面向認知的新一代紡織智能制造體系

鮑勁松，江亞南，劉家雨

(東華大學 機械工程學院，上海 201620)

紡織業(yè)是重要的民生產業(yè)，提高紡織業(yè)的智能化程度是建設制造強國的關鍵。新一代人工智能(artificial intelligence，AI)技術的快速發(fā)展以及“工業(yè)4.0”“中國制造2025”等政策的提出為推進紡織業(yè)智能化提供了契機[1-4]。

隨著AI技術的發(fā)展，紡織業(yè)制造系統(tǒng)不斷進行體系革新與升級[5]。紡織制造體系可以歸納為層次化的自動化集成、全連接的工業(yè)互聯(lián)網和智能化的認知制造三類。當前大部分紡織制造系統(tǒng)處于自動化和網絡化階段[6]，此階段制造體系多是基于數據驅動對數據進行感知處理。隨著知識生成技術日益成熟，復雜多源的數據被轉換成簡單易懂的知識，進而基于知識進行認知處理與調控，最終形成認知制造體系。認知技術不僅可以得出數字問題的答案，還可以理解80%的非結構化數據，包括“閱讀”文本、“看到”圖像和“聽到”語音[7-9]。因此，將紡織制造系統(tǒng)與認知技術相結合能夠從全局角度分析并調控生產系統(tǒng)，這也是紡織制造系統(tǒng)智能化發(fā)展的重要導向。

目前針對知識驅動的認知制造體系的深層次研究還較少。本文在分析紡織制造系統(tǒng)演化進程的基礎上，提出面向認知的新一代紡織智能制造體系。該體系結構以知識為驅動，對系統(tǒng)中形成的知識圖譜進行感知和認知處理，從而實現紡織制造系統(tǒng)的自適應、自組織和自決策。以棉紡生產系統(tǒng)為例，通過對棉紡生產設備工作狀態(tài)和紗線質量的認知分析，驗證本文所提體系結構的有效性。該研究對于紡織智能制造體系邁上智能化新高度有著重要指導意義。

1 紡織制造系統(tǒng)的演化

制造系統(tǒng)的演化進程如圖1所示。隨著科技的變革，制造系統(tǒng)不斷演化，從自動化集成到全連接工業(yè)互聯(lián)網，并向認知制造方向不斷發(fā)展。面向紡織的制造系統(tǒng)包括離散型和混合型兩類。

圖1 制造系統(tǒng)的演化[10]Fig.1 Evolution of intelligent manufacturing system [10]

1.1 層次化的自動化集成

ISA-95是企業(yè)系統(tǒng)與控制系統(tǒng)集成的國際標準，也是我國紡織行業(yè)自動化生產的主要實施方法論。基于該標準的自動化集成結構呈金字塔型，從下至上共分為5個層次，層次0為物理生產過程，層次1為與自動控制有關的活動，層次2為監(jiān)視和控制物理生產過程的活動，層次3負責產品生產執(zhí)行，層次4與業(yè)務和管理相關。自動化階段的紡織系統(tǒng)具備自動控制與分散控制系統(tǒng)[11]，以及一體化信息集成[12]等關鍵技術。此階段的基礎基建工作實現了紡織生產要素的全連接，以及數據的傳輸、信息的交互和車間統(tǒng)一管理，這是實現智能制造的基礎。目前我國大部分紡織生產企業(yè)在相當長時間內仍要不斷地夯實紡織自動化系統(tǒng)。

1.2 全連接的工業(yè)互聯(lián)網

隨著“中國制造2025”的提出，我國大力推進互聯(lián)網與自動化工業(yè)系統(tǒng)的結合，以實現計算、分析與傳感技術的融合。工業(yè)互聯(lián)網利用霧計算和云計算，在制造系統(tǒng)中實現大數據的集成與共享。工業(yè)互聯(lián)網與紡織車間的結合使得設備之間、設備與控制中心之間得以進行數據傳輸和信息交互，從而實現設備狀態(tài)的在線監(jiān)控、數據網絡化管理和設備工藝參數優(yōu)化等功能[13]。

