工业互联系统分析与设计 课件 第五章 工业大数据（5、6课时）

工业互联网Industrial

Internet0第五章

工业大数据——课时安排□本章课时任务

时间80分钟(2课时)主要学习内容工业大数据案例(一)

—

—

工业时序信号分析(1课时);工业大数据案例(二)

—

—

工业智能决策(1课时);主要学习目标了解工业大数据在具体案例中的应用；1第五章

工业大数据INDUSTRY

4.05.7工业大数据案例分析(

一

)ConectionAutomation0

工业时序信号分析

Data

cloudcomputingSystemintegrations□工业时序信号分析在本次课中，将会向大家展示关于工业大数据的案例分析——工业

时序信号分析。以下会介绍一些我们团队关于工业大数据领域的实例：智慧耳——基于在线“声纹”识别技术的防外破监测系统的研制与应用、运达风机——基于大型风电齿轮箱故障预警。第五章工业大数据案例一工业时序信号分析3第五章工业大数据案例一工业时序信号分析□智慧耳基于在线“声纹”识别技术的防外破监测系统的研制与应用第五章工业大数据案例一工业时序信号分析□智慧耳——研究背景随着经济的快速发展，地下电缆的铺设工程大幅度增加，地下电缆受

损事故不断发生。在外力破坏地下电缆的事件中，大多都是由于施工单

位在施工前未对施工现场进行勘察，导致电缆由于工程机械受损、断开，

引发电缆事故。所以如何预防此类事件发生，是一个难点。第五章工业大数据案例一工业时序信号分析□智慧耳——存在问题传统的监测方式主要通过高清摄像头拍摄施工现场的情况、光纤测振，对外破事件进行实时监控。低成本声音信号容易采集、传播能力强,声音传感器成本低环境需求低不依赖视觉路线的完整性，对不同

环境条件都有很好地适用性速度快通过分析声音类型，可以迅速发现外破事件在整条电缆路径上布满摄像头，光纤测振成本高在封闭的通道内、恶劣的天气条件下，视频监测的效果差电缆通路径中存在监测盲区或者

阻挡时，不能很好地监测外破事件成功识别各类外破声音通过深度学习的方式搭建声音检测模型，识

别各种外破声音。有较好的稳定性声音识别模型在嘈杂的施工现场也能较为稳

定地完成监测工作。有较强的泛化能力能够对多个环境不同的施工现场的外破声音

进行识别。□智慧耳

项目思路核心要求：采用声音监测的方式，对电缆外破事件进行监测，提高

电缆维护的便捷性和及时性。第五章工业大数据案例一工业时序信号分析实例归一化网络(IBN-NET)现阶段采用IBN-NET

声音事件检测模型，通过对声音进行梅尔频谱分析，挖掘声音信号中潜在的特征，完成对声音事件的识别。该网络学习捕获和消除外观方差，同时保持对学习特征的区分。IBN-NET

仔细地将实例规范化(IN)和批处理规范化(BN)

作为构建块，增强了它的学习和泛化能力，在外破监测任务中具有较好的表现。训练模块声音信号预处理模式匹配待测声音预处理测试模块模型处理流程X,256d1x1

conv,64IN,32BN,32ReLU3x3conv,64BN,64ReLU1x1conv,256BN,256ReLU第五章工业大数据案例一工业时序信号分析□智慧耳

防外破模型介绍(b)IBN-aIBN

网络结构图输出

结果特征

提取对比

判断训练

模型特征

提取模型库第五章工业大数据案例一工业时序信号分析□智慧耳——小波去噪小波变换能够很好地提取声音信号中的时频特征，噪声信号经过小波变换后能够很好地被区分出来，噪声信号经过分解，大多处理低频率段，通过对低频信号进行筛选和过滤，能够很好地将噪声信号去除，得到纯净的声纹信号。

小波变换

Time

Shift

u连续小波变换(CWT)

:

x(t)利用不同宽度和长度的小波和原始音频信号进行拟合，得到Shift蕴含时频域的信息。

十一Shitt一

(二“”)

