58、纺织过程多目标优化与生产控制挑战

纺织过程多目标优化与生产控制挑战

在纺织行业以及制造业的生产控制领域，面临着诸多挑战，同时也有相应的优化方法和解决方案。下面将详细介绍纺织过程的多目标优化以及生产控制面临的挑战和应对思路。

纺织过程多目标优化

纺织过程的多目标优化旨在通过一系列步骤和算法，找到织机的最优参数设置，以提高生产效率、降低能耗、提升织物质量等多个目标。

优化步骤

1. 参数设置 ：用户设置织机的参数空间，如经停装置和每分钟转数等，确保算法在可行范围内运行。
2. 测试过程 ：织机设置每个测试点，记录描述目标函数的传感器数据，这些目标函数包括经纱张力、能耗和织物质量等。
3. 回归模型计算 ：利用获得的数据计算三个回归模型，每个目标函数对应一个模型，描述目标函数与设置参数的依赖关系。
4. 优化设置计算 ：基于预定义的质量标准，应用期望函数和数值优化算法，计算织机的优化设置。在执行优化程序之前，用户可以通过目标权重集成对目标函数的偏好，每个目标函数的偏好尺度分为低、中、高三个部分。

期望函数

期望函数的应用起源于Derringer和Suich，其目的是将需要优化的目标函数汇总为一个共同的函数，即总期望dtot。
- 对于每个目标函数，开发一个期望函数，期望函数的值域为[0; 1]。当一个目标函数的期望达到0时，在优化例程中结果无效；当期望达到1时，目标函数的值为最优。
- 总期望dtot通过各个期望的几何平均值计算得出：
[dtot = (w_1, w_2, \ldots, w_n)^{\frac{1}{n}}]
其中，(w_1, w_2, \ldots, w_n)是n个目标函数的期望。总期望反映了各个期望与最优范围的接近程度，由于各个期望的相乘，dtot的值域也在[0; 1]之间。当所有目标函数都处于最优范围时，总期望达到1；如果只有一个目标函数的值无效，总期望等于0。

Nelder/Mead算法

Nelder/Mead算法是一种数值优化程序，用于最大化总期望dtot，以找到织机的主观最优操作点。该算法搜索基本经纱张力、每分钟转数和垂直经停装置位置这三个参数的组合，使dtot最大化。
- 设置起始值 ：为考虑的参数设置起始值，作为算法的起点。起始值在第一次迭代之前设置，并在算法使用过程中向最优值移动。
- 计算和排序 ：从一个具有m个参数的最小化问题开始，算法考虑m + 1个参数组合（P1, P2, …, Pm+1）。在m + 1个点计算目标函数的值，并按升序排序。
- 迭代优化 ：检查参数空间中的三个点P1, P2和P3，在每个点计算目标函数的值Fi = F(Pi)，i = 1, 2, 3。然后对函数值进行排序：F1 ≤ F2 ≤ F3。在每次迭代中，创建一个新的点，替换具有最大待最小化函数值的点（如P3），通过Nelder/Mead算法的基本操作实现最差点的替换。

实验结果

在ITA实验室进行了为期八小时的长期测试，使用Picanol n.v.的OmniPlus 800喷气织机，经纱和纬纱使用330 dtex的聚酯长丝纱（组织：3/1斜纹）。比较了使用MOSO优化程序和不使用优化程序的生产数据，结果如下表所示：
| 记录数据 | MOSO结果 | 参考设置结果 |
| — | — | — |
| 效率（生产时间/总时间） | 98.6 % | 97.2 % |
| 生产织物量 | 8.16 m | 15.41 m |
| 纬纱插入量 | 125,157 | 215,982 |
| 纬纱缺陷 | 2 | 6 |
| 经纱断裂 | 0 | 0 |
| 平均经纱张力 | 1.27 N | 1.49 N |
| 平均空气消耗 | 134.23 m³/h i. N | 155.26 m³/h i. N |
| 平均有功功率使用 | 2.49 kW | 4.62 kW |
| 平均质量类别 | 0.93 | 1.55 |
| 设置时间 | 30 min | 120 min |

