紡紗車間的數(shù)字孿生幾何模型用數(shù)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(huán)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(shù)量。

根據(jù)車間布局綜合利用Solidworks與3DsMax等軟件來創(chuàng)建車間內(nèi)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(zhì)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(zhuǎn)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(huán)使用過程，可以運用預制體（Prefab）技術(shù)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(tài)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(shù)據(jù)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(shù)。通過實施模型簡化與優(yōu)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(shù)字孿生、仿真模擬及虛擬現(xiàn)實等應用場景。

實現(xiàn)三維模型輕量化的方法多樣，主要包括幾何簡化、紋理優(yōu)化、使用層次細節(jié)（LevelofDetail，LOD）技術(shù)、移除不可見幾何體、改進模型的拓撲結(jié)構(gòu)、選擇合適的文件格式以及應用智能壓縮技術(shù)。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(huán)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(jīng)過處理后，模型的多邊形數(shù)量從原本的2484714個減少到了1267306個，減少了約 48.9% ;而頂點數(shù)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(jié)和外觀質(zhì)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(tǒng)性能提升

利用Unity3D中的Profile模塊，對輕量化后的系統(tǒng)整體性能進行分析和優(yōu)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(tǒng)性能對比圖

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

3紡紗車間數(shù)據(jù)采集與映射

3.1 紡紗車間數(shù)據(jù)采集

紡紗車間的數(shù)據(jù)采集目標在于實時監(jiān)測和分析車間狀況，為管理層提供決策依據(jù)，并監(jiān)控系統(tǒng)性能及設備的健康狀況。為了保證多源數(shù)據(jù)能夠全面而準確地被收集，采用了Semtech公司開發(fā)的低功耗局域網(wǎng)無線技術(shù)標準LoRa。從實際應用的角度來看，LoRa無線網(wǎng)絡傳輸技術(shù)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(yè)廠區(qū)的數(shù)據(jù)采集需求。數(shù)據(jù)采集的過程共有兩條路線，第一條是通過數(shù)采單元經(jīng)光纖鏈路連接交換機而后上傳數(shù)據(jù)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(shù)據(jù)發(fā)送至LoRa模塊，LoRa模塊實現(xiàn)長距離無線傳輸，再經(jīng)LoRa網(wǎng)關(guān)將數(shù)據(jù)轉(zhuǎn)發(fā)至服務器。最后，在服務器端實現(xiàn)了數(shù)據(jù)的接入、存儲與展示等功能。數(shù)據(jù)采集與傳輸架構(gòu)如圖4所示。

3.2 紡紗車間虛實映射

在紡紗車間的生產(chǎn)過程中，多任務并行加工是其生產(chǎn)過程的顯著特點，涵蓋了人員操作、物流任務執(zhí)行及設備運行等多個方面。數(shù)字孿生車間的核心在于，確保數(shù)據(jù)實時性的同時，實現(xiàn)對整個生產(chǎn)流程的動態(tài)映射，并能夠?qū)ιa(chǎn)過程中發(fā)生的動態(tài)擾動行為做出及時響應與調(diào)整。基于紡紗車間內(nèi)實時數(shù)據(jù)的采集和傳輸，需構(gòu)建起從數(shù)據(jù)到模型的關(guān)聯(lián)關(guān)系，從而確保物理車間與數(shù)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(gòu)圖，從圖中可以看出，車間作業(yè)流程可以通過“狀態(tài)-事件”的時序結(jié)構(gòu)進行簡化描述，其中包括工序轉(zhuǎn)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(chǎn)狀態(tài)，還需具備對突發(fā)情況的快速反應能力，確保生產(chǎn)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(jīng)網(wǎng)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(gòu)成，其中卷積層通過使用卷積核來進行數(shù)據(jù)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(jié)構(gòu)如圖6所示。

圖4紡紗車間數(shù)據(jù)采集與傳輸架構(gòu)圖

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

4.2 BiLSTM模型

BiLSTM是一種循環(huán)神經(jīng)網(wǎng)絡（RecurrentNeuralNetworK，RNN）的變體，通過在時間維度上同時運行兩個LSTM網(wǎng)絡，一個從前向后（正向），一個從后向前（反向），來處理序列數(shù)據(jù)。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(shù)據(jù)。

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(guān)系。其結(jié)構(gòu)如圖7所示。

當前狀態(tài)與上一時刻狀態(tài)關(guān)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(shù);tanh為雙曲正切激活函數(shù)； 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(tài)矩陣、輸出門限；W_f，W_i，W_c，W_o 分別為各對應層的權(quán)重; b_f，b_i，b_c，b_o 分別為各對應層的偏置系數(shù)。最后，新的狀態(tài)如式（6）所示：

對于BiLSTM網(wǎng)絡，其網(wǎng)絡結(jié)構(gòu)如圖8所示。

數(shù)學語言表示為式（7）：

式中： 為 χ_t 時刻前向隱藏層狀態(tài)； 為 χ_t 時刻后向隱藏層狀態(tài)； W_y，b_y 分別為權(quán)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(quán)重，使得模型能夠更加集中地關(guān)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(jié)構(gòu)如圖9所示。

圖5紡紗車間虛實映射架構(gòu)圖

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

圖6CNN模型的網(wǎng)絡結(jié)構(gòu)圖

Fig.6Network structure diagram of the CNN model

具體地，注意力機制的實現(xiàn)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(shù)定義如式（8）所示：

s（y_i，q）=V^Ttanh（Wy_i+Uq）

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

圖7LSTM模型的網(wǎng)絡結(jié)構(gòu)

