数字孪生在纺纱领域应用的关键技术解析

李新荣, 韩鹏辉, 李瑞芬, 贾 坤, 路元江, 康雪峰

(1.天津工业大学 机械工程学院, 天津 300387; 2.天津市现代机电装备技术重点实验室, 天津 300387;3.无锡纺织机械质量监督检验中心, 江苏 无锡 214062; 4.青岛宏大纺织机械有限责任公司, 山东 青岛 266000; 5.无锡经纬纺织科技试验有限公司, 江苏 无锡 214000; 6.参数技术(上海)软件有限公司北京分公司, 北京 100004)

传统纺纱领域的生产工艺设计与关键工艺质量预测依赖技术人员的知识储备和认知水平,严重制约了生产的纱线质量及工艺设计效率的提升;加之传统生产时原料及半成品的运输主要依靠人工搬运[1],增大了劳动强度,降低了生产效率。正是上述原因,造成中国纺纱领域长期处于大而不强的状态。经过几十年的发展,通过信息化、数字化等手段[2],纺纱领域特别是在提升生产效率[3]、降低生产成本、减少用工等方面有了长足进步[4],清梳联[5]、粗细络联[6]、棉卷自动输送[7]、筒纱自动包装系统[8]、在线监控和智能化管理[9]、数据分析及远程诊断[10]、新型纺纱[11]等智能制造相关技术不断涌现[12]。目前纺纱领域的智能制造革新[13-14]主要聚焦在提升生产自动化、降低生产成本、提高劳动生产率、减少用工等方面,在提升纱线设计效率、提高纱线生产质量、增加纱线生产的质量稳定性等与纱线质量密切的相关研究方面缺少成熟的方法。

现阶段纺纱领域面临工艺参数设计依然主要依靠人工经验、纱线生产质量不稳定[15]、纱线质量提升困难等问题。随着纺织行业开始向高质量发展转变,纺纱领域也面临着如何提升纱线质量,由传统的“由量取胜”向“由质取胜”转变,从而进一步占领中高端市场的问题[16]。近年来,数字孪生迅速兴起且已在许多领域成功应用,大量应用实践表明,数字孪生能够切实提高相关领域的智能制造水平,从而提高产品质量和生产效率。例如:空客公司在飞机组装过程中使用数字孪生,减少了飞机的故障以及组装时间[17];通用电气公司通过为风力涡轮电动机建立数字孪生模型,以优化维护策略,使发电效率提升20%[18]。纺纱领域经过几十年的发展,各种与智能制造相关的新技术如生产系统建模[19]、生产数据追溯[20]、车间调度系统[21]等不断涌现,为数字孪生在纺纱生产中的应用打下了良好的基础,因此,探讨数字孪生在纺纱领域中的应用价值具有重要的意义。本文从提高纱线质量的角度出发,讨论将数字孪生应用到纺纱生产的实际意义,为下一步数字孪生在纺纱领域上的应用提供理论基础;同时也提出了一种对纺纱基础理论要求相对较低的提升纱线质量的思路,这对提高纺纱生产的经济效益、进一步改变粗放式发展、促进纺纱领域的高质量发展具有重要的意义。

针对数字孪生在纺纱领域应用的关键技术解析,本文首先介绍纺纱领域与纱线质量密切相关阶段的实际特点以及数字孪生在纺纱领域的应用前景;其次,根据纺纱领域的实际特点将纺纱领域提高纱线质量的关键过程概括为抽象模型,并阐述与数字孪生抽象模型映射关系,分析如何通过数字孪生理论方法来解决纺纱领域的实际问题;最后,提出了一种数字孪生在纺纱领域应用的具体解决方案。

1 纺纱特点及数字孪生应用前景

数字孪生作为践行智能制造等先进理念的一种使能技术和方法,从不同的角度对数字孪生的概念有着不同的定义。目前从学术角度较为公认的概念是:数字孪生是以数字化方式创建物理实体的虚拟实体,借助历史数据、实时数据以及算法模型等,模拟、验证、预测、控制物理实体全生命周期过程的技术手段[22]。尽管数字孪生的概念有着多种定义,但是其本质是通过建立孪生模型在虚拟空间模拟相关物理实体在物理空间的实际活动[23]。数字孪生在所有行业的应用都离不开相关共性技术如物联网技术、数据采集技术、数据处理技术、建模技术等的支持。然而,由于不同行业领域的实际情况不同,数字孪生的应用形式也将有所不同。

