鮑勁松，江亞南，劉家雨

(東華大學(xué) 機械工程學(xué)院，上海 201620)

紡織業(yè)是重要的民生產(chǎn)業(yè)，提高紡織業(yè)的智能化程度是建設(shè)制造強國的關(guān)鍵。新一代人工智能(artificial intelligence，AI)技術(shù)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(shù)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(wǎng)和智能化的認(rèn)知制造三類。當(dāng)前大部分紡織制造系統(tǒng)處于自動化和網(wǎng)絡(luò)化階段[6]，此階段制造體系多是基于數(shù)據(jù)驅(qū)動對數(shù)據(jù)進行感知處理。隨著知識生成技術(shù)日益成熟，復(fù)雜多源的數(shù)據(jù)被轉(zhuǎn)換成簡單易懂的知識，進而基于知識進行認(rèn)知處理與調(diào)控，最終形成認(rèn)知制造體系。認(rèn)知技術(shù)不僅可以得出數(shù)字問題的答案，還可以理解80%的非結(jié)構(gòu)化數(shù)據(jù)，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(rèn)知技術(shù)相結(jié)合能夠從全局角度分析并調(diào)控生產(chǎn)系統(tǒng)，這也是紡織制造系統(tǒng)智能化發(fā)展的重要導(dǎo)向。

目前針對知識驅(qū)動的認(rèn)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(chǔ)上，提出面向認(rèn)知的新一代紡織智能制造體系。該體系結(jié)構(gòu)以知識為驅(qū)動，對系統(tǒng)中形成的知識圖譜進行感知和認(rèn)知處理，從而實現(xiàn)紡織制造系統(tǒng)的自適應(yīng)、自組織和自決策。以棉紡生產(chǎn)系統(tǒng)為例，通過對棉紡生產(chǎn)設(shè)備工作狀態(tài)和紗線質(zhì)量的認(rèn)知分析，驗證本文所提體系結(jié)構(gòu)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(dǎo)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(wǎng)，并向認(rèn)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(biāo)準(zhǔn)，也是我國紡織行業(yè)自動化生產(chǎn)的主要實施方法論?；谠摌?biāo)準(zhǔn)的自動化集成結(jié)構(gòu)呈金字塔型，從下至上共分為5個層次，層次0為物理生產(chǎn)過程，層次1為與自動控制有關(guān)的活動，層次2為監(jiān)視和控制物理生產(chǎn)過程的活動，層次3負(fù)責(zé)產(chǎn)品生產(chǎn)執(zhí)行，層次4與業(yè)務(wù)和管理相關(guān)。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(guān)鍵技術(shù)。此階段的基礎(chǔ)基建工作實現(xiàn)了紡織生產(chǎn)要素的全連接，以及數(shù)據(jù)的傳輸、信息的交互和車間統(tǒng)一管理，這是實現(xiàn)智能制造的基礎(chǔ)。目前我國大部分紡織生產(chǎn)企業(yè)在相當(dāng)長時間內(nèi)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(wǎng)

隨著“中國制造2025”的提出，我國大力推進互聯(lián)網(wǎng)與自動化工業(yè)系統(tǒng)的結(jié)合，以實現(xiàn)計算、分析與傳感技術(shù)的融合。工業(yè)互聯(lián)網(wǎng)利用霧計算和云計算，在制造系統(tǒng)中實現(xiàn)大數(shù)據(jù)的集成與共享。工業(yè)互聯(lián)網(wǎng)與紡織車間的結(jié)合使得設(shè)備之間、設(shè)備與控制中心之間得以進行數(shù)據(jù)傳輸和信息交互，從而實現(xiàn)設(shè)備狀態(tài)的在線監(jiān)控、數(shù)據(jù)網(wǎng)絡(luò)化管理和設(shè)備工藝參數(shù)優(yōu)化等功能[13]。

