流程工業數字孿生關鍵技術探討

李彥瑞 楊春節 張瀚文 李俊方

流程工業主要包括化工、冶金、石化、造紙、電力等行業，其生產過程中，原料通過化學、物理、相變等反應或變化，經連續加工生成新的物質.流程行業不僅為機械、軍工等領域提供原材料與電力能源支持，也是國民經濟與人民生活的重要保障.因此，流程工業生產不僅對企業至關重要，也是我國國民經濟和社會發展的重要支柱產業，在保障國家重大工程建設和帶動國民經濟增長等方面起著不可替代的作用[1].

相比于離散制造工業，流程工業具有以下幾個特點:

1)原料物化屬性復雜且難以測量，涉及眾多工藝，每一個工藝的設備特征、工藝配方、原料屬性和操作參數都與生產性能指標有著密切聯系，且加工工藝多為復雜的物理過程和化學反應，導致生產過程難以建模.

2)對流程工業而言，為了制造某一產品，原料必須通過由不同功能工序串聯起來的制造流程，在整體協同下組織生產，其整體運行的全局最優是一個多流程耦合關聯、多目標沖突的復雜動態優化命題.

3)不同于離散工業在質量缺陷時可以通過更換零件解決，流程工業體量大，容錯率低，一旦發生異常或故障將使一批產品無效，造成巨大的經濟損失，嚴重時可能造成人員傷亡與生態環境破壞，因此亟需經營決策優化的自感知、自計算、自組織和自維護功能.

傳統的流程工業生產往往依靠工人經驗，關鍵工藝質量預測與操作決策依賴工作人員的知識儲備和認知水平，嚴重制約了生產過程的安全高效運行.經過幾十年的發展，通過信息化、數字化等手段，我國流程工業產業結構逐步優化，關鍵技術不斷取得突破，對許多生產工序有了較完善的模型與控制系統.然而流程工業物理化學反應復雜，工序間能質流嚴重耦合，性能指標影響因素眾多，生產異常和故障后果嚴重，因此，對物質流、能量流和信息流的集成和高效調控成了現有制造模式亟待解決的難題.

正是由于以上問題，現階段我國流程工業面臨資源利用效率偏低、能耗物耗較高、產品質量較差、生產成本高、“三廢”排放量較大和環境污染較嚴重等問題[2-3].近年來流程工業生產事故時有發生，不僅使企業經濟效益受損，而且污染環境，危及人民生命財產安全.構建流程行業的數字孿生系統，通過數字孿生體與工業實體的平行運行、實時交互與迭代優化，實現生產過程精準預測與控制、生產自組織優化調度、設備全生命周期管理、產品質量追溯與管控等功能，可以大幅提升流程行業生產質量和效益，促進流程行業高質量發展[4].

針對流程工業數字孿生技術的發展與應用，本文第1 節介紹數字孿生技術的發展概況，并通過邊界定義法，闡述數字孿生與一系列相關概念的異同，使讀者對數字孿生的定義有更清晰的理解;第2 節將流程工業抽象概括為數學模型，并闡述與數字孿生體映射關系，分析如何通過數字孿生理論方法來解決流程工業復雜耦合問題，同時通過全流程的迭代優化提高數字孿生體的建模效果;第3 節介紹了流程工業數字孿生的主要關鍵技術;第4 節以一條數字孿生煉鐵生產線為例，展示了數字孿生技術在流程行業中的應用解決方案.

