基于产品能谱模型的制造过程能耗基准建模与浪费识别方法

doi:10.3969/j.issn.1004-132X.2026.10.011

摘要/Abstract

摘要：

针对当前制造过程能耗管理中海量能耗数据难以转化为节能价值以及系统性能源浪费难以识别的问题，提出了基于产品能谱（PEP）模型的能源浪费识别与量化方法。该方法首先将分析单元从生产设备转向产品价值创造过程，构建描述单位产品各工序能耗构成的PEP模型；然后通过对历史生产大数据的统计学习，生成代表企业最优实践的数据驱动型能耗基准；最后将实际生产能耗与该基准进行对标，实现工序级能源浪费的精准量化与诊断。石膏板生产案例表明，该方法能够有效量化系统性能源浪费，在9天内识别出电力和天然气分别有16.93%和17.69%的优化潜力；能谱波动分析揭示了高能耗工序不等同于高浪费潜力工序的关键洞见。

关键词: 能耗基准, 制造过程, 能源浪费, 数据驱动, 产品能谱

Abstract:

Addressing the difficulty of translating massive energy consumption data into practical energy-saving value and identifying systemic energy waste in the current energy consumption management for manufacturing processes， an energy waste identification and quantification method was proposed based on the PEP model. In this method， the unit of analysis was shifted from production equipment to the product's value creation process， and the PEP model was constructed to describe the energy consumption composition of a unit product across different processes. Subsequently， through statistical learning of historical production big data， a data-driven energy consumption benchmark representing the enterprise's best practice was generated. Finally， by benchmarking actual production energy consumption against this benchmark， precise quantification and diagnosis of energy waste at the process level were achieved. A gypsum board production case study demonstrates that the method can effectively quantify systemic energy waste， identifying optimization potentials of 16.93% for electricity and 17.69% for natural gas within 9 days. Furthermore， energy profile volatility analysis reveals the key insight that high-energy-consumption processes do not equate to high-waste-potential processes.

Key words: energy benchmark, manufacturing process, energy waste, data-driven, product energy profile （PEP）

中图分类号:

TK01?8

耿端阳. 基于产品能谱模型的制造过程能耗基准建模与浪费识别方法[J]. 中国机械工程, 2026, 37(10): 2484-2491.

GENG Duanyang. Product Energy Profile Model-based Method for Energy Benchmark Modeling and Waste Identification for Manufacturing Processes[J]. China Mechanical Engineering, 2026, 37(10): 2484-2491.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.10.011

https://www.cmemo.org.cn/CN/Y2026/V37/I10/2484

图/表 9

参考文献 20

[1]	International Energy Agency. Energy Technology Perspectives 2023［R］. Paris： IEA， 2023.
[2]	YANG M， EVANS S. Rapid Decarbonization Requires Industrial Efficiency［J］. Nature Reviews Clean Technology， 2025， 1（1）： 4-5.
[3]	SCHMITT T， MATTSSON S， FLORES-GARCÍA E， et al. Achieving Energy Efficiency in Industrial Manufacturing［J］. Renewable and Sustainable Energy Reviews， 2025， 216： 115619.
[4]	耿端阳，许通，朱庆华，等. 数字化能源管理系统促进工业界节能减碳的分析与建议［J］. 中国科学院院刊， 2024， 39（2）： 311-322.
	GENG Duanyang， XU Tong， ZHU Qinghua， et al. Analysis and Recommendations for Energy Conservation and Carbon Emission Reduction in Industry Boosted by Digital Energy Management Systems［J］. Bulletin of Chinese Academy of Sciences， 2024， 39（2）： 311-322.
[5]	MAY G， STAHL B， TAISCH M， et al. Energy Management in Manufacturing： from Literature Review to a Conceptual Framework［J］. Journal of Cleaner Production， 2017， 167： 1464-1489.
[6]	SOORI M， AREZOO B， DASTRES R. Internet of Things for Smart Factories in Industry 4.0， a Review［J］. Internet of Things and Cyber-Physical Systems， 2023， 3： 192-204.
[7]	MA S， DING W， LIU Y， et al. Digital Twin and Big Data-driven Sustainable Smart Manufacturing Based on Information Management Systems for Energy-intensive Industries［J］. Applied Energy， 2022， 326： 119986.
[8]	ÁLVAREZ-ÁLVAREZ T， BARBÓN A， BAYÓN L， et al. Energy， Exergy， Sustainability， Environmental Emission， and Fuel Cost Analysis of a Hot-dip Galvanised Steel Wire Process［J］. Energy， 2025， 319： 134897.
[9]	SUN W， CAI J， DU T， et al. Specific Energy Consumption Analysis Model and Its Application in Typical Steel Manufacturing Process［J］. Journal of Iron and Steel Research， International， 2010， 17（10）： 33-37.
[10]	LI Y， CHEN J， WANG Y， et al. Multi-objective Modeling and Evaluation for Energy Saving and High Efficiency Production Oriented Multidirectional Turning Considering Energy， Efficiency， Economy and Quality［J］. Energy， 2024， 294： 130780.
[11]	da SILVA F A V， FRANZÃO H S， OUTEIRO J C. Prediction of the Energy Consumption and Surface Integrity in Machining of Inconel 718 Superalloy Using an Orthogonal Cutting Model Considering the Stress State［J］. Journal of Manufacturing Processes， 2025， 149： 82-97.
[12]	LONG Y， CAI W， YIN H， et al. Mechanism of a High Performance and Energy Efficiency Parallel Ultrasonic Vibration-assisted Cutting［J］. Energy， 2025， 326： 136244.
[13]	XIE Y， DAI Y， ZHANG C， et al. An Integration Model Enabled Deep Learning for Energy Prediction of Machine Tools［J］. Journal of Cleaner Production， 2025， 495： 145075.
[14]	BOUSNINA K， HAMZA A， YAHIA N BEN. Modeling Surface Quality， Cost and Energy Consumption during Milling of Alloy 2017A： a Comparative Study Integrating GA-ANN and RSM Models［J］. International Journal of Modelling and Simulation， 2026， 46（1）： 16-34.
[15]	MA S， ZHANG Y， LV J， et al. Big Data Driven Predictive Production Planning for Energy-intensive Manufacturing Industries［J］. Energy， 2020， 211： 118320.
[16]	LI H， YANG D， CAO H， et al. Data-driven Hybrid Petri-net Based Energy Consumption Behaviour Modelling for Digital Twin of Energy-efficient Manufacturing System［J］. Energy， 2022， 239： 122178.
[17]	ZHANG M， WANG R. Energy Consumption Forecasting in Non-stationary Machining Processes Based on a Physics-guided Transformer［J］. Computers in Industry， 2025， 171： 104321.
[18]	XU Z， ZHANG B， YIP W S， et al. Deep-learning-driven Intelligent Component-level Energy Prediction of Ultra-precision Machine Tools with IoT Platform［J］. Energy， 2025， 320： 135378.
[19]	REICHARDT A， MURAWSKI M， BICK M. The Use of the Internet of Things to Increase Energy Efficiency in Manufacturing Industries［J］. International Journal of Energy Sector Management， 2025， 19（2）： 369-388.
[20]	ZHANG J， LI C， DENG C， et al. Toward Digital Twins for Intelligence Manufacturing： Self-adaptive Control in Assisted Equipment through Multi-sensor Fusion Smart Tool Real-time Machine Condition Monitoring［J］. Journal of Manufacturing Systems， 2025， 82： 301-318.