去云

云

一小波变换原理图□智慧耳

域泛化在实际情况中，不同的工作环境和不同的设备型号都会影响数据的

分布，单一的数据模型并不能很好地适应多变的环境。当训练数据和测

试数据的概率分布不同时，模型的性能往往会因为域的分布差距而下降。源域源域目标域目标域领域泛化技术旨在通过迁移不同但相关的源领域知识来提高学习者在目标领域中的表现，其中有在分布不同的数据中创造一个可以学习数据中不变特征

的模型方法，可以解决训练数据和测试数据分布不平衡问题。第五章工业大数据案例一工业时序信号分析□智慧耳——声音采集装置当发生外破事件时，系统采集到对应的声音信号，系统会根据设定的阈值检测

采集到的声音大小，将采集到的音频存储在单片机内存中。当音频接收完成后，系统将数据发送到云端进行后续处理。整套

装置通过太阳能板给蓄电池充电，保证系

统持续工作。转发程序主机结束声音信号采集流程图第五章工业大数据案例一工业时序信号分析否存储结束判断大于阈值阈值判断开始RT-Thread系统启动系统状态指示线程

音频存储、转发线程←小于阈值音频采集线程是第五章工业大数据案例一工业时序信号分析□智慧耳——声音识别模型模型主要针对施工现场常见的几类声音：

挖掘机、切割机、钻孔机、挖掘，

进行模型训练，通过IBN-NET网络对声音特征的深度挖掘，在实际应用中，搭建的声

音识别模型，可以很好地监测施工场地中，上述四类事件的发生，并通过信息上传

模型块，将分析结果上传到检测平台进行实时监控。此外，声音识别系统可以在线替换声音监测模型，实现系统的更新，保证系统的有效性。模型识别流程图预处理

特征提取声纹识别

模型人机交互输出结果待测声音信号训练声音信号模型预测一模型训练声音信号训练平台(4G》4G数据存储wav

格式声学探头

wav

格式边缘音频处理盒4G

主机分析平台说

明

：1

、边缘音频处理盒将音频存储为wav格式，通过4G主机发送到服务器端2、服务器端分析存储数据第五章工业大数据案例一工业时序信号分析□智慧耳

数据流向图数据存储数据展示存储服务训练服务存储服务运行服务□智慧耳

数据采集及设备展示前期利用人工在施工现场采集算法训练需要的声音数据。右图所示为装置现场安装图像，在装置内部有磷酸铁锂电池为装置提供稳定电力，同时利用光伏板补充供

电可以降低电力消费成本，尤其是在长期运行的设备中，

优势更为明显。并且利用光伏板供电无需依赖传统的电力网，在后

续可以推广至地理位置偏远或供电不稳定的地区。第五章工业大数据案例一工业时序信号分析现场采集数据装置内部图第五章工业大数据案例一工业时序信号分析□智慧耳——安装现场目前防外破监测装置已部署在浙江省台州市，如图所示为整体装置安装的图片。这是一款小型装置，其内部配备有音频采集设备和通信装置，

能够捕捉周围环境中的声音信号，并将其传输至云端进行防外破监测。这

些装置被安装在需要保护的高压电缆附近，及时发现潜在的外部破坏或破坏迹象，以提高监测的有效性和及时性。防护设施设备安装第五章工业大数据案例一工业时序信号分析□智慧耳——平台展示设备状态：在线线路名称：门安1852线安装点位：2#所属单位：台州市供电局设备类型：设备名称：门安1852线2#投运时间：2024-01-1212:37:4SIM卡号：设备地址：浙江省台州市24-01-2216:44:49投运调试任务/2024-01-15李金运维消缺任务/2024-01-1924-01-2309:00:37共12条

10条页功能未配置设备ID:

感应电压能未配置暂无最大值功能未配置第五章工业大数据案例一工业时序信号分析□智慧耳——平台展示平台支持查看对应声音事件的细节信息，例如波形、发生时间；判断声音

事件类型，给出预测概率。可以清楚地监测不同时间段发生的声音事件，通

过声音识别模型，可以判断发生的声音属于何种类型。设备详基本信息第五章工业大数据案例一工业时序信号分析口

运达风机基于大型风电齿轮箱故障预警第五章工业大数据案例一工业时序信号分析口运达风机——研究背景风电的发展前景：根据全球风能理事会

(

GWEC)的数据，风能发展最快，累计装机容量大幅增加，是最可靠的可再生清洁能源之一，并且中国海上，内陆等地区有丰富的风力资源。风电的运维问题：风电机组的工作条件十分恶劣，长期暴露在风速突