1 數字孿生

1.1 數字孿生發展

隨著大數據、云計算、人工智能等相關技術的進步，數字孿生作為信息物理系統(Cyber-physical system，CPS)系統的重要組成部分，正處于快速發展的階段.數字孿生概念的提出是在2003 年美國密歇根大學的Grieves 教授所開設的產品全生命周期管理(Product lifecycle management，PLM)課程上，當時稱之為“與物理產品等價的虛擬數字化表達”，隨后在2003～ 2010 年間，數字孿生被稱為“鏡像的空間模型”[5]，直到2011 年，在文獻[6]中，作者提出了新的名詞:數字孿生體，該名詞正式產生并一直沿用至今.此后，美國空軍研究實驗室與美國國家航空航天局(National Aeronautics and Space Administration，NASA)在2011 年開展合作，提出了飛行器的數字孿生體概念，并定義了數字孿生[7-8].NASA 在2012 年，發布“建模、仿真、信息技術和處理”路線圖，將數字孿生概念帶入公眾視野[9].2013 年，美國空軍發布《全球地平線》頂層科技規劃文件，將數字線索和數字孿生并列視為“改變游戲規則”的顛覆性機遇，并于2014 年組織洛馬、波音、諾格、通用電氣、普惠等公司開展了一系列應用研究項目.從此，數字孿生理論與技術體系初步建立并對外推廣.在國內，2017 中國科學技術協會智能制造學術聯合體在世界智能制造大會上將數字孿生列為世界智能制造十大科技進展之一.由此可以看出，數字孿生概念的起源距今不到20 年，現階段的數字孿生技術正處于理論逐漸成型、應用飛速發展的階段.

1.2 數字孿生邊界定義

對于數字孿生的體系結構、建設規范，至今并沒有完全成熟、統一的標準.根據數字孿生特點與應用背景，有研究者提出了數字孿生的三維結構[10]與五維模型[11].文獻[12-13]對數字孿生相關概念、層級進行了總結與歸納.為了能更準確更客觀地理解數字孿生，本文采用邊界法，通過區分數字孿生與相關概念，定義數字孿生的基本內涵與功能邊界.

1.2.1 CPS 與數字孿生

CPS 通過集成先進的感知、計算、通信、控制等信息技術和自動控制技術，構建了物理空間與信息空間中人、機、物、環境、信息等要素相互映射、適時交互、高效協同的復雜系統，實現系統內資源配置和運行的按需響應、快速迭代、動態優化，從而支撐信息化和工業化的深度融合[14].CPS 的內涵是虛實雙向的動態連接，簡單來說，CPS 就是用P (物理)來獲得C (信息)，從而用C 來控制P.而數字孿生，是從物理實體對象鏡像出一個信息化的數字孿生體，正是CPS概念中從P (物理)得到C (信息)的過程，因此數字孿生是建設CPS 的基礎，是CPS發展的必經階段，是CPS 的核心關鍵技術[15-16].文獻[17]中，作者提出使用數字孿生構架用于構建基于云平臺的CPS，明確了數字孿生是構建CPS 的關鍵一步.從數字孿生的角度來說，數字孿生試圖在虛擬世界中盡可能地模擬物理世界真實發生的一切，但數字孿生并非一定要用于CPS，它有時候只是用來顯示而不作為控制.

1.2.2 工業互聯網與數字孿生

數字孿生技術的關鍵在于孿生，即數字孿生體和物理實體一樣是實時并行運行的.這樣的性質使得數字孿生體對企業或工廠提供對外對內的服務應用具有與生俱來的優勢.因而數字孿生常常與產品全生命周期服務緊密相連.而工業互聯網，指的是通過邊緣層、IAAS (Infrastructure as a service)層、PAAS (Platform as a service)層、SAAS (Software as a service)層的架構，結合微服務組件開發工業APP(Application)為客戶提供各式各樣的應用服務與解決方案[18-19].因此，工業互聯網和數字孿生有著密不可分的關系，工業互聯網是數字孿生的延伸，是數字孿生的孵化床[20]，數字孿生技術則給工業互聯網生態帶來持續的改進優化，拓展了工業互聯網應用層面的可能性[21].

1.2.3 建模與數字孿生

建模有各種分類，與數字孿生相關的建模可分為三維幾何建模與仿真建模.三維幾何建模是數字孿生的重要部分，為數字孿生體提供更直觀的展示[22].仿真建模與數字孿生在某些方面非常相似，從宏觀層面上都是由實到虛的過程，但是兩者也有差距，首先，仿真建模更傾向于對實體進行抽象，而數字孿生是對實體的復刻，即仿真建模是把一個問題簡單化，聚焦在想要研究的關鍵問題上，而數字孿生則傾向于把一個問題綜合化，使不同領域的問題在同一個模型上研究.其次，大多數的建模仿真是對一個獨立單元進行的，而數字孿生涉及到多耦合的整個生產線，并貫穿設計、制造、維護的整個過程，因此數字孿生需要有多維度多尺度的建模，從而能在多個層級下對模型進行耦合.此外，數字孿生體是動態的，需要與物理實體層的數據進行實時交互，虛實融合，對模型迭代進化[23].