从实验结果可以看出，使用优化设置后，织机的效率更高，主要是通过减少机器停机时间实现的。同时，纬纱缺陷减少，能耗降低，设置时间也大幅缩短。

生产控制面临的挑战

在制造业中，生产控制面临着诸多挑战，这些挑战主要源于动态的环境和不断增加的规划复杂性。

挑战因素

1. 环境动态变化 ：制造公司需要适应客户需求的变化、供应的重新安排以及网络中的动荡等动态环境条件。
2. 时间和复杂性 ：工艺时间不断缩短，产品和工艺变化增加，市场和生产环境不明确。例如，机器和工厂制造行业的交付时间减少了约50%，产品和工艺复杂性达到了很高的水平，需要高度的监控和协调才能控制。
3. 经济和需求波动 ：不稳定的经济形势、波动的客户需求、短期重新安排、订单提前发布或产能过载等，给生产计划带来了困难。
4. 数据问题 ：不正确或过时的数据常常导致规划结果不佳，生产计划人员往往没有合适的评估变量来进行控制决策。此外，不同生产数据的粒度通常不够，过渡时期（前一台机器的最后一个工艺步骤与下一台机器的第一个工艺步骤之间的时间间隔）的信息往往映射得很粗略。
5. 预测质量低 ：由于未来市场需求的不确定性、不可预测的机器故障和不可靠的供应商，生产计划中的预测质量不准确。目前的IT系统大多由于不准确的调度数据，无法为规划和控制提供可靠的预测。

为了应对这些挑战，网络物理生产控制的方法遵循将数据分析领域的方法应用于生产控制过程的思路，通过实施数据生成、处理、评估和交换等技术，实现智能数据的使用，提高规划准确性和管理决策质量。

智能决策支持示例

在日常生活中，有许多智能决策支持系统的例子，为生产控制提供了借鉴。
- 智能天气应用 ：如wetter.com - Wetterwecker应用程序，通过GPS模块了解用户当前位置的当前和未来天气，根据夜间天气变化调整闹钟预设时间，避免用户因意外的天气变化错过重要会议。
- 汽车抬头显示技术 ：Rover汽车使用的抬头显示技术，除了显示关键驾驶信息外，还提供挡风玻璃宽的虚拟挡风玻璃。通过中央激光传感器在虚拟挡风玻璃上投射停车轨迹，实现辅助安全停车过程。在赛车运动中，还可以可视化理想的赛车线或最后一圈的行驶轨迹，突出最佳刹车点或峰值，帮助驾驶员达到最短时间。

通过这些智能决策支持系统的例子，可以为生产控制领域的自适应预测和控制提供思路，开发新的系统来支持生产计划人员应对日益增加的挑战。

综上所述，纺织过程的多目标优化和生产控制领域都面临着各自的挑战，但也有相应的解决方案和技术可以应用。未来，随着技术的不断发展，有望进一步提高纺织生产的效率和质量，同时改善生产控制的准确性和可靠性。

纺织过程多目标优化与生产控制挑战

生产控制挑战应对思路

面对生产控制面临的诸多挑战，网络物理生产控制提出了一系列应对策略，旨在通过数据的智能处理和分析，提升生产控制的效率和准确性。

数据技术的应用

为了实现智能数据的使用，需要在生产控制过程中实施以下技术：
1. 数据生成 ：确保生产过程中的各类数据能够准确、实时地被采集。例如，利用传感器收集机器的运行状态、生产进度、物料使用等数据。
2. 数据处理 ：对采集到的大量原始数据进行清洗、转换和整合，使其便于后续的分析和应用。这可能涉及到数据的标准化、缺失值处理、异常值检测等操作。
3. 数据评估 ：运用合适的数据分析方法和模型，对处理后的数据进行评估，以获取有价值的信息和洞察。例如，通过统计分析、机器学习算法等，预测生产趋势、识别潜在问题。
4. 数据交换 ：实现不同部门、不同系统之间的数据共享和流通，打破信息孤岛，确保生产计划人员能够获取全面、准确的信息，做出更合理的决策。