变、沙尘、降雨、积雪等环境下，造成了风电机组故障频发。对于陆上风

电，其运行维修成本一般占到风电场总收益的15%~20%;而对于海上风

电来说，其运行维修成本更是可占到其总收益的25%~35%□运达风机——研究目标目标：仅利用振动数据及相关信息，对故障进行预警并定位。常见齿轮箱故障有高速轴轴承点蚀、损伤、窜轴等，针对高速轴故障高发，非高速轴故障较少但是经济损伤更大的情况，将二者分为两类故障进行预警。数据来源：数据通过公司的CMS

系统采集并下载，包含振动数据，时间，转速，采样频率，采样时长，功率。第五章工业大数据案例一工业时序信号分析风电机组的齿轮箱正常阶段

故障征兆阶段

隐式故障阶段微小故障阶段显式故障阶段

显著故障阶段

停机出现故障信号

故障诊断最佳时机□运达风机

故障演变故障演变：

风电设备的故障可以分为以下7个阶段，故障由正常阶段开始演变，最终逐渐加深故障并且最终停机。趋势变化：

从正常到停机的故障演变过程中，故障的特征是实时变化的，如果能捕捉到特征变化，也就是捕捉到了故障的演变，就能有效地进行故障诊断。第五章工业大数据案例一工业时序信号分析第五章工业大数据案例一工业时序信号分析□运达风机——关键部件故障类型齿轮磨损、表面疲劳、轮齿破裂、破损

和折断等疲劳剥落、磨损、断裂、胶合、保持架

损坏等疲劳、刚性降低、裂缝、表面粗糙程度

增加、雷击、覆冰及风叶变形等过度磨损，叶轮不平衡接触不良导致虚报，功率不足等缺少润滑油和粒子磨损所引起的磨损缺少润滑油和粒子磨损所引起的磨损转子不平衡、转子破裂、和胶套松动等疲劳、轴承内圈故障、轴承外圈故障等电气部分故障、控制系统故障、电力电

子变换器故障、其他驱动电路电气故障主传动链系统故障风轮系统故障机械故障电气故障齿轮箱叶轮偏航系统

变桨系统发电机齿轮轴承主轴桨叶轮毂电机齿轮轴承转子轴承电气风

电

机

组

故

障

部

件第五章工业大数据案例一工业时序信号分析口运达风机——按需则用1)设备运行是否出现异常时刻监测，避免漏检导致严重事故。2)定位故障在什么部位高速轴轴承，中间级齿轮，行星级齿轮

减少检修工作量，从而提升经济效益。3)程度有多严重只有严重到一定程度时，更换并检修部件才能提高经济效益。故障数据少，同故障数据差异，设备之间差异，环境差异。对

症

下

药信号处理法(数据驱动):傅里叶变换(FFT),短时傅里叶变换(STFT),

小波包分解(WPD),经验小波分解(EWD),局部均值分

解

(LMD),变分模态分解(VMD),

以及相关的各类

改进信号处理方法。人工智能法：卷积神经网络(CNN),Transformer,生成对抗网

络(GAN),

长短时记忆网络(LSTM),

以及相关的各

类改进人工智能模型。还有迁移学习，联邦学习等

用于适应不同的数据条件。混

合

模

型

(HybridModel):通过结合多个模型/方法，构造出混合模型。定性经

验诊断[风电机组故障诊断定量经

验诊断故障树分析专

家系统符号有限图解析模型

方法数据驱动

方法参数估计法状态估计法信号处理法人工智

能法统计分析法经验模态分解小波分析盲信号处理谱分析法神经网络粗糙集支持向量机

D-S证

据理论模糊数学人工免疫

系统贝叶斯理论多元统计

分析法第五章工业大数据案例一工业时序信号分析口运达风机

风电机组故障诊断方法分类第五章工业大数据案例一工业时序信号分析□运达风机——故障诊断方法：振动分析结合专家经验，深入分析常见的如频谱，功率谱，包络谱，倒频谱等谱图；以及一些如均方根，峭度等特征值。型号额定功率额定电压额定电流额定转速额定功率因数