1.2.4 數字化工廠與數字孿生

數字工廠以產品全生命周期的相關數據為基礎，在計算機虛擬環境中，對整個生產過程進行仿真、評估和優化，并進一步擴展到整個產品生命周期的新型生產組織方式[24].從含義上來說，數字工廠是對工業數據的搜集歸類，建立信息平臺，從而對整個企業在制造、管理與營銷等方面的可靠性、經濟性、質量等有足夠的數據分析支持，另一方面，數字工廠通常在離散工業中通過三維建模與仿真，為產品設計到產品生產提供有關空間、尺寸的解決方案[25].在流程行業中，相比數字工廠，數字孿生有兩個不同，首先是其聚焦不同，數字孿生聚焦于工業生產線，不涉及過多的企業管理層面.其次是功能不同，在流程工業中，由于生產過程存在大量復雜的物理化學反應，其數字孿生體的構建不僅涉及數字化三維建模，更是需要對流程工業進行機理或者數據驅動的建模，通過對物理實體的全維度擬合，達到自主運行的功能，從而為流程工業提供更合適的解決方案.

2 流程行業與數字孿生的映射框架

第1 節對流程工業的特點與難點、數字孿生的定義概念進行了介紹，本節介紹流程工業過程的抽象數學模型，并結合數字孿生模型，闡述兩者如何在統一框架下進行融合，從而達到流程工業物理實體與數字孿生體的迭代優化，解決流程工業的建模難與協同優化難問題.

2.1 統一的物理實體與數字孿孿生體抽象模型定義

如第1 節所述，流程工業最主要的難點在于流程工業建模復雜，從而導致其預測困難、優化困難.建模復雜的原因有兩個方面，其一是單工序的建模復雜;其二是工序間耦合關系復雜.而數字孿生技術，正是解決這一問題的關鍵手段.

圖1 流程工業抽象結構Fig.1 Abstract structure of process industry

如圖1 所示，現階段，業界普遍將一個流程生產線分為ERP (Enterprise resource planning)、MES (Manufacturing execution system)、PCS(Process control system)三層[26].三個層次之間存在著聚集與解聚的關系.例如PCS 層一般以分、秒作為采集周期;MES 層數據一般以班次、天作為計算周期;ERP 層一般以月、季度作為周期，邊界數據可以累積加和向上聚集.結合流程工業的分層，如圖2 所示，本文將流程工業生產線抽象成一個樹結構，從上至下，隨著樹的深度增加，其節點涉及生產線范圍越小，耦合性越高.

對于樹結構中的任意一棵深度為2 的子樹，其父節點對應的物理實體，是由子節點對應的物理實體構成的.其構成方式為各個子節點之間連接形成的有向無環圖.定義這樣的一個子樹的所有葉子節點組成的該有向無環圖為一個層級，其中的每個葉子節點為一個單元.每一個葉子節點單元可以表示為如下所示的數學抽象:

其中，u是流程工業物理實體的數學抽象，fu是物理實體的輸出，x1，x2分別代表流程工業中的操作參數與過程參數.

在物理實體層，同一層級中各個單元通過物質流、能量流的方式進行耦合，在抽象結構中，我們定義其以參數的方式進行耦合.對于有向無環圖中的每一個耦合關系，其參數耦合指的是前序單元的部分輸出作為后續單元的操作參數進行輸入.

在這樣的以參數耦合作為耦合方式的抽象關系中，數字孿生體可以定義為式(2).其輸入輸出與物理實體層的數學抽象模型一致，均是以參數的形式，唯一的區別在于其映射函數u，v，前者依靠物理層的實際運行而產生映射結果，后者采用建立的數字孿生體得到映射結果.

其中，v是數字孿生體的數學抽象，fv是數字孿生體的輸出.