围绕纱线生产的全生命周期,可将提升纱线质量工作分为2个阶段,即设计阶段和生产阶段。设计阶段的主要任务是根据纱线的设计要求设计出相关生产参数;生产阶段的主要任务是将设计出的相关生产参数准确执行下去,将原料中联系紧密、排列杂乱、含有杂质的纤维转变为按一定要求纵向顺序排列、相互衔接抱合的纱线,并且及时进行反馈,达到优化设计参数的目的。在纱线生产的全生命周期中,设计阶段和生产阶段都对纱线质量有着重要影响,并且2个阶段之间联系紧密。

1.1 设计阶段主要特点

目前设计阶段的相关参数可运用纱线质量预测系统进行辅助设计,对纱线质量预测的研究来源于计算机配棉管理系统的发展[24]。为了更好地选出原棉比例从而达到提高纱线质量、降低纺纱成本的目的,需要建立原棉质量数据与纱线质量之间的关系,从而方便更好地配棉。

对于纱线预测系统,已有大量学者进行了研究。例如:刘彬等[25]建立了一种基于遗传算法优化的神经网络的纱线预测模型,通过毛条的相关参数对细纱CV值等质量数据进行预测;杨建国等[26]建立了一种基于改进极限学习机(ELM)算法的纱线质量预测模型,对精梳毛纱CV值等生产质量数据进行预测;查刘根等[27]提出了具有双隐层的4层BP神经网络来进行棉纱成纱质量预测,构建了成纱的断裂强力模型和纱线条干CV值模型。目前,纱线预测系统的研究主要是运用机器学习等数据挖掘手段通过寻找建立原料参数与纱线质量之间的数学关系来对纱线质量进行预测。

1.2 生产阶段主要特点

纺纱设备的相关性能对生产阶段的影响至关重要,其功能主要是将原料中联系紧密、排列杂乱、含有杂质的纤维转变为按一定要求纵向顺序排列、相互衔接抱合的纱线。在实际生产中,为提高生产效率、稳定生产质量,对机器速度、运行稳定性等方面的要求越来越高[28]。在机器速度提升的过程中,设备的振动问题越来越突出,这对生产产品的质量以及设备寿命造成不小的挑战。以精梳机为例,李金键等[29]通过对棉纺精梳设备钳板摆轴驱动力矩的变化规律研究发现,随着机器速度的不断提高,钳板机构的驱动力矩曲线峰值及谷值之差迅速增大,将造成精梳设备振动明显增加。可见,通过动力学相关理论,对纺纱设备的振动问题进行研究对进一步提升纱线质量具有重要作用。

1.3 数字孪生在纺纱领域的应用前景

通过上述分析发现,纺纱领域在提升纱线质量的过程中主要面临以下2个问题:1)现有纱线预测系统主要是预测原棉与纱线质量之间的关系,忽略了设备工艺参数对纱线质量的影响,现有纱线质量控制方法虽有提及设备工艺参数设计,但主要是根据人工经验,定性地提出了设备工艺参数对纱线质量的影响,在实际运用中对设计人员的经验依赖较大。随着市场竞争的日趋激烈,生产精准化控制的要求越来越突出。2)随着对纺纱设备的速度要求不断提升,如何根据纺纱设备性能和工艺参数要求,提出机构平衡、运动同步性控制、系统减振与隔振等策略,减小振动与噪声,降低能耗将成为重点关注的一个方面。

可见,以设备为中心,通过更科学地制定设备工艺参数以及降低设备振动对进一步提升纱线质量有着重要的帮助,然而受制于相关基础技术的发展,对相关问题的研究一直不够深入。

近年来,随着各种基础技术如5G[30]、云计算[31]、AI[32]等技术的不断成熟,以数字孪生为代表的智能制造技术得到了迅速发展,并在一些领域得到了应用。在航空航天领域,达索航空公司开发了3D Experience平台(基于数字孪生理念建立的虚拟开发和仿真平台),该平台的应用使飞行器的设计节约成本25%,首次质量改进提升15%以上[33];在汽车领域,大众公司[34]应用数字孪生驱动的数据监控方法,实现了汽车发动机装配的数据监控,提高了汽车发动机的装配质量。数字孪生在其它领域的成功应用表明,该技术能有效解决提升生产质量过程中面临的相关问题,为实现纺纱领域高质量发展提供了新的思路。

