中圖分類(lèi)號(hào)：TS111.8 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1009-265X（2025）07-0054-11

隨著全球能源危機(jī)的加劇和環(huán)境保護(hù)意識(shí)的增強(qiáng)，工業(yè)領(lǐng)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(shí)現(xiàn)可持續(xù)發(fā)展目標(biāo)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(gè)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(duì)于提升紡織企業(yè)的競(jìng)爭(zhēng)力具有重要意義[1]

目前，國(guó)內(nèi)外關(guān)于紡紗車(chē)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(yīng)用探討等方面，而針對(duì)紡紗車(chē)間的能耗預(yù)測(cè)來(lái)進(jìn)行數(shù)字孿生車(chē)間的建模及其支撐系統(tǒng)的研究較少。國(guó)內(nèi)對(duì)數(shù)字孿生工業(yè)制造領(lǐng)域車(chē)間生產(chǎn)方面，陶飛等[2]提出數(shù)字孿生車(chē)間 —一種未來(lái)車(chē)間運(yùn)行新模式，探討了基于車(chē)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(shí)現(xiàn)方法；陰艷超等[3]提出一種數(shù)據(jù)—模型融合驅(qū)動(dòng)的流程制造車(chē)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(fù)雜性所帶來(lái)的協(xié)同交互與迭代運(yùn)行難題提供了方法和實(shí)現(xiàn)路徑；李新榮等[4提出一種數(shù)字孿生在紡紗領(lǐng)域應(yīng)用的關(guān)鍵技術(shù)，實(shí)現(xiàn)數(shù)據(jù)模型與機(jī)制模型的深度整合；柳林燕等[5]對(duì)實(shí)際生產(chǎn)車(chē)間的生產(chǎn)線進(jìn)行了數(shù)字孿生的實(shí)現(xiàn)，并驗(yàn)證了所提出方案的準(zhǔn)確性和有效性;吳鵬興等[6提出車(chē)間可視化實(shí)時(shí)監(jiān)控方法，實(shí)現(xiàn)了車(chē)間生產(chǎn)過(guò)程的可視化監(jiān)控；國(guó)外對(duì)數(shù)字孿生工業(yè)制造領(lǐng)域車(chē)間生產(chǎn)方面，F(xiàn)ujii等通過(guò)添加結(jié)構(gòu)拓?fù)鋪?lái)創(chuàng)建一種不同的方法，驗(yàn)證了基于在線短期能耗預(yù)測(cè)的個(gè)性化需求響應(yīng)建議的DigitalTwinMLOps架構(gòu);Baldassarre等l8開(kāi)發(fā)了一種基于數(shù)字孿生的有效工具，用于預(yù)測(cè)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(jī)器學(xué)習(xí)的仿真過(guò)程，在多個(gè)行業(yè)中展現(xiàn)出了巨大的潛力[9]。它能夠通過(guò)虛擬模型實(shí)時(shí)反映物理實(shí)體的狀態(tài)和行為，為設(shè)備監(jiān)測(cè)、故障診斷、性能優(yōu)化等方面提供了強(qiáng)有力的支持。將數(shù)字孿生應(yīng)用于紡紗車(chē)間[10]，不僅可以實(shí)現(xiàn)對(duì)車(chē)間能耗的精準(zhǔn)預(yù)測(cè)，還可以進(jìn)一步指導(dǎo)節(jié)能減排策略的實(shí)施，促進(jìn)紡織行業(yè)的綠色發(fā)展[1]。

本文旨在研究并開(kāi)發(fā)一套基于數(shù)字孿生技術(shù)的紡紗車(chē)間能耗預(yù)測(cè)系統(tǒng)，該系統(tǒng)通過(guò)整合物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)分析以及機(jī)器學(xué)習(xí)算法，能夠在虛擬環(huán)境中準(zhǔn)確模擬實(shí)際紡紗過(guò)程中的能耗情況，并對(duì)未來(lái)能耗趨勢(shì)進(jìn)行預(yù)測(cè)。