圖2 流程工業樹結構Fig.2 Process industry tree structure

2.2 理想狀態下的強耦合協同優化解決方法

理想狀態下，一個數字孿生體是物理實體的完全復刻，其數學內涵為

式(3)表明，任何一個單元的流程，在全部變量空間中，由物理實體運行得到的輸出和數字孿生體的輸出都保持一致.因此，對于這樣一個單元數字孿生體，可以通過優化算法獲得最優解，從而完成對該單元流程的優化.在此基礎上，使用通過參數耦合的數字孿生體可以解決由于復雜耦合特性造成的流程工業協同優化難問題.以由四個單元構成的工業流程為例，如圖3 所示，假設所有數字孿生體都處于理想狀態下.具體可以分為如下兩種情況:

情況1):所有單元的理想數字孿生體均存在.在該情況下，對于該層級流程的協同優化問題，只需要考慮數字孿生模型，從后向前，根據依賴關系反向進行優化，可以確定所得解為全局最優解.

情況2):只有部分單元的理想數字孿生體存在.對于這一類情況，由于無法獲得全局最優解，通常對指定單元進行優化，以獲得整體流程的局部最優解.

2.3 非理想狀態下的數字孿生體優化方案

在現實情況下，數字孿生體往往不能與真實物理實體建立完全的映射關系，因此如何構建一個盡可能理想的數字孿生體非常重要.有關如何構建單元級數字孿生體在第3.2 節中有詳細介紹.本節主要介紹如何通過全流程數字孿生體來對單元數字孿生體進行反饋優化.例如，在圖4 中，為了對單元2進行優化，使用單元2 的數字孿生體與物理實體模型平行運行，將單元2 的前序單元使用物理實體層的數據進行輸入，根據單元2 的數字孿生體的輸出與物理實體層單元2 的輸出進行比較，對偏差進行反饋優化.

圖3 理想數字孿生體的協同優化Fig.3 Collaborative optimization of ideal digital twins

圖4 數字孿生體的反饋優化Fig.4 Feedback optimization of digital twins

圖5 虛實交互數字孿生體Fig.5 Virtual reality interactive digital twin

在如圖5 所示的流程生產線持續運行過程中，可以看出，整個數字孿生體與物理實體保持了平行運行、實時交互與迭代優化的過程，物理實體的生產過程使數字孿生體不斷地優化迭代，同時數字孿生體又通過提供操作參數推薦、產品生命周期管理等解決方案對物理實體生產線進行改善，兩者互相促進，共同進化.

圖6 數字孿生關鍵技術Fig.6 Key technologies of digital twin

2.4 數字孿生技術在流程行業的價值

通過上述的流程行業數字孿生生產線構建與優化方案，將物理實體流程上的耦合轉化成各個數字孿生體參數間的耦合，解決了流程工業耦合復雜而造成的協同優化難題.通過全流程的物理實體對單個數字孿生體提供反饋優化，提高單元級數字孿生體的構建精度，此外，這種更新迭代機制也解決了流程行業模型動態演變問題.最后，多維度建模的數字孿生體相互耦合，得到自主運行的數字孿生體，從而快速生成面向生產決策優化的自感知、自計算、自組織和自維護解決方案[27].

3 流程行業數字孿生關鍵技術

數字孿生是在大數據、云計算、人工智能發展的浪潮中孕育而生，因此可以說這三者是數字孿生技術的基石[28-29].已有較多的學者對數字孿生研究現狀做出總結[30].但是大多數是針對數字孿生的整體生態，沒有聚焦到特定領域上，而數字孿生應用領域廣闊，在不同的領域往往會與不同的技術相結合.例如在離散工業中，有學者利用多尺度融合建模、融合模型的狀態評估、數據采集與傳輸、全壽命周期數據管理、虛擬現實以及高性能運算等技術構建數字孿生系統[31].

