0 前言
在电线电缆制造行业，押出机的调机效率与生产稳定性直接决定了企业的产能与盈利能力。传统人工调机模式存在效率低、损耗高、依赖人工经验、工艺无法标准化等固有缺陷，而传统的 SCADA 系统仅能实现数据监控，无法解决生产控制环节的核心痛点。
本文基于工业现场的实际需求，设计了一套 “边缘侧实时控制 + 平台侧工艺寻优” 的双闭环智能调机系统，实现了押出生产从数据采集、智能决策到闭环执行的全流程智能化，已在多家线缆企业落地，实现调机效率提升 80%，原料损耗降低 60%。
1 系统整体设计原则
系统设计严格遵循工业现场的核心需求，遵循以下原则：
实时性：控制逻辑运行在边缘侧，控制响应延迟≤100ms，满足工业现场实时控制需求；
稳定性：采用非侵入式改造，不修改设备原有核心控制程序，边缘侧可离线运行，断网不影响生产；
兼容性：内置 2000 + 工业协议，兼容市面上 95% 以上的 PLC、温控表、检测设备，适配新旧设备；
可扩展性：采用微服务架构，支持功能模块的灵活扩展，可无缝对接 MES、ERP 等第三方系统；
安全性：采用双网口物理隔离设计，分别对接 OT 设备网与 IT 信息网，保障生产网络安全。
2 系统整体架构设计
系统采用四层分层架构，从下到上依次为：设备层、边缘层、平台层、应用层，整体架构如下图所示：

2.1 设备层
设备层是系统的数据来源与执行终端，主要包括：
生产设备：押出机主机、引取机、注条机、铜线预热器等；
控制设备：PLC、变频器、温控表等；
检测设备：激光测径仪、张力传感器、火花试验机、凹凸检测仪、多功能电表等。
设备层通过工业总线、以太网等方式，与边缘计算网关实现通信，完成数据采集与指令执行。
2.2 边缘层
边缘层是系统的核心控制单元，采用自研的 VBOX 工业级边缘计算网关，基于 ARM Cortex-A7 核心处理器，搭载 Linux 实时操作系统，核心功能包括：
多协议数据采集引擎：内置 Modbus、Profinet、EtherNet/IP、Fins 等 2000 + 工业协议，支持多设备并发采集，采集频率最高可达 10ms，实现押出机全要素生产数据的实时采集；
数据预处理模块：对采集的原始数据进行滤波、降噪、格式转换、时间戳对齐等预处理，剔除异常数据，保障数据的准确性；
实时控制引擎：搭载轻量化的 AI 智能调机算法模型，实现开机阶段的一键调机与生产过程中的线径闭环纠偏，控制响应延迟≤100ms；
断点续传与离线运行：支持断网情况下的本地数据缓存与控制逻辑正常运行，网络恢复后自动补传数据，保障生产连续性；
安全隔离模块：双网口设计，OT 网口对接生产设备，IT 网口对接云端平台，实现 OT 与 IT 网络的物理隔离，保障生产网络安全。
2.3 平台层
平台层采用云原生微服务架构，基于 K8s 容器化部署，核心微服务模块包括：
设备管理服务：实现边缘网关的远程管理、状态监控、固件升级、配置下发；
数据存储服务：采用时序数据库 InfluxDB 存储生产时序数据，MySQL 存储关系型数据，Elasticsearch 存储日志数据；
智能工艺参数库服务：通过数据切片、多维评分算法，结合 CPK 过程能力分析，自动筛选最优生产参数，构建标准化工艺库，实现工艺配方的生命周期管理；
工艺巡优智能体服务：基于深度学习与强化学习算法，对海量历史生产数据进行特征提取与模型训练，持续挖掘最优工艺参数，解决工艺漂移问题；
告警管理服务：支持自定义告警规则，实现异常数据的实时告警、分级推送、事件闭环处理；
系统集成服务：提供标准化的 OpenAPI 接口，支持与 MES、ERP、SPC 等第三方系统的无缝对接。
2.4 应用层
应用层基于 Vue3+Element Plus 开发，采用响应式设计，适配 PC 端、平板端、移动端，面向不同用户角色，提供对应的功能应用，包括生产监控大屏、工艺管理、品质管理、能耗管理、设备管理、报表分析等，覆盖生产全流程管理需求。
3 核心算法实现
3.1 线径闭环控制算法
采用 PID + 前馈控制的复合控制算法，解决传统 PID 控制在押出机线径控制中存在的大滞后、超调量大的问题。