1 基于數(shù)字孿生的紡紗車(chē)間能耗預(yù)測(cè)系統(tǒng)架構(gòu)

數(shù)字孿生系統(tǒng)是一種將物理實(shí)體與虛擬模型相結(jié)合的技術(shù)，通過(guò)實(shí)時(shí)數(shù)據(jù)采集、分析和可視化，實(shí)現(xiàn)對(duì)物理實(shí)體的精確模擬和預(yù)測(cè)。紡紗車(chē)間數(shù)字孿生系統(tǒng)的架構(gòu)包括紡紗車(chē)間物理層、紡紗車(chē)間感知層、紡紗車(chē)間孿生層和應(yīng)用層[12]，整體架構(gòu)如圖1所示。

a）紡紗車(chē)間物理層

物理層是數(shù)字孿生系統(tǒng)的基礎(chǔ)，主要包括紡紗車(chē)間的各種物理設(shè)備和設(shè)施。這些設(shè)備包括控制器、傳感器、車(chē)間設(shè)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(shí)時(shí)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(chē)間感知層

感知層負(fù)責(zé)收集和處理物理層的數(shù)據(jù)。這一層通過(guò)無(wú)線傳輸、光纖鏈路、交換機(jī)、LoRa網(wǎng)關(guān)、EMS系統(tǒng)、服務(wù)器和設(shè)備網(wǎng)絡(luò)接口等，實(shí)現(xiàn)對(duì)紡紗車(chē)間多源異構(gòu)數(shù)據(jù)的采集。感知層的主要任務(wù)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(chē)間孿生層

孿生層是數(shù)字孿生系統(tǒng)的核心，通過(guò)建立物理實(shí)體的虛擬模型，實(shí)現(xiàn)對(duì)物理實(shí)體的實(shí)時(shí)監(jiān)控和預(yù)測(cè)。這一層包括幾何模型構(gòu)建、貼圖渲染、輕量化處理和虛實(shí)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(shí)現(xiàn)對(duì)物理實(shí)體的精確模擬和預(yù)測(cè)。

圖1基于數(shù)字孿生的紡紗車(chē)間能耗預(yù)測(cè)系統(tǒng)架構(gòu)圖

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

d）應(yīng)用層

應(yīng)用層是數(shù)字孿生系統(tǒng)的最終輸出層，通過(guò)可視化交互和系統(tǒng)集成，實(shí)現(xiàn)對(duì)紡紗車(chē)間的實(shí)時(shí)監(jiān)控和預(yù)測(cè)。這一層包括設(shè)備能耗監(jiān)控、生產(chǎn)能耗監(jiān)控和以虛預(yù)實(shí)等功能。應(yīng)用層的主要任務(wù)是將孿生層的模擬結(jié)果轉(zhuǎn)化為可操作的決策，指導(dǎo)紡紗車(chē)間的生產(chǎn)和管理。

2 紡紗車(chē)間數(shù)字孿生模型構(gòu)建

2.1 紡紗車(chē)間幾何模型構(gòu)建

幾何模型是數(shù)字孿生預(yù)測(cè)系統(tǒng)中不可或缺的一部分，它要求在視覺(jué)表現(xiàn)上盡可能地接近實(shí)際的物理環(huán)境。Unity3D作為一種實(shí)時(shí)渲染引擎，能夠支持多樣化的渲染管線來(lái)優(yōu)化場(chǎng)景模型的表現(xiàn)，并且可以通過(guò)腳本編程的方式讀取實(shí)時(shí)數(shù)據(jù)來(lái)動(dòng)態(tài)驅(qū)動(dòng)孿生模型的動(dòng)作，這使得Unity3D成為構(gòu)建數(shù)字孿生平臺(tái)的理想選擇[13]。紡紗車(chē)間的數(shù)字孿生幾何模型用數(shù)學(xué)語(yǔ)言表示為式（1）：

