大数据驱动的纺织智能制造平台架构

张 洁， 吕佑龙， 汪俊亮， 王海超

(1. 东华大学 机械工程学院， 上海 201620； 2. 上海交通大学 机械与动力工程学院， 上海 200240)

大数据驱动的纺织智能制造平台架构

张 洁1， 吕佑龙1， 汪俊亮2， 王海超2

(1. 东华大学 机械工程学院， 上海 201620； 2. 上海交通大学 机械与动力工程学院， 上海 200240)

在分析纺织工业面临的“十三五”发展形势与智能制造建设任务的基础上，探讨了大数据技术在新一代工业革命中的关键地位，详细阐述了大数据对制造过程的透明化、精益化、高效化和智能化作用。基于工业4.0参考架构与中国智能制造标准化参考模型，分析了纺织智能制造的具体需求，以及信息物理融合技术与大数据技术在纺织智能制造中的核心地位与驱动作用。提出了大数据驱动的纺织智能制造平台体系架构，阐述了横向集成、纵向集成与端到端集成3项智能制造工作，以及基于大数据平台的产品设计智能化、生产组织智能化、营销智能化、售后服务智能化等应用场景。

纺织智能制造； 大数据； 平台架构； 集成工作； 应用场景

推进纺织智能制造作为我国在纺织工业“十三五”期间的6项重点任务之一，需要在先进纺织装备、纺织信息化技术和大规模个性化定制模式等方面展开突破性工作，帮助纺织行业实现在全球贸易新格局、消费市场新空间、产业模式新变革、区域结构新局面下的转型升级[1]。

根据2012年的麦肯锡报告《大数据：创新、竞争和生产力的下一个领域》[2]，随着传感器、数据采集装置和其他具备感知能力的智能设备在生产车间的大量、广泛使用，制造业数据具备了海量体量、高实时性、高多样性和高潜在价值等大数据特点[3]。以工业互联网为基石，利用大数据的驱动力实现智能制造目标，已经是新一代工业革命的大势所趋。

1)德国工业4.0计划将大数据技术与移动计算、社会化媒体、物联网等技术，作为推动下一次工业革命的核心动力[4-5]；

2)美国工业互联网项目希望通过智能机器间的连接并最终人机连接，结合大数据分析，重构全球工业，激发生产力[6]；

3)《中国制造2025》规划指出，要以信息化与工业化深度融合为主线，重点促进以云计算、物联网、大数据为代表的新一代信息技术与现代制造业、生产性服务业等的融合创新，发展壮大新兴业态，打造新的产业增长点[7]。

具体来说，大数据蕴含的巨大价值主要体现在可以帮助实现更透明、更精益、更高效、更智能的生产过程：

1)大数据的透明化作用包括了物理和信息2个层面，其中物理层面主要体现在通过数据实时采集手段实现对工厂生产过程的全面掌握，信息层面主要体现在通过大数据分析手段实现工厂运行规律的挖掘和运用[8-9]；

2)大数据的精益化作用体现在对生产过程各个环节进行数据全面监控与管理的基础上，利用大量数据的统计分析算法，对生产过程中的物料、工艺、人员、设备、计划等要素进行更加精确的管控[10]；

3)大数据的智能化作用体现在从设备自动化出发，利用互通互联、数据集成、信息分析、知识归纳和智能应用过程，实现面向多个维度性能优化需求的制造过程智能决策，提升工厂制造水平[11]；

4)大数据的高效化作用体现在将智能决策方法应用在产品创新设计、工艺自动规划、制造过程监控、产品质量管控、售后维护服务等多个应用场景，帮助提高工厂性能的持续提升，带来可观成本效益[12]。

在以上背景下，本文讨论如何利用大数据技术推动纺织行业的透明化、精益化、智能化、高效化生产过程，形成以大数据为核心的纺织智能制造体系架构，对纺织行业的智能化转型升级具有一定借鉴价值。

1 纺织智能制造需求

参照工业4.0参考架构模型(RAMI 4.0)[13]和中国智能制造标准化参考模型[14]，纺织智能制造体系应该是考虑了产品全生命周期、多个阶段价值链和多层次系统架构的多维度建设工作：1)需要包括产品设计、生产制造、物流输送、市场销售和售后服务等纺织产品全生命周期的各个环节；2)需要实现资源配置、系统集成、互联互通、信息融合和新兴业态的纺织制造价值不断提升；3)需要完成设备层、控制层、管理层、企业层、网络层等系统层次化架构的全面构建与实现。