绝缘等级

出品编号kWkV

Ar/min3S1Y50

HZIP5473002007-08YSK500-29001059.1229740:92F210774相数

工作制接线法

额定频率

防护等级

标准编号重量出品年月警吃擦7口运达风机

故障诊断方法：混合模型优势1:信号处理方法使得人工神经网络更适用于处理振动信号，从非平稳信

号中获取更有用特征。优势2:引入的自适应分解网络层在保证信号不失真的同时，提升了模型的多

尺度特征提取能力，分解层数是网络模型的超参数，便于调参。WPD-MSCNN

model

trainingModeparametersModelrestoringFaultdiagnosisTesting

setWPD-MSCNNbasedfaultdiagnosissystem第五章工业大数据案例一工业时序信号分析信号处理+深度学习DataacquisitionAcquireOutputInput高速轴振动数据

训

练

模

型

应用模型预警模型非高速轴特征

模型

—→

滤波

对多个故障特征分析，设置预警规则，利

用经验进行分

类能提升泛化

能力实际故障样本有限，多分类困难，实现二

分类能够有效减少分类难度第五章工业大数据案例一工业时序信号分析□运达风机——技术路线针对CMS

系统采集所得数据，按照如下图所示流程进行处理，以实现对故障的预警及区分是否为高速轴故障。训练模型计算预警特征值计算分类特征值应用模型对特征值进行概率表示滤波实时振滤波

计算比值预警模型应用模型输出□运达风机

技术路线针对CMS

系统采集所得数据，按照如下图所示的三个环节进行处理，以

实现对故障的预警及区分是否为高速轴故障。第五章工业大数据案例一工业时序信号分析计算预警特征值计算分类特征值建立高斯模型计算特征值均值应用模型输出历史振动数据预警结果历史及动数据训练模型

：历史振动数据第五章工业大数据案例一工业时序信号分析口运达风机

预警流程计算预警特征值计算分类特征值建立高斯模型计算特征值均值高

斯

模

型

均

值高斯模型

：滤波

：ewma_GB_HSS(i+1)=0.9*ewma_GB_HSS(i)+0.1*prob(i+1)计算预警特征值

对特征值进行概率表示

滤波计算分类特征值滤波计算比值口运达风机

预警流程应用模型：第五章工业大数据案例一工业时序信号分析历史及

实时振动数据应

用

模

型输出输入：预警特征值的概率结果的滤波值，分类特征值的滤波值，分类特征值均值输出：预警结果首先判断

EWMA结果是否超过阈值

Threshold1)如果不超过则为正常2)如果超过，则判断ratio_Shang是否超过1.051)如果超过，则为高速轴故障2)判断ratio_Shang

是否低于0.95,如果低于则为非高速轴故障3)否则为正常。应用模型输出第五章工业大数据案例一工业时序信号分析口运达风机

预警流程预警结果预

警

模

型

：预警规则

：●模型参数：齿轮箱输出端振动数据采样频率5120Hz,信号长度8192采样次数537次●运维信息：某2#机组，高速轴轴承点蚀，剥落发现故障(2018.

10.9)实际修复完成(2018.10.22)●预警结果：预警/定位：高速轴故障预警故障时间：

(2018.03.15)提前：221天第五章工业大数据案例一工业时序信号分析□运达风机——封测实验结果Figurel:

预警特征值及其滤波效果Figure2:预警特征值概率表示及其滤波效果Figure3:

分类特征值及其滤波效果Figure4:

故障分类结果■旧方法：数据经由粗粒度操作处理，如右图所示。尺度s=1

时，对应原始信号；尺度s=2

时，信号值对应每两个连续

采样点的均值；尺度

s=3

时，信号值对应每三个连续

采样点的均值。然后由多个并行

CNN

进行分类■缺点：1、是一种近似的尺度变换；

2、随着尺度增加，信号长度缩短。s=2-0.02第五章工业大数据案例一工业时序信号分析□运达风机

方法改进0

200400

600

8001000120014001600180020000

5001000s=3改进●与旧方法相同，可以使

CNN

拥有提取多尺度

特征的能力，使得分类效果更好；●小波包分解有很好的理论依据，能够很好地处

理非平稳信号，将原始信号分解为多个子信号，

信号不失真。更适合用来处理齿轮箱的高速轴

振动信号。●随着尺度增加，信号长度不会缩短，可以有更

多的尺度。口运达风机

方法改进■

新

方

法

：数据由小波包分解WPD

分解为一

系列不同尺度的信号，然后输入到并行的CNN中进行分类。第五章工业大数据案例一工业时序信号分析旧

方

法新

方

法…

·C1layer……P1layer……·C-Klayer……P-Klayer

…-FClayer…SoftmaxPoolingConcatenationI:Multiscale

vibration

decomposition

II:Multisacle

feature

learning

II:Classification●小波包分解阶段●多尺度特征学习阶段

●分类阶段口运达风机

方法改进■

新方法：第五章工业大数据案例一工业时序信号分析WPD

1D

convolution1D

convolutionPooling0

50

100150200从测试曲线可以看出，所提方法的收敛速度更快，约

100个

epochs

时就几乎收

敛

，

而CNN

需

要

150+

epochs,MSCNN则需要

125+epochs。同时，所提方法的准确率也

更

高

。□运达风机——性能对比■准确率对比：第五章工业大数据案例一工业时序信号分析TrainingepochsAccuracy(%)CNNMSCNNWPD-MSCNNDeep=1

Deep=2

Deep=3scale=2

scale=3

scale

=1scale=2

scale=3

scale

=1scale=2

scale

=3

93.26

93.26

94.91

94.91

94.91

95.26

95.26

95.2695.1694.57

96.40

97.17

97.8597.0298.1398.47

96.47

96.41

98.21

98.45

98.92

98.99

99.24

99.43第五章工业大数据案例一工业时序信号分析口运达风机——性能对比■

深度/尺度的影响：尺度增加，准确率有轻微提升，但是

深度增加，准确率有轻微提升，增加幅度增加幅度越来越小。无论尺度多少，

越来越小。所提方法比无论深度多少，所

所提方法都有最好的准确率。

提方法也都有最好的准确率。9492F1

score(%)CNNMSCNNWPD-MSCNNscale=1

93.26

95.0796.449896100score(%)FlWPD-MSCNNmodel

trainingData

acquisitionTraining

setModel

parametersModelrestoringFault

diagnosisAcquireTesting

setInputWPD-MSCNNbasedfaultdiagnosis

systemOutput■数据获取：●数据来自某风电公司，由CMS系统采集高速轴振动信号●未经去噪等处理的原始数据。●原始数据打上标签，并根据交叉验证划分训练集和测试集。●训练模型并测试Accuracy,F1-score,Confusion

matrix等性能指标第五章工业大数据案例一工业时序信号分析口运达风机

整体流程工业大数据INDUSTRY

4.0工业大数据案例分析

(二)Conection工业智能决策Big

Data第五章5.7Automation0TSystemintegrationcomputingcloud第五章

工业大数据——案例分析□工业智能决策的概念工业智能决策是组织或个人综合利用多种智能技术和工具，基于既定目标，对相关数据进行建模、分析并得到决策的过程。该过程综合约

束体条件、策略、偏好、不确定性等因素，可自动实现最优决策，以用

于解决新增长时代日益复杂的生产、生活问题。工业互联网产业增加值Z

第二产业增加值1993年中国正式启动了国民经济信息化的起步工程——“三金工程”。2015年>2018年智能化建设开工信部发布《国务院关于积极推进“互联网+:

渗

透行动的指导意见》,促进互联网与产业的融合；《中国制造2025》发布，明确了制造业智能化、2017年国务院《关于深化“互联网+先进制造业”发展工业互联网的指导意见》指出，工业互联网是连接工业全系统、全产业链、全价值链，支撑工业智能化发展的关键基础设施.0信息化数字化智能化2012年