综上,针对纺纱领域的实际特点,数字孪生在纺纱领域的应用要从设备工艺参数的设计以及生产稳定等角度出发,建立相应的数字孪生模型,并通过相应模型的运行实现对设备与质量之间关系的量化研究,从而找出设备参数与产品质量的关系,最终实现设备运行参数对产品质量的预测以及设备可靠性的监测,并为设备设计模型的建立提供思路。

2 核心理论解析

2.1 物理实体与数字孪生模型的抽象模型

在设计和生产纱线时,影响纱线最终生产质量的因素众多,因此,要进一步推进纺纱领域的智能制造,提升纱线生产质量,关键的问题在于如何根据纺纱领域的特点建立模型,从而实现对纱线设计阶段以及生产阶段的优化提升。

在传统的纱线设计中,设计人员首先根据纱线预期要求以及积累的经验设计出相关工艺参数;然后根据设计出的工艺参数进行试纺;最后根据试纺出的纱线质量调整相关设计参数。将调整后的工艺参数重复上述过程,一直到设计出合适的工艺参数为止。传统的纱线设计试纺次数较多且进行工艺参数设计时主要依靠人工经验,造成设计阶段具有耗时长、纱线设计具有不确定性、纱线质量不稳定等问题。为有效提高纱线设计效率与纱线质量的稳定性,降低设计过程中对人工经验的依赖,需要在传统设计流程中加上质量预测这一步,通过数字孪生技术建立与纱线质量相关的数字孪生模型,即基于历史数据、纺纱机制建立纱线质量预测孪生模型。在设计过程中,设计人员通过运用纱线预测孪生模型不断调整工艺参数,将大大减少试纺次数,提升设计效率;同时,将大大减小对人工经验的依赖,从而提升纱线质量的稳定性。

通过分析设计流程可知,建立纱线预测孪生模型对提升纱线质量有着重要作用。纱线最终生产质量与抓棉速度、梳理隔距、锡林速度等众多工艺参数有关,可以说,在原棉配比合理不变的情况下,纱线的质量是各种工艺参数耦合的结果,因此,可将纱线质量用以下数学抽象表示:

fu=u(x1,x2,…,xn)

式中:u为与纱线质量相关工艺参数对纱线质量影响的物理过程的数学抽象;fu为纱线最终质量;xn为与纱线质量相关的各种工艺参数。

纺纱生产层级关系如图1所示。纱线生产是连续性大量生产,生产中各工序配合精密,每道工序的设备运行状态对最终生产的纱线质量都有着决定性的影响。

图1 纺纱生产层级关系Fig.1 Hierarchical relationship of spinning production

在实际生产中,纺纱生产通过各工序互相配合,因此,在抽象的数学模型中,可将物理实体的输出定义为通过各工序的参数互相耦合决定的,将其定义为以下数学抽象式:

fv=v(y1,y2,…,yn)

式中:v为纺纱生产某一工序对应物理实体的数学抽象;fv为物理实体的输出;yn为纺纱生产工序中的工艺参数。

通过分析设计阶段与生产阶段的特点可得,2个阶段关键过程的数学抽象都是通过各种参数互相影响最终输出结果,在这种抽象关系中,数字孪生模型可定义为

fw=w(x1/y1,x2/y2,…,xn/yn)

式中:w为数字孪生模型的数学抽象;fw为数字孪生模型的输出;xn与yn分别为其对应的实际参数。数字孪生的输入输出与设计阶段和生产阶段的数学抽象模型一致,均是以参数的形式,唯一的区别在于其映射函数,前者依靠物理层的实际运行而产生映射结果,后者采用建立的数字孪生模型得到映射结果。

2.2 理想状态下数字孪生模型优化方案

理想状态下,一个数字孪生模型可完全反映其物理实体的物理活动,其数学内涵为:

u(x1,x2,…,xn)=w(x1,x2,…,xn)

v(y1,y2,…,yn)=w(y1,y2,…,yn)

上式表明,物理实体在物理空间的输出与数字孪生在数字空间的输出都保持一致,因此,对于这种能建立理想数字孪生模型的情况,可直接通过优化物理实体的数字孪生模型完成对实际的优化,从而解决纺纱生产的相关问题。以图2为例,图中虚线代表相关流程的关联,箭头代表优化方向。