本文總結以上相關研究成果，并結合在流程行業領域的研究與應用情況，以數據從物理實體到數字孿生體的數據流先后順序，將數字孿生系統構建問題分為感知、集成、傳輸、建模、顯示、服務等基本過程，如圖6 所示.其中數據的感知、集成、傳輸技術為數字孿生技術提供基本保證，已發展較為成熟，而數字孿生體的構建、增強式交互及其轉化應用的方案在流程行業中非常欠缺，限制了流程行業數字孿生技術的發展，需要學術界和產業界投入更多精力聯合攻關.

3.1 數據基礎技術

數字孿生的發展少不了數據作為基礎支撐，有關數據的基礎技術主要包括數據感知、多源異構數據集成與數據傳輸技術.

3.1.1 數據感知

為了建立功能完備的數字孿生體，需要大量準確的相關數據，數據的感知決定了數字孿生體最終的效果.流程工業現場數據可通過分布式控制(Distributed control system，DCS)系統、可編程邏輯控制器(Programmable logic controller，PLC)系統、智能檢測儀表等進行采集.近10 年來，隨著深度學習的發展，大量的圖像、聲音和文字中攜帶的信息可以被充分挖掘，大大擴充了信息來源，各類圖像、聲音采集設備也廣泛使用到數據采集中[32-34].隨著傳感器成本的下降、傳感器性能和通訊技術的提升，傳感器與終端節點的連接數也大幅提升，采樣頻率得到提高[35]，數據大量增加，為數字孿生帶來更多的可能性[36].

針對流程工業，傳感器的發展方向主要包括以下三個方面:1)智能化:一方面完成多種傳感功能與數據處理、儲存、雙向通信的集成，實現信號探測、邏輯判斷、功能計算等基本任務;另一方面讓傳感器實現內部自檢、自校準、自補償、自診斷等功能，完成數據在邊緣側的采集、清理、加工、集合，從而提升有效信息占比，節約傳輸流量.2)微型化:隨著集成微電子機械加工技術的日趨成熟，微機電系統(Micro-electro-mechanical system，MEMS)大量使用在傳感器制造過程中，為傳感器微型化發展提供了重要的技術支撐，使傳感器在降低能耗、提高精度方面有巨大提升.3)新材料:除了傳統的半導體材料、光纖材料外，新型的生物傳感器、納米傳感器等新型材料傳感器技術正處于快速發展階段.部分新材料由于有抗高溫、耐腐蝕等特點可以很好地運用到流程工業中，對以往只能通過軟測量方法得到的過程變量進行測量[37].此外，巡檢機器人的廣泛應用為惡劣環境下的數據采集提供了新的方案[38].

3.1.2 多源異構數據集成

數字孿生系統建設過程中，獲取的數據形式多樣，既包括圖像、聲音等非結構化數據，也包括溫度、壓力、流量、成分等結構化數據.另外，還有大量由產品生命周期管理系統(PLM)、應用程序生命周期管理系統(Application lifecycle management，ALM)、服務生命周期管理系統(Service lifecycle management，SLM)等系統產生的半結構化數據.而流程工業的數據，在此基礎上存在著更為復雜的特點，主要體現在數據的多采樣率特性.多采樣率過程是指變量同時具有多個采樣率的工業過程，其在流程工業中很常見[39].如電信號和機械信號的采樣間隔通常在秒級甚至毫秒級，而溫度、流量、壓力等過程變量的采樣間隔通常在分鐘級，至于生產性能指標相關的數據往往需要通過實驗室化驗分析才能得到，這些變量的采樣間隔一般在小時級甚至天級.這樣的特性使得傳統的對均一采樣間隔的建模分析手段在遇到多來源的數據時會有很大問題.對此，表1列舉了幾種典型的方法來對多采樣率問題進行升采樣與降采樣，主要分為單維估計法和多維估計法.除此之外，結合具體數據，大量的學者采用更為復雜的方法對多源異構數據進行集成.例如使用概率主成分分析(Probabilistic principal component analysis，PPCA)[40]，因子分析(Factor analysis，FA)[41]等概率框架下的統計學習方法對二采樣率數據進行集成.采用信息融合策略融合多個卡爾曼濾波器對多采樣率數據進行融合[42]等.在文獻[43]中，作者介紹了使用TOSCA (Topology and orchestration specification for cloud applications)將分析算法與數據集成相互關聯起來，從而完成自動化的數據配置.文獻[44]針對電網系統，將不同系統收集的電網數據融合使用，大幅提升了建模效果.將圖像、文本轉換為向量表達形式的結構化數據，從而進行建模的方法也可作為借鑒應用于工業中[45].