互联网+的发展方向

工业互联网概念首次提出，为工业数字化、网络化提供了实现途径2021年工业互联网产业

的增加值规模将

突破4万亿，成

为推动我国经济发展的重要力量2000年我国提出要以信息

化带动工业化，走

新型工业化道路工业互联网智能化体现在感知控制、数字模型、决策优化三个基本层次，基于海量工

业数据全面感知，通过端到端

的数据深度集成与建模分析，实现核心环节智能优化与决策，

由自下而上的信息流与自上而

下的决策流共同构成了应用优

化

闭

环

。·

数字模型层是工业互联网智能化的

“骨骼”,强化数据、知识、资产等的虚拟映射与管理组织，提供支撑工业数字化应用的基础资源与关键工具·

感知控制层是工业互联网智能化的

“手”,构建工业数字化应用的底层

“输入-输出”接口第五章

工业大数据——案例分析·

决策优化层是工业互联网智能化的

“大脑”,聚焦数据挖掘分析与价值转

化，形成工业数字化应用核心功能□工业智能决策的层次41第五章

工业大数据——案例分析□工业智能决策的流程智能决策流程示意图建

模

输入企业信息数据·

设备仪器信息·

企业资源计划

(ERP)·

仓库管理系统

(WMS)·

运输管理系统

(TMS)·

订单管理系统

(OMS)实际问题决策标的：紧急插单计划

约束条件：产线产能限制

物料供应限制生产偏好：生产稳定生产目标：满足订单业务部门抽象为数学表达

数据输入实际问题

四建模·

中长期周计划·

日计划·

班次计划·

缺料影响计算管理层智能技术运筹优化机器学习、深度学习、强化学习、迁移学习抽象为数学表达·日历规则·

加工周期·

工厂库存·

加工计划需求自动输出辅助决策求解智能决策工具求解器机器学习引擎智能决策工具求解器、机器学习引擎……数据中台

输出

数据大屏决策标的、约束、

偏好、目标模型变量、条件、函数制造业典型问题为例优化算法自动输出……机器学习是一门多领域交叉学科，涉及

概率论统计学、逼近论、凸分析、算法复杂

度理论等多门学科，专门研究计算机怎样模

拟或实现人类的学习行为，以获取新的知识

或技能，重新组织已有的知识结构使之不断

改善自身的性能。在智能决策领域，机器学习、深度学习、

强化学习主要应用于数据识别、分析与预测。□关键技术——机器学习与运筹优化机器学习算法助力智能决策的数据分析和预测能力。第五章

工业大数据——案例分析深度学

习强化

学习43第五章

工业大数据——案例分析□关键技术——机器学习与运筹优化运筹优化技术助力智能决策的规划求解能力。·

结果值不连续·例如：是/否问题、个数问题其他算法分支定界法启发式算法高阶优化等·

约束条件线性·例如：路程-速度-时间问题·结果数值连续，不离散单纯形法沿若有效域(约束条件)外侧寻找最优解内点法从有效域(约束条件)

内部向外发散寻找最

优解·

约束条件非线性·

例如：抛物线·结果数值连续，不离散·

结果值不连续·

例如：是/否问题、个

数问题模

型

类

别

算法类别混合整数非线性规划(MINLP)混合整数线性规划(MILP)非线性规划(NLP)线性规划(LP)44制造业

金融投

资

保险

借贷智能投顾

资产定价

智能核保/核赔

智能催收高频交易决策

智能定损

风险管理

反欺诈交通运输物流选种鉴别智能运价

港口资源调度电、热、燃气及水生产和供应仓储及配送中心选址优化机组组合优化

系统运行优化电力(油气)调度优化

交易市场多样性能源管理油气供应链优化管道网络优化建筑业

采矿业在线监测预警工地物料管理优化

生产过程控制第一产业

第二产业

第三产业第五章

工业大数据——案例分析□工业智能决策的应用从公共服务、企业经营到个人生活，智能决策已经渗透越来越多的行业，赋能更多的场景，改变生产生活的方方面面。预测灌溉农事操作决策

肥药使用决策

产量预测航空航班规划智能恢复航空调度

任务派遣空勤排班仓储理货方案优化

任务调度优化互联网补

货选品优化多级库存补货医

疗智慧路由运输路径规划

>AGV

路线优化及实时调度生产排产排程生产工艺优化

良品率检测医学影像诊断、患者需求预测

内容偏好预测设备预防性维修设备智能运维

工艺参数优化运

营需求预测

库存优化

仓储优化

产销协同收益管理价格诊断产品周期管理轨道交通智能运维

智能检修需求预测趋势洞察

销量预测门店管理门店执行

促销方案消费品与零售2019年服装行业规模以上企业有13876家，累计完成服装产量244.72亿件，实现

营业收入16010.33亿元，累计完成服装及衣着附件出口1513.7亿美元。

我国已经是世界上最大的服装类产品生产国、

消费国和出口国。中国服装出口金额(十亿美元)20032%15024%10016%500%2001

2013□工业智能决策的应用

智能裁剪缝纫系统第

五

章

工业大数据——案例分析2009-2017年中国服装出口金额及其全球占比一、项目背景美元计(亿

美元)人民币计

(亿元)美元计同

比

%人民币计

同比%2020年1-6月纺织品服装出口走势2011200940%8%201746□工业智能决策的应用

智能裁剪缝纫系统第五章

工业大数据——案例分析47第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统一、项目背景服装生产工艺流程服装设计