图2 理想状态的协同优化Fig.2 Collaborative optimization in ideal state

假设所有数字孪生模型都处于理想状态下,具体可分为如下2种情况。

情况1:设计阶段和生产阶段所有的理想数字孪生模型均存在。在该情况下,对于设计和生产的协同优化问题,可从最终的设计或生产要求出发,直接通过优化数字孪生模型从而制定出物理实体的优化方案,实现整个流程的最优解。

情况2:设计阶段和生产阶段中只有部分理想数字孪生模型存在。对于这种情况,通常难以获得全局最优解,可对存在理想数字孪生模型的关键流程进行优化,以获得局部流程最优解。

2.3 非理想状态下数字孪生模型优化方案

与理想状态不同的是,纺纱生产时纤维本身的运动就具有不确定性,目前并没有相关的理论可准确描述纱线生产时纤维的具体运动,因此,在现实情况下,数字孪生模型难以达到准确反映物理空间活动的要求。如何提升孪生模型对物理活动反映的准确度就显得十分重要。

图3示出非理想状态的数字孪生模型优化过程。如图所示,为实现对流程2的优化,可先初步构建流程2的数字孪生模型并部署到实际生产中,通过将流程2的物理实体运行结果与其对应的数字孪生模型运行结果进行对比,对孪生模型的偏差进行纠正。

图3 非理想状态的数字孪生模型优化过程Fig.3 Optimization process of digital twin model in non-ideal state

图4示出虚实交互的数字孪生模型。如图所示,在实际生产中通过部署初步的数字孪生模型,使孪生模型与生产过程保持同步运行、实时优化与迭代优化,通过实际生产的运行数据使相关数字孪生模型不断优化完善,同时数字孪生模型通过不断地迭代提高准确度从而实现故障预测、优化参数等功能,实现对物理实体的优化提高,二者互相促进,共同进化。

图4 虚实交互的数字孪生模型Fig.4 Digital twin model of virtual reality interaction

综上,通过对设计阶段和生产阶段关键模型的构建与优化解决了纺纱领域设计与生产阶段数字孪生模型构建面临的因参数众多且互相影响复杂而造成的建模困难的难题。

通过物理实体与数字孪生模型之间的迭代优化,提高数字孪生模型的预测精度。同时,这种建模的机制也解决了物理实体动态演变的问题,从而保证了数字孪生模型能准确反映对应物理实体的物理活动。通过相关模型的构建快速生成面向纺纱生产的自感知、自计算、自组织和自维护解决方案,从而提升纱线最终的生产质量。

3 数字孪生应用的具体解决方案

3.1 纺纱数字孪生架构体系的构建

根据数字孪生的相关机制以及纺纱领域的实际情况,建立数字孪生在纺纱领域应用的架构体系,如图5所示。

图5 纺纱数字孪生架构体系Fig.5 Spinning digital twin architecture system

孪生模型建立:数字孪生在具体应用时针对不同的需要可选择建立不同形式的数字孪生模型,如数据模型、三维可视化模型等,可从设计阶段与生产阶段2个方面提升纱线质量。针对设计阶段,主要采用数据建模的方式建立纱线预测孪生模型。针对生产阶段,采用数据建模与三维可视化建模相结合的方式建立设备孪生模型以及采用数据建模的方式建立物流孪生模型。

根据相关建立需要,主要将物理空间产生的数据分为历史数据、设计阶段相关数据、生产阶段相关数据。历史数据以及设计阶段部分数据如原棉检测、生条检测等质量数据、纱线设计参数主要是以纸质的形式进行保存,因此相关数据采集形式可采用直接输入的方式,也可采用OCR文字识别的方式进行收集。生产阶段部分数据如车速、耗电量、实时产量等能通过开放系统数据接口进行收集,采集生产线实时的生产数据。针对一些现有采集系统没有采集且构建生产质量相关数字孪生模型必要的数据,如精梳机棉网质量、生条CV值、精梳机的振动等,可通过现场安装传感器、安装摄像头、直接读取机器自带PLC等方式现场采集相关数据。

通过上述采集方式将物理空间数据导入到数据平台之中,数据平台主要实现数据汇总、数据预处理、数据分类、数据储存4个功能,并将处理好的数据按照工艺数据、设备运行数据、质量数据3类进行存储,供孪生体相应模型建模使用。

根据纺纱相关理论以及实际需要确定了相关孪生模型种类以及模型形式后,通过调用数据平台相关数据以及融合相关理论后建立孪生模型即纱线预测孪生模型、设备孪生模型、物流孪生模型,这 3个孪生模型互相配合共同构成纺纱生产质量孪生模型。将相关数据代入孪生模型,通过将孪生模型输出结果与物理空间实际输出结果进行对比验证模型的正确性,并且及时对模型进行修正,直到达到使用要求。