式中： DT_M，fs 為紡紗車(chē)間場(chǎng)景孿生模型， D_M，i 表示車(chē)間設(shè)備模型，包括梳棉機(jī)、并條機(jī)、粗紗機(jī)、細(xì)紗機(jī)、絡(luò)筒機(jī)等； P_?M，j 表示車(chē)間人員模型； E_?M，k 表示虛擬場(chǎng)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(chē)間物流模型，包括棉桶、手推車(chē)、成品貨架等；n，m，p，q 分別表示對(duì)應(yīng)模型的總數(shù)量。

根據(jù)車(chē)間布局綜合利用Solidworks與3DsMax等軟件來(lái)創(chuàng)建車(chē)間內(nèi)設(shè)備和人員的三維模型。在SubstancePainter中對(duì)這些模型進(jìn)行詳細(xì)的外觀材質(zhì)和紋理設(shè)計(jì)，確保其外觀高度還原實(shí)物。建模和渲染之后，需要將來(lái)自不同應(yīng)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(mǎn)桶再到空桶的循環(huán)使用過(guò)程，可以運(yùn)用預(yù)制體（Prefab）技術(shù)在Unity3D中對(duì)棉桶進(jìn)行抽象建模。通過(guò)Unity3D提供的Instantiate方法，可以在運(yùn)行時(shí)動(dòng)態(tài)地生成這些棉桶模型實(shí)例，并為其設(shè)置相應(yīng)的屬性。當(dāng)這些模型完成了它們的生命周期后，可以使用Destroy方法來(lái)移除不再需要的模型實(shí)例。

2.2 紡紗車(chē)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(xiàng)旨在提升性能效率、加速數(shù)據(jù)傳輸、減少存儲(chǔ)占用、增強(qiáng)跨平臺(tái)適用性并簡(jiǎn)化操作流程的技術(shù)。通過(guò)實(shí)施模型簡(jiǎn)化與優(yōu)化措施，可以有效地減少所需的計(jì)算資源，加快模型加載速度，降低存儲(chǔ)成本，并且使得模型更易于使用和維護(hù)，更好地服務(wù)于數(shù)字孿生、仿真模擬及虛擬現(xiàn)實(shí)等應(yīng)用場(chǎng)景。

實(shí)現(xiàn)三維模型輕量化的方法多樣，主要包括幾何簡(jiǎn)化、紋理優(yōu)化、使用層次細(xì)節(jié)（LevelofDetail，LOD）技術(shù)、移除不可見(jiàn)幾何體、改進(jìn)模型的拓?fù)浣Y(jié)構(gòu)、選擇合適的文件格式以及應(yīng)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(fù)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(duì)細(xì)紗機(jī)模型進(jìn)行輕量化處理。如圖2所示，經(jīng)過(guò)處理后，模型的多邊形數(shù)量從原本的2484714個(gè)減少到了1267306個(gè)，減少了約 48.9% ;而頂點(diǎn)數(shù)量則從1667078個(gè)減少至659243個(gè)，削減比例達(dá)到了60.4% 。盡管進(jìn)行了大幅度的簡(jiǎn)化，模型的整體視覺(jué)效果并未受到顯著影響，依然保持了必要的細(xì)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(shí)也大幅縮減了文件的體積和計(jì)算負(fù)載

圖2細(xì)紗機(jī)模型輕量化處理前后對(duì)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(duì)輕量化后的系統(tǒng)整體性能進(jìn)行分析和優(yōu)化。圖3是輕量化前后的性能對(duì)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(duì)比圖