表1 多采樣率時序數據處理方法Table 1 Multi rate time series data processing method

通過上述的多源異構數據集成，將多個系統轉換連接至數據平臺上，從而用于數字孿生體的構建與融合，對數字孿生體的整體構建有較大提升[46].

3.1.3 數據傳輸

從集中式控制、集散控制到現場總線控制系統，數據傳輸能力的發展決定了工業自動化系統的實現模式與性能上限.結合現階段的CPS 系統以及工業互聯網現狀，建設數字孿生系統需要先進可靠的數據傳輸技術，需具備更高的帶寬、低延時、安全性等特性.

其中第五代移動通信網絡(5G)技術因其低延時、大帶寬、泛在網、低功耗的特點，被認為是第四次工業革命的重要一環.5G 三大應用場景是增強移動寬帶(Enhanced mobile broadband，eMBB)、海量機器類通信(Massive machine type of communication，mMTC)和超可靠低時延通信(Ultra reliable low latency communication，uRLLC)，其發展可以為數字孿生帶來以下突破:1)增強移動寬帶:可以支持更高清虛實交互，提升數字孿生三維模型的虛擬現實(Virtual reality，VR)/增強現實(Augmented reality，AR)交互功能;2)海量機器類通信:5G 提供低功耗大連接的支持，可以解決多類型大批量傳感器末端節點互聯、全面感知的需求，為工業流程的供應鏈管理等提供基礎;3)高可靠低延時，可以滿足數字孿生體與工業實體實時同步與交互的需求，有效完成流程工業對控制操作等任務.因此5G 是建設的工業互聯網關鍵基礎設施，是實現數字孿生的必要技術.

3.2 數字孿生體模型構建

數字孿生體的構建流程主要包含以下4 個步驟:1)數字孿生體需求分析.首先明確生產流程包含的設備對象的合集，其次明確各設備數字孿生對生產流程各階段的指導意義，再次明確已有數據、新增數據需求等，最后完成需求分析與策略研究.2)幾何屬性數字化復刻.首先獲取各對象的幾何結構、空間運動、幾何關聯等幾何屬性建立3D 模型，之后結合實體對象的空間運動規律，對運行效果渲染優化，最后進行匹配連接，實現幾何屬性數字化精準復刻[47].3)內核模型構建.結合傳熱學、流體力學等理論與人工智能等方法，建立多模型融合與多尺度多維度的數字孿生內核模型.4)數字孿生模型測試驗證.通過建立模型精度及可信度評測算法與融合客觀檢測數據及先驗知識，構建孿生體模型評估驗證平臺，對孿生體的精度與穩定性進行測試.

其中數字孿生體內核模型的構建是整個數字孿生體穩定運行的關鍵，是有效的數字孿生服務應用的保證.對于單元級數字孿生體的構建，主要包括多尺度多維度的建模，與多模型融合，并通過流程中的多單元耦合完成數字孿生體的迭代更新.

1)多模型融合

為保障數字孿生體能夠有效解決流程行業復雜耦合的協同優化問題，需要保證建立的數字孿生體有足夠的模型精度以及盡可能大的變量覆蓋區間.為此，建立單元級數字孿生體時需要采用多模型融合的方法，一方面通過累加多個模型對全變量空間進行覆蓋，另一方面通過平均多個模型提高模型的精度與可靠性.工業領域常見的模型包括基于知識的模型、機理模型和數據驅動模型.表2 展示了三者的優缺點，現階段隨著大數據、人工智能的興起，數據驅動模型在復雜模型場景下有更好的效果.但由于基于數據建模需要大量數據支撐且沒有可解釋性，在許多情況下，機理模型仍然作為一種先驗模型得到廣泛應用[48].基于知識的模型因其建模效果差，往往只用于對特殊情況的判斷，從而對整體模型進行補充.由于多模型融合的優越性，已有大量學者通過多模型融合建立了流程工業單元級模型[49-50].對于模型融合的方法，常見的包括對不同變量空間的多模型分段覆蓋以及對于同一變量空間的多模型加權平均.此外，文獻[51]提出了一種基于語義特征融合的異構模型集成方法，有效地將各種類型的語義特征和幾何特征集成到模型中.文獻[52]提出一個基于兩層模型的具有深層特征選擇程序的多模型框架.文獻[53-54]中，針對高爐冶煉過程的最優控制，作者提出多模型集成的專家系統，在應用中取得了增加產量和降低能耗的實際效果.