Fig.7Network structure of theLSTM model

最后，根據(jù)權(quán)重和對應的值向量計算加權(quán)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(jié)構(gòu)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(shù)據(jù)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(jù)輸入數(shù)據(jù)計算各特征的權(quán)重，從而突出重要特征；最終，這些加權(quán)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(jié)構(gòu)圖

圖8BiLSTM網(wǎng)絡結(jié)構(gòu)圖

Fig.9Structure diagram of the Attention Mechanism

圖10 CNN-BiLSTM-Attention結(jié)構(gòu)圖

Fig.10Structure diagram of CNN-BiLSTM-Attention

4.5 算例分析

4.5.1 數(shù)據(jù)來源

本文對中國西北地區(qū)某紡織廠2022年4月份1號到10號實測細紗機運行數(shù)據(jù)進行分析，數(shù)據(jù)集中除能耗歷史數(shù)據(jù)外，還包括產(chǎn)量、前羅拉轉(zhuǎn)速、錠子轉(zhuǎn)速和功率4類主要數(shù)據(jù)。該紡織廠的實測數(shù)據(jù)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(shù)據(jù)處理

本文對各特征進行皮爾遜相關(guān)系數(shù)分析分別計算產(chǎn)量、速度、錠速、功率的相關(guān)度，結(jié)果如圖11所示。可以看出各特征與能耗相關(guān)程度較強，相關(guān)系數(shù)均在0.8以上，故選擇產(chǎn)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(chǎn)過程數(shù)據(jù)相關(guān)性圖

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

同時，本文對試驗數(shù)據(jù)中存在的停機數(shù)據(jù)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(jié)果，對試驗的數(shù)據(jù)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(shù)（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(jié)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(shù)據(jù)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(guān)系，通過注意力機制的加權(quán)信息融合，提高模型的準確性和可解釋性，從而實現(xiàn)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(yōu)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(jié)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(shù)據(jù)子集下沒有陷入過擬合狀態(tài)，具有一定穩(wěn)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(yōu)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(yōu)越性。幾種模型的預測結(jié)果和誤差如表1所示。

5 系統(tǒng)驗證與應用

為了應對傳統(tǒng)紡紗車間在信息傳遞速度與生產(chǎn)節(jié)奏匹配度上的不足，提升生產(chǎn)效率，本文設計并實現(xiàn)了一套適用于該車間的數(shù)字孿生能耗預測系統(tǒng)。此系統(tǒng)能夠?qū)崟r采集并處理車間內(nèi)的能耗數(shù)據(jù)和設備運行狀態(tài)，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(chǎn)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(shù)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(tǒng)測試環(huán)境采用了客戶端/服務器（C/S）架構(gòu)，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(nèi)存，顯卡為NVIDIA GeForce RTX 3060Ti 。系統(tǒng)開發(fā)使用Unity3D作為主要平臺，并結(jié)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(shù)據(jù)可視化工作。

該數(shù)字孿生系統(tǒng)的主界面包含了多個關(guān)鍵模塊，其中包括功能菜單欄、數(shù)據(jù)可視化區(qū)域以及虛擬車間顯示區(qū)。功能菜單欄作為系統(tǒng)的中樞，整合了諸如車間漫游、虛擬現(xiàn)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(shù)據(jù)可視化區(qū)域則專注于展現(xiàn)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(tài)。而在虛擬車間顯示區(qū)域，則能夠模擬展示實際的生產(chǎn)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(xiàn)了車間內(nèi)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(tǒng)功能如圖15所示。

6結(jié)語

本文開發(fā)了基于數(shù)字孿生技術(shù)的紡紗車間能耗預測系統(tǒng)，提升了紡織行業(yè)的能源利用效率，減少不必要的能源浪費，并助力企業(yè)實現(xiàn)可持續(xù)發(fā)展目標。通過構(gòu)建紡紗車間的數(shù)字孿生模型，有效地收集和處理來自各種傳感器的數(shù)據(jù)，進而準確預測車間在不同工況下的能耗情況。具體結(jié)論如下：

圖15 紡紗車間孿生系統(tǒng)功能圖

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

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

b）CNN與BiLSTM結(jié)合的方法可以提取紡紗生產(chǎn)過程中的數(shù)據(jù)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(xiàn)出更高的預測精度和更低的誤差。

c）該系統(tǒng)能夠在虛擬環(huán)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(yè)聯(lián)合會．紡織行業(yè)“十四五”發(fā)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(shù)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(tǒng)，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(shù)據(jù)-模型融合驅(qū)動的流程制造車間數(shù)字孿生系統(tǒng)研發(fā)［J]．計算機集成制造系統(tǒng)，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(shù)字孿生在紡紗領域應用的關(guān)鍵技術(shù)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(chǎn)過程數(shù)字孿生系統(tǒng)構(gòu)建及應用[J]．計算機集成制造系統(tǒng)，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(shù)字孿生的離散制造車間可視化實時監(jiān)控方法［J]．計算機集成制造系統(tǒng)，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(yè)智能發(fā)展現(xiàn)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(shù)字孿生視角下的智能紡紗應用探索[J]．現(xiàn)代紡織技術(shù)，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(shù)字化轉(zhuǎn)型對紡織企業(yè)綠色創(chuàng)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(shù)字孿生五維模型及十大領域應用[J]．計算機集成制造系統(tǒng)，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(shù)字孿生的包覆加彈一體機車間模型構(gòu)建[J].現(xiàn)代紡織技術(shù)，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(jīng)網(wǎng)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