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

3紡紗車(chē)間數(shù)據(jù)采集與映射

3.1 紡紗車(chē)間數(shù)據(jù)采集

紡紗車(chē)間的數(shù)據(jù)采集目標(biāo)在于實(shí)時(shí)監(jiān)測(cè)和分析車(chē)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(shè)備的健康狀況。為了保證多源數(shù)據(jù)能夠全面而準(zhǔn)確地被收集，采用了Semtech公司開(kāi)發(fā)的低功耗局域網(wǎng)無(wú)線技術(shù)標(biāo)準(zhǔn)LoRa。從實(shí)際應(yīng)用的角度來(lái)看，LoRa無(wú)線網(wǎng)絡(luò)傳輸技術(shù)具有遠(yuǎn)距離通信、強(qiáng)抗干擾能力、低功耗以及良好的頻率偏差容忍度等特點(diǎn)，非常適合于覆蓋整個(gè)企業(yè)廠區(qū)的數(shù)據(jù)采集需求。數(shù)據(jù)采集的過(guò)程共有兩條路線，第一條是通過(guò)數(shù)采單元經(jīng)光纖鏈路連接交換機(jī)而后上傳數(shù)據(jù)至中心服務(wù)器，另一條則是采集單元和交換器通過(guò)光纖鏈路連接，然后通過(guò)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(shí)現(xiàn)長(zhǎng)距離無(wú)線傳輸，再經(jīng)LoRa網(wǎng)關(guān)將數(shù)據(jù)轉(zhuǎn)發(fā)至服務(wù)器。最后，在服務(wù)器端實(shí)現(xiàn)了數(shù)據(jù)的接入、存儲(chǔ)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(chē)間虛實(shí)映射

在紡紗車(chē)間的生產(chǎn)過(guò)程中，多任務(wù)并行加工是其生產(chǎn)過(guò)程的顯著特點(diǎn)，涵蓋了人員操作、物流任務(wù)執(zhí)行及設(shè)備運(yùn)行等多個(gè)方面。數(shù)字孿生車(chē)間的核心在于，確保數(shù)據(jù)實(shí)時(shí)性的同時(shí)，實(shí)現(xiàn)對(duì)整個(gè)生產(chǎn)流程的動(dòng)態(tài)映射，并能夠?qū)ιa(chǎn)過(guò)程中發(fā)生的動(dòng)態(tài)擾動(dòng)行為做出及時(shí)響應(yīng)與調(diào)整?；诩徏嗆?chē)間內(nèi)實(shí)時(shí)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(chē)間與數(shù)字孿生車(chē)間之間的虛實(shí)映射。圖5為紡紗車(chē)間虛實(shí)映射架構(gòu)圖，從圖中可以看出，車(chē)間作業(yè)流程可以通過(guò)“狀態(tài)-事件”的時(shí)序結(jié)構(gòu)進(jìn)行簡(jiǎn)化描述，其中包括工序轉(zhuǎn)換事件、物流任務(wù)變動(dòng)事件等，這一過(guò)程不僅要求模型能夠準(zhǔn)確反映當(dāng)前生產(chǎn)狀態(tài)，還需具備對(duì)突發(fā)情況的快速反應(yīng)能力，確保生產(chǎn)流程的順暢進(jìn)行。

4基于CNN-BiLSTM-Attention 的細(xì)紗能耗預(yù)測(cè)模型

4. 1 CNN模型

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是深度學(xué)習(xí)領(lǐng)域中應(yīng)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(lǐng)域得到廣泛應(yīng)用[14]。CNN 主要由卷積層和池化層構(gòu)成，其中卷積層通過(guò)使用卷積核來(lái)進(jìn)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(chē)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(luò)（RecurrentNeuralNetworK，RNN）的變體，通過(guò)在時(shí)間維度上同時(shí)運(yùn)行兩個(gè)LSTM網(wǎng)絡(luò)，一個(gè)從前向后（正向），一個(gè)從后向前（反向），來(lái)處理序列數(shù)據(jù)。通過(guò)將兩個(gè)方向的信息進(jìn)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(mén)\"的機(jī)制，其中包含3個(gè)門(mén)：遺忘門(mén)、輸入門(mén)和輸出門(mén)。通過(guò)這些門(mén)的組合，LSTM能夠在序列中有效地存儲(chǔ)和檢索信息，從而更好地捕捉長(zhǎng)期依賴(lài)關(guān)系。其結(jié)構(gòu)如圖7所示。