在满足以上智能制造建设需求的过程中，信息物理融合系统(简称CPS)起着十分重要的作用。在利用物联网技术全面互联纺织制造过程各加工工序设备的基础上，CPS系统在将纺织原料转换为智能产品的过程中，通过接入服务互联网，实现产品智能设计、设备智能维护、质量智能控制、生产智能调度、物流智能规划等一系列智能服务功能，帮助纺织产品制造过程从自动化逐步提升为智能化和服务化[15]。

此外，随着大量纺织工艺设备、众多供应链成员、不同信息系统的互通互联，纺织行业数据将呈现进一步爆发趋势。通过集成市场、设计、工艺、生产、管理和销售等的海量数据，纺织行业将实现产业链各个环节的融合与协同优化；通过分析挖掘这些数据中所蕴含的特征信息、规律知识和应用智能，纺织行业的整体智能化水平将得到显著提升；通过将这些大数据技术应用到精准营销模式、众创设计平台、自动工艺规划、自适应生产调整和自主设备维护等环节，为纺织制造业带来新的业务增长与附加价值。

综上所述，需要以CPS系统为核心环节、大数据为驱动基础，从产品全生命周期、制造价值链和层次化架构3个维度，打造大数据驱动的纺织智能制造平台架构体系。

2 纺织智能制造平台体系架构

参考工业4.0参考架构模型与中国智能制造标准化参考模型，本文提出以工业互联网为基础、信息物理融合平台为核心、3大集成为手段的纺织智能制造平台体系架构，如图1所示(图中，ERP系统是企业资源计划系统的简称，PDM系统是产品数据管理的简称)。其中，横向集成实现纺织生产车间及纺织供应链的协同优化；纵向集成实现制造过程的互联化、数据化、信息化、知识化和智能化；端到端集成实现企业不同部门之间协同管理。

图1 大数据驱动的纺织智能制造体系架构Fig.1 Framework of big-data-driven intelligent textile manufacturing

2.1 横向集成

纺织行业智能制造的横向集成指面向纺织产品的生产流程，实现物料、信息的全面集成，其可分为企业间横向集成与企业内横向集成2部分，如图2所示(图中MES是制造执行系统的简称)。企业间的横向集成旨在打通产业链的信息壁垒，加速生产、采购、物流过程，提高产业协同水平，使大规模定制成为可能。针对纺织产品的全产业链，实现上游的纤维制造、纺纱，中游的织物织造、染整，下游的服饰制造与流通全流程的信息与物料集成。企业内部的横向集成指在生产设备、生产过程、业务经营和信息系统上实现资源、业务和信息的全面集成。

图2 纺织产业横向集成工作Fig.2 Horizontal integration of textile industry

大数据催生了横向集成的新需求，在企业间的横向集成中，各企业之间采用的信息系统各不相同，如何构建统一的数据接口规范，实现数据的流转是急需解决的关键问题。在企业内部，构建在工业通信网络以及现场总线基础之上的全流程数据的全局存储、组织、查询与分析应用，是实现横向集成中的关键。

2.2 纵向集成

纺织过程中的纵向集成包括制造服务封装，制造服务平台与制造服务配置3个层次的纵向集成架构，如图3所示。

图3 织造车间纵向集成Fig.3 Longitudinal integration in the weaving shop

制造服务封装指对制造资源、制造服务、制造能力进行封装，实现资源、能力、服务的虚拟化封装。制造服务平台对流程中涉及的计划、工艺、质量、物料和设备多个维度进行集成。以织造过程为例，从织造车间的生产计划与调度、织造工艺执行与管理、织造生产过程质量管理、织造生产物流管理、织造车间设备管理5个方面实现集成。制造服务配置指在制造服务平台的基础上，实现设备网络化协同共享，智能生产线构建服务、生产工艺实时优化决策与生产进程监控等多项配置功能。

2.3 端到端集成

在纺织产品的智能制造中，客户将参与到产品的设计和生产中来，全产业链进行了更紧密的整合。在纺织车间的端到端集成基于高效的大数据处理技术，将供应商、销售商、客户、织物的应用环境与生产环境进行集成，快速、高效地完成织物设计、织物织造与染整、售后服务、信息反馈和织物回收，这使得纺织产品的大规模定制成为可能。成衣制造的端到端集成如图4所示。

针对端到端集成目标，需要在大数据平台中组织面向不同业务场景的数据仓库，运用智能决策方法满足业务需求。首先要针对供应商、销售商、客户等每一端形成数据标准报文，实现信息流通的标准化。此外，针对端到端集成带来的按需大规模定制生产模式，基于大数据技术，设计面向设备管理、生产调度、工艺管理、产品质量等业务的决策算法，满足新模式带来的高效率与高柔性要求。

