江西卫棉纺织集团有限公司：AI视觉与数字孪生优化纺纱生产

报告案例整理：以下建设过程与数字来自中国信息通信研究院《2025年度制造业数字化转型典型案例集》，不是本站自行测量的数据。

来源：中国信息通信研究院《2025年度制造业数字化转型典型案例集》企业篇，PDF 第 116-118 页（书内页码 109-111）。

案例摘要

江西卫棉纺织集团有限公司把握数智技术发展趋势，开展基于AI+视觉数字孪生技术的智慧纺纱项目，以“数据中台+AI中台”为核心，融合深度学习、大语言模型与计算机视觉算法，搭建“云—边—端”协同体系，实现了生产过程的全面数字化和智能化监控与管理，推动纺纱产业智能化变革。

AI 应用提要

AI 相关度：AI核心案例

• 江西卫棉纺织集团有限公司把握数智技术发展趋势，开展基于AI+视觉数字孪生技术的智慧纺纱项目，以“数据中台+AI中台”为核心，融合深度学习、大语言模型与计算机视觉算法，搭建“云—边—端”协同体系，实现了生产过程的全面数字化和智能化监控与管理，推动纺纱产业智能化变革。
• 二、主要做法 （一）实时生产监控与异常检测一是基于多模态数据融合与深度学习的纺纱设备故障预测。
• 在纺纱环节部署数字信号纱条实时监测系统，运用高频光电动态扫描技术，结合深度学习算法，实时监测断头、锭速、纱线质量等关键指标，实现全数锭位在线监测。
• 二是图神经网络（GNN）在纺织质量因果溯源中的应用。

技术标签

大语言模型 · 多模态 · 深度学习 · 计算机视觉 · 神经网络 · 数字孪生 · 物联网 · 数据中台 · 大数据

原文整理

一、背景情况

在纺织行业竞争日益激烈，智能化转型成为必然趋势的背景下，卫棉集团积极响应行业发展需求，启动基于AI+视觉数字孪生的智慧纺纱项目，旨在通过引入前沿技术，构建创新的生产体系，全面提升生产效率、产品质量和管理水平，打造纺织行业智能化升级的典范，增强企业核心竞争力。

二、主要做法

（一）实时生产监控与异常检测

一是基于多模态数据融合与深度学习的纺纱设备故障预测。部署多模态传感器网络，实时采集涵盖设备振动、温湿度、物料库存、生产进度等12类参数，利用模型对海量时序数据深度剖析，精准识别设备健康状态及生产趋势，设备健康度预测准确率达92.6%。二是基于机器视觉的纺纱纱线质量实时检测与疵点识别。在纺纱环节部署数字信号纱条实时监测系统，运用高频光电动态扫描技术，结合深度学习算法，实时监测断头、锭速、纱线质量等关键指标，实现全数锭位在线监测。三是基于GANs的视频增强技术提升纺纱断纱检测精度。对车间监控视频进行超分辨率重建，显著增强图像清晰度与细节表现力，进一步运用YOLOv7目标检测算法，实现对断纱、纱瑕疵等细微目标的精准定位，检测误差控制在±0.5mm以内，误报率降至0.3%。

（二）柔性作业排产

一是基于Transformer架构的纺织订单需求预测。深度融合历史订单数据、市场趋势分析、展会信息等多源数据，有效捕捉订单需求的长期依赖关系和时序模式，实现未来30天生产需求的精准预测，预测误差小于5%，助力企业合理优化产能布局。二是深度强化学习驱动的纺纱智能排产。将订单交期、设备OEE、能耗成本、工艺约束等复杂因素纳入状态空间，依据实时生产状态和订单变化，自动调整作业顺序、设备分配和人员调度，实现生产效率和资源利用率的最大化，有效优化纺纱批次与订单的匹配，减少在制品库存。三是大语言模型驱动的纺织生产人机协同调度。开发大语言模型驱动的调度助手，支持技术人员通过自然语言与系统交互。技术人员可便捷查询生产计划、调整排产参数、获取优化建议，实现人机协同决策。

（三）全链路质量追溯

一是RFID赋能纺织全生命周期追溯。通过RFID技术赋予原材料、在制品、成品唯一身份标识，构建安全可信的质量追溯链。可追溯棉卷来源、纺纱工艺参数、织造批次信息等关键质量数据，为质量问题的快速定位与解决提供有力支撑。二是图神经网络（GNN）在纺织质量因果溯源中的应用。GNN能够有效挖掘质量数据之间的关联关系，识别质量问题的传播路径，快速定位质量问题根源，将问题根源定位时间缩短至15分钟以内，为质量改进提供精准方向，减少质量损失和客户投诉。

（四）纺织行业大语言模型（Textile-LLM）驱动的质量改进建议

集成纺织行业专用大语言模型，支持技术人员通过自然语言查询质量档案、分析质量数据、生成质量报告，并自动生成工艺改进建议。该模型深度融合纺织行业知识，能够理解复杂的纺织工艺和质量术语，为质量改进提供智能化支持。

三、成效与亮点

（一）生产效率显著提升

通过设备故障的精准预测和及时维护，设备综合利用率（OEE）大幅提升，减少了因设备故障导致的生产中断。柔性作业排产系统根据实时生产状态和订单变化自动调整生产计划，使得订单交付准时率显著提高。生产计划制定和调整从过去的人工多日核算调整，缩短至系统快速生成优化方案，大大节省时间成本，提高了整体生产效率。

（二）产品质量全面优化

基于机器视觉的纱线质量实时检测与疵点识别，以及高精度的断纱检测等技术，有效控制了纱线质量和织物疵点率。产品质量稳定性和一致性显著提升，减少了次品率，提高了产品整体品质。

（三）智能化水平大幅提高

“云—边—端”协同智能生产体系实现了生产过程的全面数字化和智能化监控与管理，从生产监控、作业排产到质量追溯都实现了智能化决策和自动化执行，减少了人工干预，降低了人为误差，提升了企业的智能化运营水平。

（四）成本有效降低

精准的订单需求预测和智能排产，优化了产能布局，减少了原材料和在制品库存积压，降低了库存成本。设备故障的提前预警和及时维护，降低了设备维修成本和更换成本。智能化的生产管理减少了人工操作，降低了人力成本。通过能源管理系统实现用能趋势的追踪与自动化调整，提高设备利用率，降低用能成本。

四、经验启示

（一）技术融合是关键

将AI、视觉数字孪生、大数据、物联网等多种前沿技术深度融合，不同技术在生产的各个环节发挥独特作用，相互协同，共同构建起智能化生产体系。

（二）数据驱动决策

从设备运行参数、产品质量数据到市场需求信息等，通过对这些数据的深度挖掘和分析，实现了生产过程的精准监控、预测和优化。

（三）持续创新与升级

不断引入新的算法、模型和软件系统，并对现有技术和系统进行持续升级。

（四）人才培养与引进并重

实现智能化转型需要既懂纺织业务又熟悉先进技术的复合型人才，一方面通过内部培训提升现有员工的技术能力，另一方面积极引进外部专业人才。

来源页面截图

资料定位

中国信息通信研究院《2025年度制造业数字化转型典型案例集》，PDF 第 116—118 页。报告版本为2025年，整理日期为2026年10月20日。