當(dāng)前狀態(tài)與上一時(shí)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(shí)刻的輸出 分別為 χ_t 時(shí)刻下遺忘門(mén)限、輸入門(mén)限、狀態(tài)矩陣、輸出門(mén)限；W_f，W_i，W_c，W_o 分別為各對(duì)應(yīng)層的權(quán)重; b_f，b_i，b_c，b_o 分別為各對(duì)應(yīng)層的偏置系數(shù)。最后，新的狀態(tài)如式（6）所示：

對(duì)于BiLSTM網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

數(shù)學(xué)語(yǔ)言表示為式（7）：

式中： 為 χ_t 時(shí)刻前向隱藏層狀態(tài)； 為 χ_t 時(shí)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(xiàng)； y_t 為Φ_t 時(shí)刻的輸出。

4.3 注意力機(jī)制

注意力機(jī)制（AttentionMechanism，AM）是一種基于人類(lèi)視覺(jué)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(jī)制結(jié)構(gòu)如圖9所示。

圖5紡紗車(chē)間虛實(shí)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(luò)結(jié)構(gòu)圖

Fig.6Network structure diagram of the CNN model

具體地，注意力機(jī)制的實(shí)現(xiàn)通常包含以下幾個(gè)步驟：首先，對(duì)輸入序列 y=[y₁y₂…y_n] 進(jìn)行編碼，得到一組查詢(xún)向 q ;然后通過(guò)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(xué)習(xí)的矩陣。并利用softmax函數(shù)進(jìn)行歸一化，得到每組輸入向量的權(quán)重 a_i ，計(jì)算如式（9）所示：

圖7LSTM模型的網(wǎng)絡(luò)結(jié)構(gòu)

Fig.7Network structure of theLSTM model

最后，根據(jù)權(quán)重和對(duì)應(yīng)的值向量計(jì)算加權(quán)和，得到最終的能耗預(yù)測(cè)分類(lèi)輸出 Ω_a ，計(jì)算如式（10）所示：

4.4 預(yù)測(cè)模型

本文提出的基于注意力機(jī)制的CNN-BiLSTM-Attention模型結(jié)構(gòu)如圖10所示，該模型包括5個(gè)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(fù)責(zé)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(jìn)一步提取時(shí)間維度上的特征；之后，Attention層根據(jù)輸入數(shù)據(jù)計(jì)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(yù)測(cè)

Fig.8Network structure diagram of BiLSTM

圖9注意力機(jī)制結(jié)構(gòu)圖

圖8BiLSTM網(wǎng)絡(luò)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(lái)源

本文對(duì)中國(guó)西北地區(qū)某紡織廠2022年4月份1號(hào)到10號(hào)實(shí)測(cè)細(xì)紗機(jī)運(yùn)行數(shù)據(jù)進(jìn)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(lèi)主要數(shù)據(jù)。該紡織廠的實(shí)測(cè)數(shù)據(jù)采樣間隔為 1～3min ，共計(jì)采取7714個(gè)樣本點(diǎn)，取前 80% 作為訓(xùn)練集，后 20% 作為測(cè)試集。

4.5.2 數(shù)據(jù)處理

本文對(duì)各特征進(jìn)行皮爾遜相關(guān)系數(shù)分析分別計(jì)算產(chǎn)量、速度、錠速、功率的相關(guān)度，結(jié)果如圖11所示?？梢钥闯龈魈卣髋c能耗相關(guān)程度較強(qiáng)，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(xì)紗能耗預(yù)測(cè)的特征組。

