智能纺织装备的研发是实现我国纺织行业智能化的关键环节。本文基于数字孪生技术的工业数据融合计算能力以及制造过程监测方法,以并条机匀整控制和异常检测问题为研究对象,研究在网络化和智能制造背景下,并条机匀整控制和在线检测平台实现中的科学问题:针对牵伸系统速度控制方法的中的谐振和负载干扰问题,提出基于数字孪生虚拟传感器的抗干扰速度控制方法,提升速度控制的精度和鲁棒性;针对自调匀整控制中,过程参数模型的不确定及参数预测实时性问题,提出基于数字孪生智能计算的参数预测控制方法,提升控制算法的自适应能力;针对在线异常检测方法的维度筛选和检测精度问题,提出基于数字孪生智能检测的波谱图异常检测方法,提升异常检测的速度与准确度。同时,搭建了边云协同计算的数字孪生匀整控制和异常检测实验平台,对提出的匀整控制和波谱图异常检测相关算法进行可视化仿真以及在线的实验验证。本文的主要工作包括以下四个部分:(1)提出了基于数字孪生虚拟传感器的抗干扰速度控制方法并条机牵伸过程的罗拉驱动控制中,牵伸系统柔性传动系的非期望谐振频率引起谐振,同时负载牵伸力存在非线性变化且难以测量,使得速度控制的精度和鲁棒性降低。针对这一问题,本文基于数字孪生设备层虚拟传感器方法,设计非线性扩展卡尔曼滤波虚拟柔性负载转矩传感器,实现在不使用实际负载转矩传感器的情况下,使用易测量的电机转速信息在线估计柔性负载转矩。结合基于LQG的反馈控制器,补偿负载变化引起的速度控制误差。实验结果表明所提出的方法具有良好的动态参考指令跟随性能、鲁棒性以及良好的负载转矩抑制能力。(2)提出了基于数字孪生智能计算的匀整参数预测控制方法在匀整控制中,输入棉条内部特性以及生产环境的外部干扰,导致匀整过程参数模型的不确定性,控制方法的自适应性较低。控制参数预测的难点在于预测方法难以跟踪快速变化的输入信息,连续变化的动态特性与控制参数之间的模型难以建立。针对此问题,本文基于数字孪生智能计算思想,设计小波神经网络智能参数预测方法,通过数据驱动方法建立牵伸动态特性与控制参数之间的高实时性映射模型,实现在线自适应控制参数预测调节,结合非线性广义预测控制提高控制精度和鲁棒性。实验结果表明与传统的控制策略相比,该方法具有更好的稳定跟踪能力和自适应性。(3)提出了基于数字孪生智能检测的波谱图异常检测方法并条机在线检测中,波谱图的异常诊断分析需要从多个波长频道的大量数据中检出某几个未知信道数据造成的异常数据点,迅速发现产品中周期性疵点的存在与性质。波谱图异常检测的难点在于距离度量在高维空间中的不可靠性,以及变量间的高相关性对异常检测算法性能的影响。针对上述问题,本文基于数字孪生智能检测思想,设计基于变量选择的数据降维方法,结合非监督孤立森林方法下异常信道的解释方差最大化,对缺陷信道进行筛选以提升异常检测的性能。实验结果表明使用数字孪生架构计算能力,通过结合压缩信息与孤立森林异常检测方法,设备发生异常时的波长谱曲线可在无标记的情况下被检出,从而提高异常检测的精度与检出效率。(4)搭建了一个基于数字孪生的并条机匀整控制和在线检测实验平台通过选择合适的硬件设备和软件架构,搭建一个数字孪生并条机匀整控制和异常检测实验平台,并通过该实验平台对本文提出的匀整罗拉抗干扰运动控制方法、匀整参数预测控制方法、波谱图异常检测方法的有效性进行在线实验验证。实验结果表明本文提出的匀整控制和在线检测方法不仅能提高输出棉条的质量,提高波谱图异常检测的效率和正确率,同时能提升生产系统的数字化和智能化水平。