工序ID	工序名称	能源类型	主要耗能子系统/设备类型（对应能耗计量单元）
S1	原料制备	电	破碎及输送系统（原热车间辅机电表）
S2	生料粉磨与煅烧	电、气	球磨系统（制粉主电表）；煅烧系统（原料车间天然气表、三控电表）
S3	配料与制浆	电、气	制浆及搅拌系统（粉料制备车间电表）
S4	板材成形与凝固	电	成形系统（一控电表）
S5	板材干燥与成品处理	电、气	干燥窑系统（制板车间天然气表、二控电表）

工序ID	工序名称	能源类型	主要耗能子系统/设备类型（对应能耗计量单元）
S1	原料制备	电	破碎及输送系统（原热车间辅机电表）
S2	生料粉磨与煅烧	电、气	球磨系统（制粉主电表）；煅烧系统（原料车间天然气表、三控电表）
S3	配料与制浆	电、气	制浆及搅拌系统（粉料制备车间电表）
S4	板材成形与凝固	电	成形系统（一控电表）
S5	板材干燥与成品处理	电、气	干燥窑系统（制板车间天然气表、二控电表）

工序ID	工序名称	平均单位电耗/ （10^-4 kW·h·m^-²）	平均单位热耗/ （10^-4 N·m³·m^-²）	平均单位综合能耗/ （10^-4 kW·h·m^-²）	综合能耗占比/%
合计		2435.82	3868.76	41 123.42	100.0
S1	原料制备	394.91		394.91	1.0
S2	生料粉磨与煅烧	522.14	1836.12	18 883.34	45.9
S3	配料与制浆	132.69		132.69	0.3
S4	板材成形与凝固	74.87		74.87	0.2
S5	板材干燥与成品处理	1311.21	2032.64	21 637.61	52.6

工序ID	工序名称	平均单位电耗/ （10^-4 kW·h·m^-²）	平均单位热耗/ （10^-4 N·m³·m^-²）	平均单位综合能耗/ （10^-4 kW·h·m^-²）	综合能耗占比/%
合计		2435.82	3868.76	41 123.42	100.0
S1	原料制备	394.91		394.91	1.0
S2	生料粉磨与煅烧	522.14	1836.12	18 883.34	45.9
S3	配料与制浆	132.69		132.69	0.3
S4	板材成形与凝固	74.87		74.87	0.2
S5	板材干燥与成品处理	1311.21	2032.64	21 637.61	52.6

排序	工序ID	能源类型	单位平均能耗	标准差	波动率/%
1	S3	电	132.69	43.28	32.61
2	S2	天然气	1836.12	357.43	19.47
3	S1	电	394.91	75.85	19.21
4	S2	电	522.14	92.28	17.67
5	S4	电	74.87	5.95	7.95
6	S5	电	1311.21	103.98	7.93
7	S5	天然气	2032.64	152.52	7.50