图4 成衣制造端到端集成Fig.4 End-to-end integration for clothing manufacturing

3 纺织智能制造业务场景

基于3个集成工作，纺织智能制造体系需要实现多种业务场景下的应用，提升产品全生产周期中的智能化水平，如图5所示(图中，CAM是计算机辅助制造的简称，CAPP是计算机辅助工艺过程设计的简称，CAD是计算机辅助设计的简称，SDM是安全设备管理器的简称)。

图5 基于大数据的纺织智能制造业务场景Fig.5 Applications of intelligent textile manufacturing

具体来看，存在织物研发/设计、纺织品生产组织、纺织品销售与售后服务3大类业务场景。

3.1 织物研发/设计

本场景处于纺织工业的前端，包括织物研发设计环节中的产品设计智能化，纺织机械产品的协同工艺设计等。

3.1.1产品设计智能化

产品设计智能化通过客户数据采集、大数据分析、供应链协同和工厂互联化，实现全流程数据可视化和大规模定制化的生产目标，如图6所示。

图6 成衣产品设计智能化Fig.6 Intelligent designing of garment products

需要采集的数据包括时间维度、地域维度和纺织产品种类维度的市场消费数据，以及客户的形体数据。然后基于复杂网络、深度学习等方法的大数据分析，预测消费市场在时间维度和地域维度上的发展趋势及其对各类纺织产品的需求度，从而准确把握各地纺织品消费市场的动向。大数据分析的结果通过互联工厂平台与全国各地供应商和经销商共享，再分别针对整体和个体的用户形体数据，对纺织产品进行研发定制，最后将成衣产品准确供应至全国各地。

3.1.2纺织机械的协同工艺设计

纺织机械的协同工艺设计(如图7所示)，在ERP、MES、CAD、CAPP、CRM(客户关系管理)等数字化和网络化生产辅助软件的基础上，通过多元信息融合方法与制造特征识别方法实现纺织机械产品MBD模型的位置、工艺约束关系分析和特征相似度分析，建立纺织机械产品制造工艺专家知识库，最终实现包含工艺设计、工艺表达、工艺生成和工艺发布的全流程三维数字化工艺建模，并搭建基于模型的工艺管理、工艺更改、工艺会签、工艺审签等协同工艺管控体系。

图7 纺织机械的协同工艺设计Fig.7 Collaborative process planning for textile machinery

3.2 纺织品生产组织

本场景处于纺织工业的中游，主要包括纺织品生产组织环节的车间智能监控、先进生产调度、产品质量控制、制造资源优化等。

3.2.1纺织生产车间智能监控

纺织生产车间智能监控系统主要包括数据感知网络和可视化监控系统2部分，如图8所示。

图8 纺织生产车间智能监控Fig.8 Intelligent monitoring of textile workshop

数据感知网络是通过二维码、无线射频识别装置(RFID)、蓝牙、无线通讯等技术，对车间层面的实验、设计、加工、存储、装配、质检和物流等环节进行产品和设备的数据采集，并将采集数据传输到可视化监控中心。采集的数据最终通过BI等数据可视化工具，将数据以图表形式呈现在车间可视化看板、工位可视化终端和其他移动终端上。

产品数据在各类终端上的可视化呈现可实现对整个产品制造过程的全方位监控。同时，生产线上装备的运行数据可用于支持设备故障诊断、设备维护规划和生产线协同管理等设备运维服务。产品制造过程和生产线的监控与管理通过对生产过程的智能感知、过程监控、故障诊断、运维服务，提高设备利用率和生产稳定性，提高纺织工艺水平与生产线生产效率。

3.2.2纺织车间先进生产调度

图9示出纺织车间先进生产计划与调度系统。由图9可知，先进生产调度通过生产过程数据采集与分析平台，建立融合订单数据、产品数据、原料数据、设备数据、工艺数据、订单数据、执行状态数据、设备参数数据、调度信息、检测数据、质量数据、配套数据等的纺织品多维状态模型，考虑单工序生产过程中的各类影响因素，构建面向纺织生产过程的工序间多维耦合模型。在系统实时监控的基础上，对工序完工时间和纺织品性能进行预测和异常评估。最后对数据融合模型中的逆调度因子进行识别，结合逆调度规则，制定自适应逆调度策略，优化计划与调度方案，提高企业对客户需求的快速反应能力。