服务的生成:通过上述数据采集的方式,将生产中的相关数据上传到数据平台中,数据平台处理后直接传输到相关的数字孪生模型中,并生成相应指令,通过将相应指令执行到物理空间中实现相应的服务如纱线质量预测、纱线智能设计、生产异常监控、故障预测、数据可视化等,并且在生产服务的过程中实现对模型相关问题的反馈,不断对模型进行迭代优化,提高模型的精度。

3.2 数据平台的构建及应用

数字孪生的发展需要数据作为基础支撑,根据其它行业的现有成功经验,将采集的数据统一到平台的数据库中,通过平台的数据库为下一步相应模型的构建打下基础是一个切实可行的方案。

数据平台通过3.1节所述数据采集方式实现数据平台对数字孪生模型建模相关数据的采集,并通过平台连接服务器导入到平台的数据库中。针对采集的数据根据需要采用逻辑清洗、冗余清洗、主成分分析等方法实现对相关数据的预处理,并且根据产品设计和制造各阶段间业务交互的需求,采用属性构造、数据概化、数据规范化和数据离散化等方法,将原始数据转换为不同阶段业务系统能够理解和识别的格式,提升下一步模型构建的效率。对处理好的相关数据按照实际需要分为设备运行数据、工艺数据、质量数据、环境数据4个类别进行储存,根据数据的特征、数据的类型应采取不同的数据储存和管理方式,提升数据查询、数据分析的效率,并确保数据的复用性。可采取DDBS等存储结构化数据,采用XML等储存半结构化数据,采用HDFS、NoSQL等存储非结构化数据。同时数据库根据创建方式的不同可分为本地创建和云平台创建。针对大量的实际生产数据,平台通过自带的数据分析功能以及借助第三方软件,初步创建数字、分析、业务规则等模型,供构建孪生模型时进行调用。此外,对于一些需要可视化的数据可通过电脑端、平板以及AR/VR眼镜等进行显示。

3.3 纱线质量预测孪生模型的构建及应用

为简化设计阶段的流程,同时通过对生产阶段设备数据的导入实现生产时对产品质量的实时预测,从而提高生产阶段对设备异常的监控情况,需要构建纱线质量预测孪生模型。

1)模型组成形式:考虑到不同工序的生产设备以及生产特点不同将造成工序预测模型的差异,故纱线质量孪生模型依据生产工序工艺的不同建立分段预测模型:原棉配比及质量→生条预测模型→棉卷预测模型→精梳条预测模型→熟条预测模型→粗纱预测模型→细纱预测模型→纱线质量。每段预测模型可在上一段预测模型的预测结果或者上一段模型的真实检测数据的基础上进行预测,在模型部署的初级阶段通过将相关模型的预测数据与实际质量数据进行对比进一步优化模型,从而解决误差累积的问题,在之后使用中通过收集实际的质量检测数据进行优化不断提高模型的预测精度。

2)单段模型构建方法:在确定纱线质量预测模型分段建立后,针对某一工序的建模,建模过程的数据主要来源于历史工艺数据以及相关数据对应的产品质量,针对历史数据建立训练样本,并调用算法建立设备工艺参数与模型预测对象质量间的对应关系。然后输入生产参数,将预测对象质量与采用该参数实际生产的产品质量进行对比,修正模型关键参数,并根据实际情况建立预测等级,最终建立相关工序的预测模型。需要说明的是,各单段工序模型互相配合共同构成纱线质量预测模型。在实际生产中,可将纱线质量预测孪生模型按照各个工序模型单独部署。

3)模型迭代方法:在按照各工序建立质量预测模型后,将模型部署到纱线的设计阶段和生产阶段中,具体包括在纱线设计阶段,根据纱线预期要求,初步确定各工艺参数,通过纱线质量预测数字模型对初步确定的各工艺参数进行预测,判断其是否符合设计要求,并根据预测结果对参数不断进行优化直至设计出合适的参数。在设计出合适的参数后进行试纺,通过实际结果验证设计参数的正确性,并将设计参数实际生产结果输入纱线质量预测模型中,优化纱线质量预测数字孪生模型关系库。此外,在实际生产过程中通过进一步收集相关的生产数据优化纱线质量预测数字孪生模型关系库,提高模型的预测精度。