紡織工業(yè)互聯(lián)網(wǎng)的關(guān)鍵技術(shù)主要包括互聯(lián)互通[14-15]、生產(chǎn)監(jiān)控[15-17]、大數(shù)據(jù)集成[18]、基于云平臺的智能運算[19]等。該網(wǎng)絡(luò)化階段的紡織生產(chǎn)系統(tǒng)雖然實現(xiàn)了數(shù)據(jù)的交互與信息的傳遞，但沒能對整個生產(chǎn)工廠進行全面衡量，因此在大數(shù)據(jù)、物聯(lián)網(wǎng)和云邊協(xié)同等信息技術(shù)支持下，應(yīng)積極推進紡織生產(chǎn)系統(tǒng)從網(wǎng)絡(luò)化向智能化的變革，從全局角度革新工廠生產(chǎn)過程。

1.3 無處不在的認(rèn)知制造

工業(yè)互聯(lián)網(wǎng)實現(xiàn)了工業(yè)數(shù)據(jù)的全面感知、動態(tài)傳輸和實時分析，為認(rèn)知制造提供了基礎(chǔ)。研究者們通過構(gòu)建認(rèn)知制造體系，實現(xiàn)資源合理配置、流程優(yōu)化與生產(chǎn)實時監(jiān)控和管理等[20-22]。認(rèn)知制造使得紡織生產(chǎn)車間能夠理解當(dāng)前的生產(chǎn)狀態(tài)和面臨的問題，并且能夠?qū)罄m(xù)生產(chǎn)規(guī)劃進行分析與決策，形成自學(xué)習(xí)、自感知和自適應(yīng)的智能產(chǎn)線，智能車間和智能工廠[23]。目前針對紡織智能制造的關(guān)鍵技術(shù)的研究較為分散，主要有機器視覺在紡織面料領(lǐng)域的檢測、數(shù)據(jù)驅(qū)動的生產(chǎn)過程分析[24]及紡織系統(tǒng)的虛實結(jié)合，涉及信息物理系統(tǒng)(cyber-physical systems,CPS)和數(shù)字孿生[25-26]技術(shù)等。

根據(jù)認(rèn)知科學(xué)的理論，工業(yè)智能可分為感知與認(rèn)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(rèn)知系統(tǒng)用于長時間的學(xué)習(xí)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(yán)格的串行過程，而是智能化、數(shù)字化、網(wǎng)絡(luò)化各自并行發(fā)展和相互促進。紡織智能制造的“智能”應(yīng)該最終體現(xiàn)在認(rèn)知方面。

2 面向認(rèn)知的紡織智能制造體系

基于認(rèn)知技術(shù)構(gòu)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(rèn)知處理實現(xiàn)數(shù)據(jù)、知識和智慧的轉(zhuǎn)換。

2.1 面向紡織的認(rèn)知體系結(jié)構(gòu)

提出的紡織認(rèn)知體系主要基于數(shù)據(jù)流進行認(rèn)知處理，其體系結(jié)構(gòu)如圖2所示，由工業(yè)互聯(lián)網(wǎng)、知識圖譜、認(rèn)知引擎和工業(yè)APP組成。

圖2 紡織認(rèn)知制造體系結(jié)構(gòu)Fig.2 Architecture of textile cognitive manufacturing system

工業(yè)互聯(lián)網(wǎng)可實現(xiàn)數(shù)據(jù)的傳輸與采集，最終獲取紡織系統(tǒng)中的工藝、設(shè)備和物流等數(shù)據(jù)。由于采集的數(shù)據(jù)規(guī)模大、多源異構(gòu)且維度多，因此常規(guī)的數(shù)據(jù)處理方法難以高效準(zhǔn)確地提取有價值的信息。知識圖譜可將數(shù)據(jù)轉(zhuǎn)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(chǔ)[27]。認(rèn)知引擎由感知系統(tǒng)和認(rèn)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(rèn)知系統(tǒng)基于知識總圖譜進行重要節(jié)點分析與預(yù)測，最后根據(jù)分析結(jié)果調(diào)取相應(yīng)的認(rèn)知模型進行調(diào)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(diào)取和全局認(rèn)知分析。最終紡織認(rèn)知體系實現(xiàn)了產(chǎn)品質(zhì)量、生產(chǎn)過程和設(shè)備運行與維護的智能優(yōu)化。