紡織工業(yè)互聯(lián)網的關鍵技術主要包括互聯(lián)互通[14-15]、生產監(jiān)控[15-17]、大數據集成[18]、基于云平臺的智能運算[19]等。該網絡化階段的紡織生產系統(tǒng)雖然實現了數據的交互與信息的傳遞，但沒能對整個生產工廠進行全面衡量，因此在大數據、物聯(lián)網和云邊協(xié)同等信息技術支持下，應積極推進紡織生產系統(tǒng)從網絡化向智能化的變革，從全局角度革新工廠生產過程。

1.3 無處不在的認知制造

工業(yè)互聯(lián)網實現了工業(yè)數據的全面感知、動態(tài)傳輸和實時分析，為認知制造提供了基礎。研究者們通過構建認知制造體系，實現資源合理配置、流程優(yōu)化與生產實時監(jiān)控和管理等[20-22]。認知制造使得紡織生產車間能夠理解當前的生產狀態(tài)和面臨的問題，并且能夠對后續(xù)生產規(guī)劃進行分析與決策，形成自學習、自感知和自適應的智能產線，智能車間和智能工廠[23]。目前針對紡織智能制造的關鍵技術的研究較為分散，主要有機器視覺在紡織面料領域的檢測、數據驅動的生產過程分析[24]及紡織系統(tǒng)的虛實結合，涉及信息物理系統(tǒng)(cyber-physical systems,CPS)和數字孿生[25-26]技術等。

根據認知科學的理論，工業(yè)智能可分為感知與認知兩個子系統(tǒng)。感知系統(tǒng)是一個直覺系統(tǒng)，用于簡單直接的分析；認知系統(tǒng)用于長時間的學習與分析。紡織智能制造系統(tǒng)的發(fā)展與演變過程，并不是嚴格的串行過程，而是智能化、數字化、網絡化各自并行發(fā)展和相互促進。紡織智能制造的“智能”應該最終體現在認知方面。

2 面向認知的紡織智能制造體系

基于認知技術構建了新一代紡織智能制造體系，該體系與傳統(tǒng)智能制造體系不同的是通過認知處理實現數據、知識和智慧的轉換。

2.1 面向紡織的認知體系結構

提出的紡織認知體系主要基于數據流進行認知處理，其體系結構如圖2所示，由工業(yè)互聯(lián)網、知識圖譜、認知引擎和工業(yè)APP組成。

圖2 紡織認知制造體系結構Fig.2 Architecture of textile cognitive manufacturing system

工業(yè)互聯(lián)網可實現數據的傳輸與采集，最終獲取紡織系統(tǒng)中的工藝、設備和物流等數據。由于采集的數據規(guī)模大、多源異構且維度多，因此常規(guī)的數據處理方法難以高效準確地提取有價值的信息。知識圖譜可將數據轉變?yōu)橹R，其強大的語義處理與互聯(lián)能力可為紡織系統(tǒng)中的知識互聯(lián)奠定基礎[27]。認知引擎由感知系統(tǒng)和認知系統(tǒng)組成且二者互相反饋補充。感知系統(tǒng)刪除了子圖譜中冗余、歧義和無用的知識，并將各個子圖譜融合成系統(tǒng)性的知識圖譜。認知系統(tǒng)基于知識總圖譜進行重要節(jié)點分析與預測，最后根據分析結果調取相應的認知模型進行調節(jié)。知識管理器中的知識被實時上傳到云平臺，便于后續(xù)的知識調取和全局認知分析。最終紡織認知體系實現了產品質量、生產過程和設備運行與維護的智能優(yōu)化。

2.2 紡織認知體系的認知過程

認知過程是紡織體系中的核心內容，本節(jié)將詳細介紹如何將數據轉化為知識并基于知識進行認知操作。

2.2.1 認知制造的知識生成

在進行認知分析前需要先將數據轉換為知識，紡織生產中上下文知識的表示與生成過程如圖3所示，該過程中主要涉及知識抽取、知識表示、知識融合等步驟。

圖3 紡織生產上下文知識表示與生成Fig.3 Representation and generation of textile production context knowledge