圖11能耗與各生產(chǎn)過(guò)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(shí)，本文對(duì)試驗(yàn)數(shù)據(jù)中存在的停機(jī)數(shù)據(jù)采用剔除處理，同時(shí)，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(xùn)練和更好地評(píng)價(jià)試驗(yàn)結(jié)果，對(duì)試驗(yàn)的數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算方法如式（11）所示：

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

4.5.3 評(píng)價(jià)指標(biāo)

本文采用平均絕對(duì)誤差（Mean Absolute Error，MAE）均方根誤差（RootMeanSquareError，RMSE）和確定系數(shù)（RSquared， R² ）作為評(píng)價(jià)指標(biāo)，計(jì)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(yù)測(cè)效果越好， R² 值越接近于1，表明模型預(yù)測(cè)效果越好。

式中： y_i 為真實(shí)值， 為預(yù)測(cè)值。

4.5.4 試驗(yàn)結(jié)果分析

選擇CNN-BiLSTM-Attention模型進(jìn)行紡紗能耗預(yù)測(cè)，該模型能夠有效處理紡紗數(shù)據(jù)的時(shí)間序列特性、多維特征、局部特征和長(zhǎng)期依賴(lài)。CNN負(fù)責(zé)提取局部特征，BiLSTM捕捉時(shí)間序列上的長(zhǎng)期依賴(lài)關(guān)系，通過(guò)注意力機(jī)制的加權(quán)信息融合，提高模型的準(zhǔn)確性和可解釋性，從而實(shí)現(xiàn)更精準(zhǔn)的能耗預(yù)測(cè)，為了驗(yàn)證該模型在細(xì)紗機(jī)能耗預(yù)測(cè)上的可靠性和優(yōu)越性，與ARIMA、LSTM、CNN-LSTM以及CNN-BiLSTM等模型進(jìn)行對(duì)比，算法對(duì)比效果如圖12—14所示。

結(jié)果中準(zhǔn)確率最高可達(dá)0.9821，最低為0.8138，平均準(zhǔn)確率為0.9182。說(shuō)明模型在不同數(shù)據(jù)子集下沒(méi)有陷入過(guò)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(jī)制通過(guò)優(yōu)化特征提取、減少干擾以及改善長(zhǎng)期依賴(lài)問(wèn)題等方式，有效提升了CNN-BiLSTM-Attention模型的預(yù)測(cè)精度，具有一定的優(yōu)越性。幾種模型的預(yù)測(cè)結(jié)果和誤差如表1所示。

5 系統(tǒng)驗(yàn)證與應(yīng)用

為了應(yīng)對(duì)傳統(tǒng)紡紗車(chē)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(shè)計(jì)并實(shí)現(xiàn)了一套適用于該車(chē)間的數(shù)字孿生能耗預(yù)測(cè)系統(tǒng)。此系統(tǒng)能夠?qū)崟r(shí)采集并處理車(chē)間內(nèi)的能耗數(shù)據(jù)和設(shè)備運(yùn)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(chē)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(yù)測(cè)模型局部放大圖

圖125個(gè)模型的預(yù)測(cè)值和實(shí)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(yù)測(cè)誤差

Tab.1 Prediction errors ofdifferent models

系統(tǒng)測(cè)試環(huán)境采用了客戶(hù)端/服務(wù)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(kāi)發(fā)使用Unity3D作為主要平臺(tái)，并結(jié)合了SolidWorks、3DsMax用于建模，同時(shí)使用VisualStudio2019和C#語(yǔ)言編寫(xiě)程序邏輯，以及利用XCharts來(lái)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(gè)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(chē)間顯示區(qū)。功能菜單欄作為系統(tǒng)的中樞，整合了諸如車(chē)間漫游、虛擬現(xiàn)實(shí)（VR）體驗(yàn)以及能耗預(yù)測(cè)等功能，使得用戶(hù)能夠便捷地切換至所需的功能頁(yè)面。數(shù)據(jù)可視化區(qū)域則專(zhuān)注于展現(xiàn)各工序中設(shè)備的實(shí)際能耗情況，有助于管理者迅速且全面地了解車(chē)間的能耗狀態(tài)。而在虛擬車(chē)間顯示區(qū)域，則能夠模擬展示實(shí)際的生產(chǎn)流程。通過(guò)集成DOTween插件，為車(chē)間的虛擬攝像機(jī)設(shè)定了自動(dòng)漫游路徑，實(shí)現(xiàn)了車(chē)間內(nèi)部的自動(dòng)化視查功能。這一系列的設(shè)計(jì)改進(jìn)，顯著增強(qiáng)了車(chē)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(yǔ)

