科创中国

新一代信息技术产业,电子核心产业

本研究以浙江锦盛控股集团有限公司生产的化纤长丝为案例，旨在建立一套涵盖数据采集、设备改进、模型构建、CV值预测、输入数据重要性分析及预测结果分析的化纤长丝关键质量指标（CV值）实时在线预测分析解决方案。具体而言，我们开发了基于端-边-云架构的化纤制造过程质量监控与分析数字化解决方案，其主要内容包括： 1. 生产过程数据的实时采集与传输； 2. 关键质量指标数据（CV值）测量设备系统的改进，以及CV值的采集与传输； 3. 生产过程数据与关键质量指标数据的对齐方案与数据集建立； 4. 针对化纤长丝数据特点的半监督时序回归预测软测量模型，用于CV值的实时预测； 5. 基于软测量模型的两种特征重要性分析模型，用于生产过程数据特征重要性的实时分析； 6. 可视化大屏幕展示系统，用于实时展示生产过程数据的采集与分析、CV值实时预测及结果分析和特征重要性分析； 7. 数字孪生模型的建立及其在生产工艺优化中的应用展望。 通过上述工作，我们构建了一个全面的化纤长丝质量监控与预测系统，旨在提升生产过程的精确控制和产品质量的稳定性。

基于端-边-云架构的化纤长丝生产过程质量监控与分析数字化解决方案的研究思路和技术路线。首先，在端测进行数据采集与存储。针对卷绕过程数据的采集，使用日本TMT公司的卷绕机，其卷绕速度高达4800米/分钟，能够在高速运转情况下每10秒采集一次数据。TMT卷绕系统采集的卷绕数据上传到控制器，并进一步传输到现场工程师站以便查看和设置。我们在现场布置边缘设备工作站，将工程师站中的数据实时同步采集到边缘设备，并同时传输到实验室本地云端数据库。对于长丝线CV值的采集，我们通过改进的条干仪对全盘丝线进行连续测量，获取CV值及其相应的位置。随后，将这些数据上传到数据库。在云测，将采集到的大量的卷绕过程数据和少量的CV值数据进行对齐并建立化纤长丝线数据集，并训练针对化纤数据建立的半监督时序软测量回归预测模型。并使用建立的数据集不断的训练软测量模型使得该半监督时序软测量回归模型能够实时精确预测CV值。在边侧，将在云端训练好的半监督时序软测量回归模型部署到边缘设备，并将卷绕过程数据经过处理后实时送入模型进行在线CV值预测。

流程实验室团队