3.4 设备孪生模型的构建及应用

为更好地监控纺纱生产时设备的运行状态,保障设备的正常运行,从而保证纱线生产的稳定性,需要构建设备孪生模型。具体步骤如下。

1)数据获取:将设备运行数据、生产产品在线及离线监测质量数据等与纱线质量密切相关的数据传输通过已有信息化系统、加装传感器、其它在线检测装置、机器自带通信接口等连接方式传输到数据平台。平台对所采集到的数据进行汇总、预处理,并分别储存到机械数据库、电气数据库、产品数据库中。

2)模型形式确定:设备孪生模型主要由3个模型融合组成即三维可视化模型、数据模型、知识模型。针对部分与设备几何结构密切相关的数据,建立三维可视化模型;针对反映设备的运行状态但是与几何结构关系不大的数据,采用建立数据模型的方式;根据现有的相关理论,建立设备的知识模型。

3)可视化模型建立:首先通过导入已有的几何模型或者通过扫描等方法建立设备的三维模型,通过有限状态机、马尔可夫链等方法将采集的数据与设备三维模型进行耦合,建立相关可视化模型。

4)数据模型建立:针对部分与结构无关的数据直接采用神经网络、决策树、支持向量机等大数据算法,找出各数据之间的关系,根据相关需要直接建立数据模型。

5)知识模型建立:将设备设计和运行的相关理论与实际设备的实际运行状态进行拟合,主要根据相关理论建立反映设备实际运行的知识模型。

6)模型融合:通过知识模型确定可视化模型与数据模型边界范围,并加快模型的收敛速度,简化模型的计算量,提高精确度。通过将可视化模型与数据模型进行融合,最终建立设备数字孪生模型。

7)服务生成:将所建立的数字孪生模型部署到物理空间中,实现设备故障预警、设备能耗监测、生产质量监控、设备运行AR显示等服务。

3.5 物流孪生模型的构建及应用

为更好地监控纺纱生产时相关物流的运行状态,保障生产时原料和半制品的正常转运,从而保证纱线生产的稳定性,需要构建物流孪生模型。具体步骤如下。

1)数据获取:将现有物流系统连接到数据平台,将生成的物流数据导入到数据平台,通过数据平台的自带功能实现对物流数据的预处理,并将处理好的数据储存到物流数据库中。

2)模型建立及部署:虚拟实体通过调用数据平台物流数据库的数据建立物流运行模型,并将模型部署到物理实体中。

3)服务生成:实现路径寻优、智能排产质量追踪、智能仓储等服务;同时,通过将数据平台的数据进行可视化,实现对半成品位置、原料消耗量、实时产量、设备运转情况的监控等服务。

4 结束语

纺纱生产具有设计主要依靠人工经验、生产过程具有连续性、纤维难以控制、相应建模困难、工序间耦合强、全局优化困难等特点,使得在提高纱线质量、减少人工经验的依赖、提高资源利用率、减少环境污染等方面存在巨大的挑战,阻碍了纺纱的高质量发展。

本文针对纺纱生产的特点,提出数字孪生在纺纱行业运用的前景,介绍如何通过数字孪生解决纺纱领域推进智能制造中面临的建模复杂和协同优化难的问题,提出数字孪生与纺纱领域的映射框架,探讨了数字孪生在纺纱领域的实际应用意义,并提出了数字孪生在纺纱领域的应用解决方案。将数字孪生应用到纺纱领域中,可为纺纱领域提供从产品设计到企业规划的一系列应用,有效提高设计效率、提升生产质量及稳定性、减少生产线的非计划停车。

未来,数字孪生在纺纱领域的应用将向着提高相关数字孪生模型特别是纱线预测孪生模型的精度、运用已有理论更好地建立知识模型、实现模型之间更好地融合、提升纺纱数字孪生工业平台数据交互安全、增加关键设备孪生模型精准可视化等方向发展。数字孪生应用与其它现有技术相互促进、相互融合,其应用需要建立在纺纱设备数据互通、数据传输安全等一系列共性技术的基础上。同时,数字孪生的实现也将对纺纱领域基础理论的研究有着重要的促进作用。此外,还应制定一系列的相关标准,最终纺纱数字孪生标准体系,为纺纱企业的智能化转型提供参考,从而推动数字孪生在纺纱领域的应用,最终提升纱线的生产质量,促进纺纱领域的高质量发展,同时也为纺织行业其它领域的智能化转型提供参考。