图9 纺织车间先进生产计划与调度Fig.9 Advanced production scheduling in textile workshop

3.2.3织物产品质量控制

产品质量控制首先建立纺织生产过程的信息物理融合系统，并搭建大数据分析模块作为物理系统与信息系统数据融合的媒介。大数据分析模块以开放数据库互连(ODBC)、传输控制/网络通讯协义TCP/IP、Web Service等为数据协议，包含数据模型、统计分析、挖掘预测、持续查询、分布式计算引擎、流计算引擎等功能，对从物理系统采集的数据进行处理和分析，用于支持信息系统层面的多维统计控制、质量异常侦测、质量智能评估和质量改进优化等。

3.2.4制造资源能效优化

制造资源能效优化针对纺织制造系统中的设备，如以化纤成套设备、纺纱设备、印染设备等为对象，以其效率评估数据集为基础进行大数据分析，为纺织品生产过程的人、机、料、法、环等定制制造资源运行效率的精准评估量化规则，对制造资源运行效率进行实时预测，实现制造系统的异常自动侦测和统计过程监控，以此为依据制定纺织制造系统的主动维护计划，完成制造系统的效率自优化。

3.3 纺织品销售与售后服务

本场景处于纺织工业的末端，主要是售后服务和纺织品销售环节的智能物流。

纺织智能制造体系中的智能物流以供应链数据、物料需求计划数据、生产现场物料配送数据和生产订单数据为数据源，其主要内容包括物流资源关联、物流系统性能监控、生产执行跟踪与控制、物流管理优化、关键物料安全库存预警和物流资源综合评估。

首先建立物料信息、生产计划、物流计划、库存信息、采购信息、物料消耗、工具信息等物流资源的关联关系。物流系统性能监控以订单优先级、库存捕获策略、采购优先级等为调控手段进行物料管理，结合计划排程、派工单、采购单进行物料监控。生产执行跟踪的目的是对物料消耗、零部件库存、物料准时送达利用率等物流信息进行预测、评价与控制。物流管理优化模型采用负反馈控制理论、智能并行算法、优化规则库等调整物流数据。此外需要制定关键物料安全库存预警等级，并形成物流资源综合评估报表。

4 结束语

随着以计算机、物联网、服务互联网为代表的信息技术在制造行业的不断深入应用，制造业正在经历以信息化与自动化深度融合为标志的新一代产业革命。大数据蕴含的巨大价值帮助实现智能过程的透明化、精益化、智能化与高效化，发挥了极为关键的作用。

本文分析了纺织行业在“十三五”期间面临的智能制造建设任务，探讨了信息物理融合技术与大数据技术在纺织智能制造中的核心地位与驱动作用，提出了包括一个基础、一个核心和三大集成的纺织智能制造平台体系架构，阐述了横向集成、纵向集成与端到端集成3项智能制造工作，并对应用场景中的纺织智能制造工作进行了详细阐述。本文提出的大数据驱动的纺织智能制造体系架构，对纺织行业合理应用与集成物联网技术、服务互联网技术、大数据技术、信息物理融合技术具有重要借鉴价值，为纺织制造工厂从自动化转型升级到智能化发展，提供重要的参考。

[1] 工信部. 纺织工业 “十三五”发展规划 [R]. 北京：工业和信息化部，2012.

Ministry of Industry and Information Technology. The “13th Five-Year” development plan for textile indus-try [R]. Beijing: Ministry of Industry and Information Technology, 2012.

[2] MANYIKA J., CHUI M., BROWN B., et al. Big data: the next frontier for innovation, competition, and productivity [R]. Las Vegas: The McKinsey Global Institute, 2012.

[3] LANEY D. 3D data management: controlling data volume, velocity and variety [J]. META Group Research Note, 2001(6): 70.

[4] 工业4.0工作组, 德国联邦教育研究部. 德国工业 4.0 战略计划实施建议：上[J]. 机械工程导报, 2013 (8): 23-45.

Industrial Group 4.0，Federal Ministry for Education and Research. German industrial strategic plan implementation suggestion 4.0: part 1 [J]. Journal of Mechanical Engineering Review, 2013(8):23- 33.

[5] 罗文. 德国工业 4.0 战略对我国推进工业转型升级的启示 [J]. 工业经济论坛, 2014, 1(4): 52-59.

LUO Wen. Enlightenment of German industry 4.0 strategy on promoting industrial transformation and upgrading in china [J]. Industrial Economic Forum, 2014, 1(4): 52-59.

[6] 胡晶. 工业互联网, 工业 4.0 和 “两化”深度融合的比较研究[J]. 学术交流, 2015(1): 151-158.