前馈控制：根据设定线径、主机转速、引取机转速的数学模型，提前给出控制量，消除开机加速阶段的线径超调；
PID 反馈控制：基于实时采集的线径偏差，通过 PID 算法动态调整引取机转速，实现线径的稳态闭环控制；
算法公式简化如下：

// 前馈控制量
u_ff = K_ff * (v_host_set / D_set)
// PID控制量
u_pid = K_p * e(k) + K_i * sum(e(k)) + K_d * (e(k) - e(k-1))
// 总控制量
u_out = u_ff + u_pid

class WireDiameterController:
    def __init__(self, K_ff, K_p, K_i, K_d, D_set, v_host_set):
        """
        初始化线径控制器
        :param K_ff: 前馈控制系数
        :param K_p: PID比例系数
        :param K_i: PID积分系数
        :param K_d: PID微分系数
        :param D_set: 设定线径
        :param v_host_set: 主机设定转速
        """
        # 控制参数
        self.K_ff = K_ff
        self.K_p = K_p
        self.K_i = K_i
        self.K_d = K_d
        
        # 设定值
        self.D_set = D_set
        self.v_host_set = v_host_set
        
        # 状态变量（用于PID计算）
        self.integral_sum = 0.0  # 误差积分累积
        self.last_error = 0.0     # 上一时刻误差

    def update(self, D_actual):
        """
        更新控制量
        :param D_actual: 实时采集的实际线径
        :return: 总控制量、前馈分量、PID分量、当前误差
        """
        # 1. 计算线径误差
        e_k = self.D_set - D_actual  # 设定值 - 实际值

        # 2. 前馈控制量
        u_ff = self.K_ff * (self.v_host_set / self.D_set)

        # 3. PID反馈控制量
        # 比例项
        p_term = self.K_p * e_k
        # 积分项（累积误差）
        self.integral_sum += e_k
        i_term = self.K_i * self.integral_sum
        # 微分项（误差变化率）
        d_term = self.K_d * (e_k - self.last_error)
        u_pid = p_term + i_term + d_term

        # 4. 总控制量
        u_out = u_ff + u_pid

        # 更新状态变量
        self.last_error = e_k

        return u_out, u_ff, u_pid, e_k


# ---------------- 示例仿真 ----------------
if __name__ == "__main__":
    # 1. 控制器参数（需根据实际系统调试）
    params = {
        "K_ff": 0.8,        # 前馈系数
        "K_p": 2.0,         # 比例系数
        "K_i": 0.5,         # 积分系数
        "K_d": 0.1,         # 微分系数
        "D_set": 1.0,       # 设定线径 (mm)
        "v_host_set": 150.0 # 主机设定转速 (rpm)
    }

    # 2. 初始化控制器
    controller = WireDiameterController(**params)

    # 3. 模拟实际线径变化（开机加速阶段的超调 + 稳态波动）
    actual_diameters = [0.7, 0.9, 1.15, 1.08, 1.02, 0.97, 1.01, 1.0, 0.99, 1.0]

    # 4. 仿真循环
    print("="*70)
    print(f"{'时间步':<8}{'实际线径':<12}{'前馈量':<10}{'PID量':<10}{'总控制量':<12}{'误差':<10}")
    print("-"*70)
    for step, D_actual in enumerate(actual_diameters, 1):
        u_out, u_ff, u_pid, e_k = controller.update(D_actual)
        print(f"{step:<8}{D_actual:<12.3f}{u_ff:<10.3f}{u_pid:<10.3f}{u_out:<12.3f}{e_k:<10.3f}")
    print("="*70)

3.2 工艺巡优智能体
采用基于深度强化学习的工艺参数寻优算法，以产品 CPK、生产效率、原料损耗为优化目标，构建马尔可夫决策过程（MDP）：
状态空间 S：生产过程中的温度、转速、张力、线径等实时参数；
动作空间 A：可调整的工艺参数组合；
奖励函数 R：以 CPK 提升、损耗降低为核心奖励，以参数超限为惩罚；
策略网络：采用 DQN 算法，训练最优的参数调整策略，实现工艺的持续寻优。
4 系统落地效果
本系统已在国内多家线缆企业落地应用，核心指标优化效果如下：

5 结语
本文设计的双闭环智能调机系统，通过边缘计算与工业 AI 技术，深入到工业生产的控制环节，真正解决了传统制造行业的核心痛点，实现了降本增效的核心目标。该系统架构不仅适用于电线电缆押出机，也可拓展至注塑机、挤出机等各类离散制造设备，具备极高的行业推广价值。
作者简介：智象九维研发团队，深耕智能制造领域 15 年，专注于工业互联网、边缘计算、工业 AI 技术的研发与落地，已服务 300 + 制造业企业。