样片录入、排样、分床

布料裁剪

模板切割服装成品

人工缝纫

模板缝纫

布料铺设第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统一、项目背景痛

点

1

服装样片录入、切割排样、裁剪分床依靠人工经验裁剪方案1裁床数量：2床

服装订单

解决方案：√视觉图像自动录入√智能优化排样算法√多目标进化算法优化分床生产误差：15件多色服装裁剪分床多色服装裁剪分床问题没有高效解决方案

造成生产效率低下、

原材料大大浪费不规则样片排样依靠人工经验，现

有排样算法性能低，

造成原材料浪费样片录入传统手工扫描

精度不高第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统一、项目背景痛

点

2

缺乏针对专业设备(裁床、切割机、缝纫机)的高性价比伺服控制器解决方案：√高性价比嵌入式运动控制器

√速度规划及优化算法√高精度多轴插补及同步控制

√网络总线控制技术开放式运动控制卡性能冗余，性价比低，

无法满足特殊工艺需

求PLC

控制器性能有限，定

制化开发困难国外产品价格昂贵，服务响应慢第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统一、项目背景痛

点

3

智能化程度不够，未形成‘

裁

剪

一

制

模

一

缝

纫

’一体化模式裁剪加工较大样片生产误差

计件存在纰漏模板制作加工人工操作模板功能简单模板缝纫加工主要依靠人力生产各环节形成生产孤岛管理困难、效率低下没有有效利用数据价值√

高性能自动化加工设备：自动化多设备智能网络技术：网络化、智能化人工识别模板人工上下料人工计件和管理无法满足服装多样性和个性化定制需求的快速增长解决方案：口口口

口可视化客户端Internet裁剪缝纫工业物联网平台Web应用程序智能化软件技术排样及分床优化算法

路径优化及刀具补偿Internet防火墙机器视觉自动

录入、检测高性能伺服控制工业相机联设备二、项目内容智能化软件系统基于视觉的样片自动录入

不规则样片排样优化多色服装分床优化高性能伺服控制器速度规划、多轴同步控制网络总线控制技术智能网联设备高性能裁剪、缝纫设备自动送料卸料设备裁剪缝纫工业物联网平台网络化管理平台工业大数据可视化平台工业大数据分析平台□工业智能决策的应用

智能裁剪缝纫系统第五章

工业大数据——案例分析面料裁剪机

模板切割机

模板缝纫机

送料卸料装置通信服务程序

数据库工业大数

据分析通信模块智能网防火墙第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统三、核心技术——基于图像视觉的复杂样片自动录入技术提出基于图像矢量化技术的服装样片自动录入算法，实现复杂样片自动录入

提出样片轮廓提取中的阴影检测消除算法，消除阴影对样片录入精度的影响图像二值化分割及去噪、图像轮廓提取

跟踪、图像特征点提取和曲线矢量化拟合估算中心并进行三维坐标匹配基于色度畸变和均值的局部多层次差分算子阴影检测方法图像矢量技术的样片自动入录算法阴影检测消除算法□工业智能决策的应用

智能裁剪缝纫系统三、核心技术——基于图像视觉的复杂样片自动录入技术提出基于小生境粒子群算法的二维不规则排样优化算法，实现高效排样提出基于最小二乘解耦和NSGAII

的多色服装裁剪分床优化算法，实现高效分床生产单号1701货号黑色生产总数320件规

格8MLXLXXLXXL床

次层数用料预

算(2)数

量23543447761348981配比020202第一床，2702924.1102122第二床，1241790.56002112第三床，81061.3第四床，插布层数范围50-900层每种型号样片每床排的上限2允许误差4总用料57T6排样片数量0a件误差件数sMLXLXXLXXXL招示：所选用方案与实际生产