HU Jing. Comparative study of industrial internet, Industry 4.0 and integration of information technology and industrialization [J]. Academic Exchange, 2015(1): 151-158.

[7] 国务院. 中国制造2025 [R]. 北京: 国务院, 2015.

The State Council of the People′s Republic of China. Made in China 2025[R]. Beijing: The State Council of the People's Republic of China, 2015.

[8] 祝宪民. “智能制造”和“数控一代”纺织机械发展探讨 [J]. 纺织机械, 2011 (5): 2-4.

ZHU Xianmin. ″Intelligent manufacturing″ & ″NC next″: discussions on textile machinery evolution [J]. Textile Machinery, 2011 (5): 2-4.

[9] 王天然. 中国至2050年先进制造科技发展路线图 [M]. 北京: 科学出版社, 2009:1-30.

WANG Tianran. Advanced Manufacturing Technology in China: a Roadmap to 2050 [M]. Beijing: Science Press, 2009:1-30.

[10] 路甬祥. 走向绿色和智能制造 [J]. 中国机械工程, 2010, 21(4): 379-386.

LU Yongxiang.Moving towards to green and intelligent manufacturing [J]. China Mechanical Engineering, 2010, 21(4): 379-386.

[11] 张洁, 高亮, 秦威,等. 大数据驱动的智能车间运行分析与决策方法体系 [J]. 计算机集成制造系统, 2016, 22(5): 1221-1229.

ZHANG Jie, GAO Liang, QIN Wei, et al. Big-data-driven operational analysis and decision-making methodology in intelligent workshop [J]. Computer Integrated Manufacturing Systems, 2016, 22(5): 1221-1229.

[12] 吕佑龙, 张洁. 基于大数据的智慧工厂技术框架[J]. 计算机集成制造系统, 2016, 22(11): 2691-2697.

LÜ Youlong, ZHANG Jie. Big-data-based technical framework of smart factory [J]. Computer Integrated Manufacturing Systems, 2016, 22(11): 2691-2697.

[13] PETER A, HEINZ B, DIRZUS D, et al. Reference architecture model industrie 4.0 (RAMI4.0) [R].VDI/VDE Society Measurement and Automatic Control (GMA), 2015.

[14] 中国电子技术标准化研究院. 智能制造标准体系研究白皮书(2015年)[R]. 北京, 中国电子技术标准化研究院, 2015.

China Electronics Standardization Institute. White paper on research of intelligent manufacturing standards sys-tem (2015)[R]. Beijing: China Electronics Standardization Institute, 2015.

[15] 刘向举, 李敬兆, 刘丽娜. 基于物联网的纺织车间环境智能测控系统 [J]. 计算机应用, 2015, 35(7): 2073-2076.

LIU Xiangju, LI Jingzhao, LIU Lina. Research on environment intelligent measuring and controlling system of textile workshop based on internet of things [J]. Journal of Computer Application, 2015, 35(7): 2073-2076.

Big-data-drivenframeworkforintelligenttextilemanufacturing

ZHANG Jie1， LÜ Youlong1， WANG Junliang2， WANG Haichao2

(1.CollegeofMechanicalEngineering,DonghuaUniversity,Shanghai201620,China; 2.SchoolofMechanicalEngineering,ShanghaiJiaotongUniversity,Shanghai200240,China)

As the development of the 13th Five-Year Plan and intelligent manufacturing, the textile industry is encouraged to be smarter. This paper pointed out the key position of big data technology in the coming new generation of industrial revolution, and set forth the effect of big data on transparentizing, refining, high efficiency and intellectualization of the manufacturing process. According to the industry 4.0 reference frame and the standard reference model of intelligent manufacturing in China, this paper analyzed the detail requirement of intelligent textile manufacturing, and the key position and the drive effect of the information physical fusion technology and big data technology in the intelligent textile manufacturing. The authors proposed a big-data-driven framework for intelligent textile manufacturing, expounded the three basic tasks in intelligent manufacturing: horizontal integration, vertical integration and end-to-end integration, and finally discussed some typically application occasion such as product design intellectualization, production organization intellectualization, sale intellectualization and after-sale service intellectualization based on the big data platform.

intelligent textile manufacturing; big data; platform framework; integration; application occasion

TH 186; TS 103

A

10.13475/j.fzxb.20170601307

2017-06-02

2017-07-10

国家自然科学基金资助项目(51435009)

张洁(1963—)，女，教授，博士。主要研究方向为智能制造与大数据、智能工厂与数字工厂、制造型服务、智能制造执行系统等。E-mail：mejiezhang@dhu.edu.cn。