可解释的AI驱动的能源预测与优化，以实现更清洁、更智能的纺织工艺：一种结合大型语言模型与纺织图谱的方法

《Journal of Cleaner Production》：Explainable AI-driven energy prediction and optimization for cleaner intelligent weaving: A hybrid large language model and weaving graph method

　　徐凯欣|戴宁|甘鹏远|乔玉杰|胡旭东
中国浙江省科学技术大学现代纺织设备技术重点实验室，杭州，310018

摘要
在智能织造领域，织机的能耗受到多种因素的影响，如工艺参数、操作条件和生产稳定性等，这些因素之间高度关联。传统的能耗建模方法在复杂和多变的工作条件下难以实现高精度的预测和节能决策。为了解决这个问题，本研究提出了一个混合智能框架，该框架将大型语言模型（LLM）与织造知识图谱（WKG）相结合，以实现能耗预测、可解释推理和优化建议生成的闭环应用。该框架通过变秩自适应微调实现能耗建模，使模型能够在不同的操作条件下自动调整其秩值，以平衡预测精度和计算效率。此外，构建的织造知识图谱赋予模型多层因果推理能力，能够解释纱线张力、织造速度和机器停机行为等因素对能耗变化的影响机制，从而提高模型的可解释性（可解释AI）。基于实际车间的验证数据显示，该模型的平均绝对误差（MAE）为103.92千瓦时，平均绝对百分比误差（MAPE）为4.73%，在预测精度、计算效率和适应多种工作条件方面优于传统方法。进一步的现场部署结果表明，该系统可以实时监控设备状态并生成节能优化建议，有效支持织造过程的清洁生产和可持续运行，为AI与制造知识的融合提供了新的范式。系统演示和应用示例可访问：http://106.12.219.66:81/agent/#/

引言
纺织业作为全球制造业中能源密集型行业之一，在碳排放和环境影响方面起着重要作用（Orisadare等人，2025年）。随着制造业向智能和可持续发展加速，优化能耗并在设备层面实现绿色转型已成为推动清洁生产和可持续制造的核心技术挑战（Amjad和Joshi，2025年；Saravanan等人，2025年）。作为织造过程中的关键设备，织机的能耗行为受到织物结构、工艺参数和操作条件等多种因素的影响，表现出强烈的非线性和时变特性（He等人，2021年；Yulbarsovich等人，2024年）。基于经验公式或固定结构模型的传统能耗分析方法难以完全捕捉复杂工作条件下的能耗动态和扰动响应（Yu等人，2024年）。因此，迫切需要开发一种新型智能框架，结合数据学习能力、知识推理机制和可解释的能源效率优化特性，为清洁织造提供高精度、低能耗和可解释的决策支持（Seidu等人，2025年）。
近年来，关于织机能耗预测和节能优化的研究受到了全球范围内的广泛关注（Ning等人，2024年）。早期研究主要采用机制建模方法，通过分析织机驱动系统、电机功率和传动惯性的物理关系来揭示能耗形成机制（Saravanan & Albert，2023年）。这些模型在稳态条件下的精度较高，但在复杂和多变的织造环境中的适应性有限（Y等人，2022年）。随着人工智能技术的发展，数据驱动的能耗预测逐渐成为主流方法（Vignesh等人，2022年）。研究人员引入了机器学习方法来构建能耗时间序列模型，以捕捉非线性特征，例如使用LSTM、GRU和Transformer等算法，显著提高了各种设备的预测精度（Guo等人，2024年；V等人，2025年）。此外，可解释人工智能（XAI）已被纳入能耗建模系统，以揭示特征变量与能耗响应之间的因果关系（Mouakher等人，2022年；Asrai等人，2018年）。然而，现有的数据驱动模型在多操作条件下的织机场景中仍面临两个关键瓶颈。首先，它们对“工艺-稳定性-能耗”机制链的建模不够明确，其可解释性通常停留在相关性层面而非因果关系层面。其次，模型复杂性导致巨大的计算开销和部署成本，阻碍了生产环境中的稳定和成本效益高的在线运行（N，2020年）。
近年来，大型模型（大型语言模型，LLM）由于其在跨领域泛化能力和知识提取能力方面的优势，已成为智能制造和能耗预测研究的重要方向（Rathore，2023年；Xu等人，2023年；Wang等人，2025年）指出，主流大型模型（如LLaMA、GPT）在文本、代码和一般时间序列任务中表现优异，但其庞大的参数规模、高昂的训练成本以及在垂直工业场景中的性能下降是一个问题（Castle等人，2025年；M和P，2024年）进一步证实，即使采用参数高效的微调（PEFT）方法（如LoRA或Adapter），参数规模也可以在一定程度上减少，但“静态秩”机制仍难以适应工业条件的非线性和时变特性。现有研究主要集中在建筑、交通和能源网络等领域的宏观能耗建模（M和P，2023年；Shan等人，2025年；Zhu等人，2024年），而针对织机操作中“工艺-稳定性-能耗”耦合机制的专用大型模型研究仍然缺失（?elikkiran和ünal，2021年）。此外，通用大型模型缺乏对领域特定语义的深入理解，难以有效处理织造背景下的参数表达（例如“纬纱停止”、“张力恢复能耗”），导致知识转移和特征解释失败。因此，构建一个具有高领域适应性、低计算能耗和可解释逻辑链的织机专用大型模型系统已成为当前智能制造研究的关键突破（Sowrov等人，2025年）。
同时，知识图谱（KG）的引入为提高工业模型的可解释性提供了新方法（Wang等人，2023年）。研究表明，知识图谱可以以三元组的形式组织工艺参数、设备状态和能耗指标，支持因果推理和语义可追溯性（Rana，2025年；Schleider和Troncy，2021年）。例如，CarbonKG框架在多变量时间序列预测中引入了因果知识注入机制，有效缓解了传统时间序列模型仅依赖数据相关性导致的预测偏差问题。然而，它具有很强的通用性，但缺乏织造特定的语义分析和参数关联能力（Wu等人，2024年）。现有的KG主要关注一般制造或能源系统，如产业链协作和设备故障诊断，其知识结构主要基于静态本体，缺乏针对织造过程的时间序列逻辑和因果关系表达（Qiu等人，2024年；Shen等人，2023年）。特别是在纺织领域，尚未建立系统的WKG。因此，需要一个高密度知识图谱框架，能够嵌入织造知识，支持时间序列因果推理，并具有实时更新机制，以支持复杂工作条件下的能耗预测和优化决策（Barron等人，2024年）。
为了解决这个问题，本研究提出了一个集成领域特定大型语言模型（LLM）与织造知识图谱（WKG）的协作预测框架，旨在建立一个以清洁生产目标为导向的智能能源效率管理系统。整体架构包括三个核心模块（如图1所示）：步骤1，织机能耗变秩自适应微调；步骤2，构建高密度领域特定织造知识图谱；步骤3，通过大型模型-知识图谱集成实现能耗预测和优化决策。
在步骤1中，我们引入了变秩微调，采用两阶段协作建模方案，将任务分解为操作行为建模和能耗回归：一个面向过程的垂直LLM首先从工艺参数（如织物结构、纱线规格和张力设置）预测经纱/纬纱停止和操作效率，从而得出生产稳定性表示，然后将其与实时操作变量（如旋转速度、气压和落纱频率）结合，并输入到面向能量的垂直LLM中。在步骤2中，我们构建了一个增强的WKG，明确捕获了“工艺参数-停止行为-能源性能”之间的因果机制，通过实体边界共现增强和关系类型感知注意力机制改进了领域实体识别和关系提取，从而形成了一个具有推理能力和可解释性的知识网络，提供领域先验并支持能源异常诊断和优化建议生成。最后，在步骤3中，我们通过建立涵盖“先验-证据-预测”的因果闭环推理范式实现了LLM-WKG的深度集成：在预测过程中，框架从WKG检索语义链和能源路径知识，执行停止表示和实时操作数据的多源融合，并将融合特征输入到能源LLM中；在决策过程中，基于图的推理输出可执行的节能策略，从而实现从能源预测到能源效率优化的闭环决策支持。

