Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins

在过程工业中，为了长期提高生产线效率，需要实时监测和分析操作状态，以微调生产线参数。然而，操作逻辑的复杂性和生产过程参数的错综复杂使得开发准确的数学模型变得困难，从而阻碍了高效优化机制的部署。鉴于这些困难，我们建议通过数字化生产线的物理布局和操作逻辑进行数字孪生部署。通过在数字孪生中迭代映射反映设备操作状态和产品质量检查的真实世界数据，我们采用了基于自注意力启用的时间卷积神经网络的生产过程质量预测模型。该模型实现了数字孪生的数据驱动状态演进。数字孪生扮演了聚合实际运行条件信息和质量敏感分析结果的角色，有助于在多维约束下进行虚拟现实演化的过程生产质量优化。利用数字孪生模型作为信息流载体，我们从关键过程指标中提取时间特征，并基于所提出的复合神经网络建立生产过程质量预测模型。我们在特定的烟草切割生产线上进行的操作实验表明，所提出的基于数字孪生的生产过程优化方法促进了虚拟和实际生产线之间的无缝集成。该集成实现了98\%以上的平均操作状态预测精度和接近最优的生产过程控制。

本文旨在解决在工业生产中，优化生产线以实现长期效率需要实时监测和分析操作状态，但由于操作逻辑的复杂性和生产过程参数的错综复杂，难以开发准确的数学模型的问题。

本文提出了使用生产线的数字孪生来进行生产过程优化的方案，通过数字抽象生产线的物理布局和操作逻辑，采用自注意力启用的时间卷积神经网络的质量预测模型，对生产过程进行数据驱动的状态演变，从而实现虚拟现实演变下的多维约束下的生产过程质量优化。

本文的亮点包括：使用数字孪生模型作为信息流载体，从关键过程指标中提取时间特征，并基于提出的复合神经网络建立生产过程质量预测模型；实验在特定的烟草切割线上进行，证明了数字孪生模型可以促进虚拟和实际生产线之间的无缝集成，实现了超过98%的平均操作状态预测准确度和接近最优的生产过程控制。

在这个领域中，最近的相关研究包括《Digital twin-driven production line scheduling optimization based on deep reinforcement learning》、《A survey of digital twin: Concepts, characteristics, and applications》等。