2.2 紡織認(rèn)知體系的認(rèn)知過程

認(rèn)知過程是紡織體系中的核心內(nèi)容，本節(jié)將詳細(xì)介紹如何將數(shù)據(jù)轉(zhuǎn)化為知識并基于知識進行認(rèn)知操作。

2.2.1 認(rèn)知制造的知識生成

在進行認(rèn)知分析前需要先將數(shù)據(jù)轉(zhuǎn)換為知識，紡織生產(chǎn)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(chǎn)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(shù)據(jù)采用不同的知識抽取方法。結(jié)構(gòu)化數(shù)據(jù)普遍采用資源描述框架進行知識組織與抽取。非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)需提取出實體、關(guān)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(xué)習(xí)以及面向開放域的抽取方法[28]；關(guān)系抽取采用基于馬爾可夫邏輯網(wǎng)、基于本體推理的深層隱含關(guān)系抽取方法[29]；屬性抽取采用基于特征向量、核函數(shù)、神經(jīng)網(wǎng)絡(luò)等的方法[30]。

抽取出的知識需要表示成相應(yīng)的格式，通常采用分布式表示學(xué)習(xí)的方法，將信息轉(zhuǎn)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(guān)系及其之間的語義關(guān)聯(lián)，形成一個完整的知識庫。由于存在知識質(zhì)量良莠不齊、關(guān)聯(lián)不夠明確等問題，因此需要通過知識融合構(gòu)建高質(zhì)量的知識庫。知識融合主要包括異構(gòu)數(shù)據(jù)整合、消歧、加工和更新等步驟[31]。

2.2.2 認(rèn)知制造的控制決策

紡織認(rèn)知體系的控制系統(tǒng)由感知、認(rèn)知、決策、企業(yè)資源計劃(enterprise resource planning,ERP)和生產(chǎn)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(shù)據(jù)流、任務(wù)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(rèn)知體系的認(rèn)知過程Fig.4 The cognitive process of the textile cognitive system

首先，ERP系統(tǒng)基于任務(wù)流處理任務(wù)，通過任務(wù)生成器接收來自ERP的訂單，生成相應(yīng)的任務(wù)序列并發(fā)送至MES和認(rèn)知處理器。其次，感知和認(rèn)知模塊基于數(shù)據(jù)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(rèn)知模塊通過認(rèn)知管理器獲取的任務(wù)指令，調(diào)取相應(yīng)的認(rèn)知代理進行知識庫在線學(xué)習(xí),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(jù)計劃和認(rèn)知模塊制定的決策方案制定相應(yīng)的控制序列指令。最后，決策模塊通過對比認(rèn)知模塊與MES處理的結(jié)果進行決策。結(jié)果與預(yù)期目標(biāo)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(rèn)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(shù)據(jù)流、任務(wù)流和控制流的協(xié)作最終實現(xiàn)系統(tǒng)的在線、在位自治。

2.2.3 認(rèn)知制造的雙系統(tǒng)交互

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

圖5 感知-認(rèn)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(gòu)性、缺乏更新、冗余等問題進行篩選與融合處理。由于圖神經(jīng)網(wǎng)絡(luò)常用于處理圖結(jié)構(gòu)的數(shù)據(jù)，本文采用基于圖神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)(contextualized graph convolutional network,C-GCN)、基于注意力的圖卷積網(wǎng)絡(luò)(attention guided graph convolutional network,AGGCN)、圖神經(jīng)實體消歧(graph neural entity disambiguation,GNED)、多通道圖神經(jīng)網(wǎng)絡(luò)(multi-channel graph neural network,MuGNN)等方法剔除冗余信息。