的酸里发导段核对无误方133123第五章

工业大数据——案例分析>建立裁床设备数量、尺码配比和多色铺

布层数之间关系，采用NSGAII对多目标

优化问题进行求解。采用粒子群算法对二维不规则样片进行

排样优化，引入小生境策略保证种群的

多样性，提高全局寻优能力和收敛速度。基于NSGAII的多色服装裁剪分床优化基于粒子群算法的不规则样片排样□工业智能决策的应用

智能裁剪缝纫系统基于生物进化算法的样片排样优化和裁剪分床优化技术提出基于小生境粒子群算法的二维不规则排样优化算法，实现高效排样提出基于最小二乘解耦和NSGAII

的多色服装裁剪分床优化算法，实现高效分床生产单号1701货号黑色生产总数320件规

格8MLXLXXLXXL床

次层数用料预

算(2)数

量23543447761348981配比020202第一床，2702924.1102122第二床，1241790.56002112第三床，81061.3第四床，插布层数范围50-900层每种型号样片每床排的上限2允许误差4总用料57T6排样片数量0a件误差件数sMLXLXXLXXXL招示：所选用方案与实际生产

的酸里发导段核对无误方133123第五章

工业大数据——案例分析>建立裁床设备数量、尺码配比和多色铺

布层数之间关系，采用NSGAII对多目标

优化问题进行求解。采用粒子群算法对二维不规则样片进行

排样优化，引入小生境策略保证种群的

多样性，提高全局寻优能力和收敛速度。基于NSGAII的多色服装裁剪分床优化基于粒子群算法的不规则样片排样□工业智能决策的应用——智能裁剪缝纫系统高性能伺服控制技术提出高性能速度规划、插补技术、同步控制算法以及网络总线控制技术设计开发高性价比的嵌入式裁剪缝纫运动控制器，实现各类设备高性能伺服控制第五章

工业大数据——案例分析基于CAN和EtherCAT总线

的多电机控制方法基于时延补偿的网络化多

轴运动控制方法d(k)高精度变插补周期的多

轴联动控制算法多轴高精度轮廓交叉耦

合控制方法基于预测的S型速度规划

算法拐弯速度优化控制网络总线控制技术速度规划及优化算法多轴插补及同步控制算法状态观测器/

扰动估计器x(k)扰动补偿增益时延

→LCCCADRC2t/ms

1500被控对象

y(k)状态反馈

增益轮廓

轨迹→ADRCI-V,o第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统自动化加工设备设计开发具有智能刀具控制的裁剪刀头，保证多层裁剪加工生产中的刀具安全

设计开发高精度定位的自动化模板机和智能模板识别装置，提高自动化程度设计开发模板自动上下料装置及控制系统，实现多规格、多模板机装卸模板设计开发模板自动上下料装置，实现对多台缝纫机自动装载和

卸载模板设计开发具有刀智能的高频

振动裁剪刀头，实现多层裁

剪的智能刀具控制设计开发基于多传感器

高精度自动化模板机设备，实现模板精确定位模板自动上下料装置智能高频振动裁剪刀头高精度自动化模板机第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统基于物联网的多设备智能网联技术网联设备监控管理系统排样

工业大数据可视化及数据分析设计开发裁剪缝纫工业物联网平台，开发监控管理系统和人机交互系统设计开发裁剪缝纫大数据可视化功能，分析各环节加工过程，提取大数据价值基于B/S

(浏览器/服务器)架构设计工业

生产管理数据可视化系统，包含数据分析

模块、数据可视化模块、服务器/云端数据存储模块、实时交互模块包含设备互联数据采集层、网络层传输层、

数据存储层、应用服务层第五章

工业大数据——案例分析□工业智能决策的应用——智能裁剪缝纫系统四、目标市场及机遇『

一

带

一

路

』一带一路′促进裁

剪缝纫(服装)行业国

际化市场进一步发展《中国制造2025》出台明确制造强国路线图《中国制造2025》5月19日正式公布《中国制造2025》

促进裁剪缝纫向自动化、智能化方向发现目标市场：裁剪缝纫行业政策导向沙发

其他通过“三步走”实现制造强国的战略目标我国制造业世