不同類型的數據采用不同的知識抽取方法。結構化數據普遍采用資源描述框架進行知識組織與抽取。非結構化和半結構化數據需提取出實體、關系、屬性等知識要素，其中：實體抽取采用基于規(guī)則與詞典、基于統(tǒng)計機器學習以及面向開放域的抽取方法[28]；關系抽取采用基于馬爾可夫邏輯網、基于本體推理的深層隱含關系抽取方法[29]；屬性抽取采用基于特征向量、核函數、神經網絡等的方法[30]。

抽取出的知識需要表示成相應的格式，通常采用分布式表示學習的方法，將信息轉化為稠密、低維的實值向量，再在低維空間中高效計算實體、關系及其之間的語義關聯(lián)，形成一個完整的知識庫。由于存在知識質量良莠不齊、關聯(lián)不夠明確等問題，因此需要通過知識融合構建高質量的知識庫。知識融合主要包括異構數據整合、消歧、加工和更新等步驟[31]。

2.2.2 認知制造的控制決策

紡織認知體系的控制系統(tǒng)由感知、認知、決策、企業(yè)資源計劃(enterprise resource planning,ERP)和生產執(zhí)行系統(tǒng)(manufacturing execution system,MES)組成，其控制流程如圖4所示。控制決策由數據流、任務流和控制流協(xié)作完成，其各自走向分別用紫色、黑色和藍色箭頭表示。

圖4 紡織認知體系的認知過程Fig.4 The cognitive process of the textile cognitive system

首先，ERP系統(tǒng)基于任務流處理任務，通過任務生成器接收來自ERP的訂單，生成相應的任務序列并發(fā)送至MES和認知處理器。其次，感知和認知模塊基于數據流開展工作，其中：感知模塊基于邊緣處理對初始知識圖譜進行集成與挖掘，得到系統(tǒng)的知識圖譜并將其上傳至云平臺；認知模塊通過認知管理器獲取的任務指令，調取相應的認知代理進行知識庫在線學習,從而制定決策方案，并通過迭代優(yōu)化對知識庫進行更新。然后，決策模塊基于控制流，根據計劃和認知模塊制定的決策方案制定相應的控制序列指令。最后，決策模塊通過對比認知模塊與MES處理的結果進行決策。結果與預期目標匹配，則向MES發(fā)送消息，報告正常狀態(tài)，繼續(xù)運行；反之，認知代理將最優(yōu)方案傳遞給決策模塊，由其對系統(tǒng)進行控制。通過數據流、任務流和控制流的協(xié)作最終實現系統(tǒng)的在線、在位自治。

2.2.3 認知制造的雙系統(tǒng)交互

控制系統(tǒng)中感知系統(tǒng)與認知系統(tǒng)的交互原理如圖5所示。

圖5 感知-認知雙系統(tǒng)的交互原理Fig.5 Interaction principle of perception-cognition dual system

感知系統(tǒng)對知識子圖譜存在的異構性、缺乏更新、冗余等問題進行篩選與融合處理。由于圖神經網絡常用于處理圖結構的數據，本文采用基于圖神經網絡的一系列算法進行知識篩選，利用基于上下文的圖卷積神經網絡(contextualized graph convolutional network,C-GCN)、基于注意力的圖卷積網絡(attention guided graph convolutional network,AGGCN)、圖神經實體消歧(graph neural entity disambiguation,GNED)、多通道圖神經網絡(multi-channel graph neural network,MuGNN)等方法剔除冗余信息。

預處理后采用基于張量分解的方法和嵌入的方法將各個子知識圖譜融合成紡織系統(tǒng)總的知識圖譜。基于張量分解的方法有隨機語義張量聚合(random semantic tensor ensemble,RSTE)和基于鏈路預測的簡單嵌入(simple embedding,SimplE)。基于嵌入的方法主要有超平面上的平移嵌入(translating on hyperplanes,TransH)和全息嵌入(holographic embeddings,HolE)等。