通过这些数据技术的应用，可以将生产过程中的数据转化为有价值的“智能数据”，为生产控制提供有力支持。

构建透明化生产流程

借助智能数据，能够实现整个生产过程链的全面透明化。生产计划人员可以实时了解各个环节的生产状态、进度和质量情况，及时发现问题并采取相应的措施。例如，通过监控生产设备的运行数据，可以提前预测设备故障，进行预防性维护，减少停机时间；通过分析物料的使用情况，可以优化库存管理，降低成本。

这种透明化的生产流程有助于提高规划准确性，减少因信息不及时或不准确导致的决策失误，同时也能够提高管理决策的质量，使企业能够更好地应对市场变化和生产挑战。

未来展望

随着技术的不断发展，纺织过程的多目标优化和生产控制领域有望迎来更多的创新和突破。

移动应用开发

未来的研究将聚焦于开发移动应用程序，为生产操作人员提供便捷的辅助系统。这些移动应用可以基于上述的优化算法和数据分析结果，为操作人员提供实时的生产建议和指导。例如，在织机操作过程中，操作人员可以通过手机应用获取当前织机的最优参数设置、生产进度监控、故障预警等信息，及时调整操作，提高生产效率和质量。

融入工业4.0智能纺织生产链

纺织行业将朝着工业4.0的方向发展，将认知织机嵌入到智能纺织生产链中。在这个智能生产链中，所有的生产单元将相互连接、相互协作，实现生产过程的自动化、智能化和柔性化。例如，织机可以与上游的纺纱设备、下游的印染设备进行数据交互，根据订单需求和生产状态自动调整生产参数，实现整个生产过程的优化和协同。通过这种方式，能够进一步提高纺织生产的整体效率和竞争力，满足市场对个性化、高品质纺织品的需求。

总结

纺织过程的多目标优化和生产控制是纺织行业发展中至关重要的环节。通过多目标优化算法，如期望函数和Nelder/Mead算法的应用，可以找到织机的最优操作点，提高生产效率、降低能耗、提升织物质量。同时，面对生产控制中的诸多挑战，网络物理生产控制通过数据技术的应用和智能决策支持，能够提高规划准确性和管理决策质量。未来，随着移动应用的开发和工业4.0智能纺织生产链的构建，纺织行业将迎来更加智能化、高效化的发展阶段。

下面通过一个mermaid流程图展示纺织过程多目标优化的主要步骤：

graph LR
    A[参数设置] --> B[测试过程]
    B --> C[回归模型计算]
    C --> D[优化设置计算]
    D --> E[获取最优操作点]

同时，为了更清晰地展示生产控制面临的挑战及其影响，我们可以用表格进行总结：
| 挑战因素 | 具体表现 | 影响 |
| — | — | — |
| 环境动态变化 | 客户需求变化、供应重新安排、网络动荡 | 增加生产计划的复杂性 |
| 时间和复杂性 | 工艺时间缩短、产品和工艺变化增加、市场和生产环境不明确 | 需要更高的监控和协调能力 |
| 经济和需求波动 | 不稳定经济形势、波动客户需求、短期重新安排等 | 给生产计划带来困难 |
| 数据问题 | 不正确或过时数据、数据粒度不够 | 导致规划结果不佳，缺乏合适评估变量 |
| 预测质量低 | 未来市场需求不确定、机器故障不可预测、供应商不可靠 | 影响生产计划的准确性 |

通过以上的分析和总结，我们可以看到纺织行业在优化生产过程和应对生产控制挑战方面已经取得了一定的成果，但仍有很大的发展空间。未来，我们需要不断探索和应用新的技术和方法，以适应不断变化的市场环境和生产需求。