預(yù)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(yù)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(rèn)知系統(tǒng)基于知識圖譜利用深度神經(jīng)網(wǎng)絡(luò)生成決策方案，通過不斷試錯學(xué)習(xí)達到強化學(xué)習(xí)的目的，并將工作效率最高的方案作為該階段的最優(yōu)調(diào)節(jié)方案并生成相應(yīng)的動作，實現(xiàn)生產(chǎn)過程中任務(wù)的實時調(diào)度與資源配置。

3 面向棉紡的認(rèn)知制造應(yīng)用趨勢

傳統(tǒng)棉紡生產(chǎn)過程產(chǎn)生的數(shù)據(jù)種類多、數(shù)量大，且呈高動態(tài)變化，因此難以高效準(zhǔn)確地利用生產(chǎn)數(shù)據(jù)。對此本文將紡織認(rèn)知體系應(yīng)用到棉紡生產(chǎn)系統(tǒng)，該系統(tǒng)的體系結(jié)構(gòu)如圖6所示。

圖6 棉紡認(rèn)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(shù)據(jù)并生成相應(yīng)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(jù)監(jiān)控結(jié)果進行調(diào)控。調(diào)控的對象主要是生產(chǎn)設(shè)備與棉紡質(zhì)量，其中，生產(chǎn)設(shè)備是系統(tǒng)工作的基礎(chǔ)，獲得高質(zhì)量的棉紡產(chǎn)品是系統(tǒng)工作的目標(biāo)。因此本節(jié)將對棉紡生產(chǎn)設(shè)備的工作狀態(tài)和紗線質(zhì)量進行認(rèn)知分析。

3.1 棉紡生產(chǎn)設(shè)備工作狀態(tài)的認(rèn)知分析

傳統(tǒng)的棉紡生產(chǎn)設(shè)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(rèn)知雙系統(tǒng)進行設(shè)備狀態(tài)的認(rèn)知分析以實現(xiàn)設(shè)備自動運行和維護。感知系統(tǒng)將設(shè)備的重要性能指標(biāo)組建成系統(tǒng)的總知識圖譜，而認(rèn)知系統(tǒng)基于知識圖譜對生產(chǎn)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(diào)整，以獲得當(dāng)前狀態(tài)下最適宜的設(shè)備工藝參數(shù)，從而優(yōu)化設(shè)備參數(shù)。

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

圖7 棉紡細(xì)紗機的PHM維護Fig.7 PHM maintenance of cotton spinning frame

3.2 紗線質(zhì)量認(rèn)知分析

棉紡生產(chǎn)過程中，纖維狀態(tài)多變，質(zhì)量屬性多樣，導(dǎo)致紗線質(zhì)量的精準(zhǔn)控制一直是個難題。傳統(tǒng)紗線質(zhì)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(chǎn)線的各工序階段實時控制紗線質(zhì)量。由于 Actor-Critic 學(xué)習(xí)在任務(wù)控制方面的出色表現(xiàn)[32-33]，本文基于Actor-Critic形成紗線質(zhì)量控制模型，其原理如圖8所示。首先，采集各工序的重要質(zhì)量參數(shù)組成知識圖譜；其次，基于知識圖譜獲取認(rèn)知代理的Critic網(wǎng)絡(luò)參數(shù)；然后，計算Critic網(wǎng)絡(luò)參數(shù)的權(quán)重，以評估參數(shù)實際值與目標(biāo)值之間的偏差；最后，修正每個Critic網(wǎng)絡(luò)參數(shù)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(rèn)知技術(shù)的紗線控制模型Fig.8 Yarn control model based on cognitive technology

4 結(jié) 語

基于感知-認(rèn)知雙系統(tǒng)構(gòu)建新一代紡織智能制造體系，著重介紹了該體系中的認(rèn)知過程，并以棉紡生產(chǎn)系統(tǒng)為例，詳細(xì)闡述了設(shè)備工作狀態(tài)和紗線質(zhì)量的認(rèn)知分析過程。在未來的研究工作中，可以考慮將認(rèn)知體系與紡織行業(yè)的多個領(lǐng)域融合，對認(rèn)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(jié)構(gòu)。