总结
本研究的主要创新和贡献如下：（1）框架——我们提出了一个面向清洁生产的LLM-WKG协作能源效率管理框架，建立了连接数据驱动建模、基于知识的推理和优化反馈的闭环流程；（2）方法论——我们开发了一种变秩微调机制和两阶段建模范式，能够在复杂操作条件下自适应地平衡预测精度和计算效率，从而提高工业部署能力；（3）知识——我们构建并增强了织造知识图谱，并改进了提取和推理机制，实现了沿“工艺参数-停止行为-能源性能”链的可追溯解释和可执行策略生成；（4）验证——我们使用实际车间数据和现场部署证明了有效性和泛化潜力，为智能织造中的节能优化和清洁生产提供了可复制和可转移的技术路径。

基本织机结构和能耗分解框架
织机的整体结构主要由四个核心单元组成：经纱供给机构、纬纱插入机构、动力系统和控制系统（如图2a所示）。当织机因工艺复杂性、设备故障或操作偏差而停止时，尽管织造动作停止，控制系统和动力子模块仍必须保持待机运行，继续消耗电能和驱动能量。此外，在停止后的重启过程中，

变秩-自适应微调机制
传统的固定秩LoRA（低秩适应）微调在处理织机操作的多干扰特性时经常面临泛化不足、能耗估计偏差和资源利用低等问题。当秩值过大时，会导致计算冗余和能源浪费，而秩值过小则会限制模型捕捉复杂织造特征的能力。为了解决这些问题，本研究提出了一种

实验验证
为了系统验证所提出的领域LLM-WKG协作框架在清洁生产、节能优化和可解释人工智能方面的有效性和部署能力，实验研究按照以下路径进行：首先，构建了一个用于实际车间的集成实验平台（第4.1节）；然后，建立多源数据集和WKG语义基础（第4.2节）；在此基础上，在织造车间部署能源基础模型进行可行性测试和实际效果验证（第4.3节）。

结论
本研究提出了一种基于XAI的混合能源效率预测框架，将大型语言模型（LLM）与织造知识图谱（WKG）相结合，以提高织机能源利用率并支持清洁生产。通过在不同操作条件下的变秩微调机制，该框架提高了能耗预测和生产效率，为绿色智能织造提供了理论和工程基础。

（1）方法论创新和作者贡献声明
徐凯欣：撰写——原始草案，验证，项目管理，方法论，调查，形式分析，数据整理。
戴宁：撰写——审阅与编辑，可视化，验证，监督，软件，资源，方法论，调查，资金获取，形式分析，概念化。
甘鹏远：可视化，验证，软件，调查，数据整理。
乔玉杰：验证，监督，项目管理，调查，数据整理。胡旭东：利益冲突声明
作者声明他们没有已知的财务利益冲突或可能影响本文研究结果的个人关系。

致谢
作者披露了以下资金支持，用于本研究、文章的撰写及/或发表：本研究得到了浙江省自然科学基金（项目编号：LQN26E050033）的资助。