認知系統(tǒng)基于知識圖譜利用深度神經網絡生成決策方案，通過不斷試錯學習達到強化學習的目的，并將工作效率最高的方案作為該階段的最優(yōu)調節(jié)方案并生成相應的動作，實現生產過程中任務的實時調度與資源配置。

3 面向棉紡的認知制造應用趨勢

傳統(tǒng)棉紡生產過程產生的數據種類多、數量大，且呈高動態(tài)變化，因此難以高效準確地利用生產數據。對此本文將紡織認知體系應用到棉紡生產系統(tǒng)，該系統(tǒng)的體系結構如圖6所示。

圖6 棉紡認知制造體系Fig.6 Cognitive manufacturing system of cotton spinning

首先，分別采集各工位的重要數據并生成相應的知識子圖譜；其次，通過感知層形成總知識圖譜；最后，基于總知識圖譜進行可視化監(jiān)控，并根據監(jiān)控結果進行調控。調控的對象主要是生產設備與棉紡質量，其中，生產設備是系統(tǒng)工作的基礎，獲得高質量的棉紡產品是系統(tǒng)工作的目標。因此本節(jié)將對棉紡生產設備的工作狀態(tài)和紗線質量進行認知分析。

3.1 棉紡生產設備工作狀態(tài)的認知分析

傳統(tǒng)的棉紡生產設備工作狀態(tài)主要依靠人工進行檢測與運行和維護，工作效率低且穩(wěn)定性差。本文采用感知-認知雙系統(tǒng)進行設備狀態(tài)的認知分析以實現設備自動運行和維護。感知系統(tǒng)將設備的重要性能指標組建成系統(tǒng)的總知識圖譜，而認知系統(tǒng)基于知識圖譜對生產系統(tǒng)進行全局的運行狀況分析和可視化處理。同時，系統(tǒng)的知識庫在不斷迭代更新，決策方案也隨之調整，以獲得當前狀態(tài)下最適宜的設備工藝參數，從而優(yōu)化設備參數。

獲取生產設備的工作狀態(tài)信息后需對設備進行運行和維護，圖7為細紗機的故障預測與健康管理(prognostics health management,PHM)過程。通過認知系統(tǒng)確定系統(tǒng)中出現故障的工位設備，再調取知識庫中的模型進行故障預測和初步維修。若出現嚴重故障問題則上報控制中心，由其下發(fā)維修任務進行人工維修。

圖7 棉紡細紗機的PHM維護Fig.7 PHM maintenance of cotton spinning frame

3.2 紗線質量認知分析

棉紡生產過程中，纖維狀態(tài)多變，質量屬性多樣，導致紗線質量的精準控制一直是個難題。傳統(tǒng)紗線質量檢測依賴人工檢測，其成本高、效率低。因此本文在棉紡生產線的各工序階段實時控制紗線質量。由于 Actor-Critic 學習在任務控制方面的出色表現[32-33]，本文基于Actor-Critic形成紗線質量控制模型，其原理如圖8所示。首先，采集各工序的重要質量參數組成知識圖譜；其次，基于知識圖譜獲取認知代理的Critic網絡參數；然后，計算Critic網絡參數的權重，以評估參數實際值與目標值之間的偏差；最后，修正每個Critic網絡參數的偏差并對其進行補償與更新，輸出獲得最大獎勵值的動作序列，并對該動作序列進行評估與修正。

圖8 面向認知技術的紗線控制模型Fig.8 Yarn control model based on cognitive technology

4 結 語

基于感知-認知雙系統(tǒng)構建新一代紡織智能制造體系，著重介紹了該體系中的認知過程，并以棉紡生產系統(tǒng)為例，詳細闡述了設備工作狀態(tài)和紗線質量的認知分析過程。在未來的研究工作中，可以考慮將認知體系與紡織行業(yè)的多個領域融合，對認知制造系統(tǒng)的機理模型展開深入研究，從而全面厘清紡織業(yè)智能制造系統(tǒng)的結構。