本文開(kāi)發(fā)了基于數(shù)字孿生技術(shù)的紡紗車(chē)間能耗預(yù)測(cè)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(fèi)，并助力企業(yè)實(shí)現(xiàn)可持續(xù)發(fā)展目標(biāo)。通過(guò)構(gòu)建紡紗車(chē)間的數(shù)字孿生模型，有效地收集和處理來(lái)自各種傳感器的數(shù)據(jù)，進(jìn)而準(zhǔn)確預(yù)測(cè)車(chē)間在不同工況下的能耗情況。具體結(jié)論如下：

圖15 紡紗車(chē)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(gè)4層架構(gòu)（物理層、感知層、孿生層和應(yīng)用層），用于實(shí)現(xiàn)對(duì)實(shí)際紡紗過(guò)程的精確模擬和預(yù)測(cè)。

b）CNN與BiLSTM結(jié)合的方法可以提取紡紗生產(chǎn)過(guò)程中的數(shù)據(jù)特征，并引入注意力機(jī)制以提高模型的泛化能力。提出的CNN-BiLSTM-Attention模型在能耗預(yù)測(cè)上具有高精度，其MAE為0.6435，RMSE為 2.4423，R² 達(dá)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(yù)測(cè)精度和更低的誤差。

c）該系統(tǒng)能夠在虛擬環(huán)境中準(zhǔn)確模擬實(shí)際紡紗過(guò)程中的能耗情況，并對(duì)未來(lái)能耗趨勢(shì)進(jìn)行預(yù)測(cè)

參考文獻(xiàn)：

[1]中國(guó)紡織工業(yè)聯(lián)合會(huì)．紡織行業(yè)“十四五”發(fā)展綱要［J]．紡織科學(xué)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(chē)間：一種未來(lái)車(chē)間運(yùn)行新模式[J]．計(jì)算機(jī)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(dòng)的流程制造車(chē)間數(shù)字孿生系統(tǒng)研發(fā)［J]．計(jì)算機(jī)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．?dāng)?shù)字孿生在紡紗領(lǐng)域應(yīng)用的關(guān)鍵技術(shù)解析[J]．紡織學(xué)報(bào)，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(chē)間生產(chǎn)過(guò)程數(shù)字孿生系統(tǒng)構(gòu)建及應(yīng)用[J]．計(jì)算機(jī)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(chē)間可視化實(shí)時(shí)監(jiān)控方法［J]．計(jì)算機(jī)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(xué)報(bào)，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(qián)宇晗，等．?dāng)?shù)字孿生視角下的智能紡紗應(yīng)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．?dāng)?shù)字化轉(zhuǎn)型對(duì)紡織企業(yè)綠色創(chuàng)新的影響作用與機(jī)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．?dāng)?shù)字孿生五維模型及十大領(lǐng)域應(yīng)用[J]．計(jì)算機(jī)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(zhǎng)敏，沈春婭，胡旭東，等．基于數(shù)字孿生的包覆加彈一體機(jī)車(chē)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(luò)研究綜述[J]．計(jì)算機(jī)學(xué)報(bào)，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?jiān)?，吳淵，等．注意力機(jī)制在深度學(xué)習(xí)中的研究進(jìn)展[J]．中文信息學(xué)報(bào)，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