2)多尺度多維度建模

表2 三種建模方法對比Table 2 Comparison of three modeling methods

為了建立精準完備的數字孿生體，不僅要在多時空尺度上對實體對象進行建模，還要從幾何、物理、化學、行為、規則等多個維度對實體對象的特征進行刻畫.多尺度建模可分為長度尺度、時間尺度以及耦合范圍三個方面，能夠連接不同尺度的物理過程以模擬眾多的科學問題.其中長度尺度和時間尺度的建模主要為了建立多精度等級的模型，在不同的應用場景下提供不同精度等級的模型從而達到效率與精度的協調.例如，在文獻[55-56]中，作者在長度方面建立宏觀與微觀尺度模型，在耦合范圍方面建立上至整個生產鏈、下至兩個工位之間的耦合模型，文獻[57]提出了一種有“自我意識”的數字孿生模型，通過一種獨創的過程控制方法，使用大數據分析方法來處理過程空間的多維性和大尺寸，其技術特點可以較好地符合流程工業生產需要.對于模型尺度的劃分，一方面要考慮單元級模型的精度，另一方面要考慮跨單元間的耦合程度，如果兩個單元的耦合程度很高，往往需要將兩個單元耦合在一起建立整體模型，因而需要對具體工業生產流程具體分析.

3.3 增強式交互

物理實體是實際存在的客觀對象，操作人員可以直觀方便地與之交互.而數字孿生體是構建于信息空間的虛擬對象，難以與操作人員形成類似物理空間中的交互與理解.為了使孿生體在顯示形態與交互便利性上更接近于物理實體，增強式交互技術廣泛運用在數字孿生系統的對外顯示與交互中，主要技術包括虛擬現實(VR)[58-59]、增強現實(AR)[60-61]與混合現實(Mixed reality，MR)，三者合稱為3R技術.對3R 技術的對比如表3 所示.

對于3R 系統中的相關技術研究也在快速的發展，主要包括視角的選擇與變換.已有多種AR 技術在工業中得到應用，包括對產品的設計、調試、維護等[62-64].文獻[65]中，作者介紹了通過手持拍攝設備對生產線進行3D 重建，獲得數字孿生可視化模型，并可在佩戴式設備中進行VR 交互，該方法能夠有效控制數字孿生三維模型的開發成本，促進數字孿生技術在中小企業的應用.

3.4 轉化應用

數字孿生作為一項技術，將其轉化應用、為企業創造價值才能真正體現這項技術的價值.現階段的數字孿生技術大多基于云計算、SAAS (Softwareas-a-service)平臺的構架，通過App 軟件，為客戶提供服務應用與解決方案[66-67].SAAS 是一種通過網絡提供軟件的模式，廠商將應用軟件統一部署在自己的服務器上，客戶可以根據自己實際需求，通過互聯網向廠商定購所需的應用軟件服務，按定購的服務多少和時間長短向廠商支付費用，并通過互聯網獲得廠商提供的服務[68-69].這種模式大大減少了中小型企業購買、構建以及維護基礎設施和應用程序的需要，減少了對信息技術(Information technology，IT)的投資，并可以獲得更穩定、更有效的服務應用.現階段這種模式在離散行業、智慧城市中有大量的應用，但是對于流程工業，由于相關企業需求復雜，行業專業性強，開發SAAS 平臺的IT人員并不懂相關領域知識，而常年工作在生產線的工人們也對IT技術不了解，因此如何構建能夠支持流程工業應用的中臺系統極為關鍵.常見的各類應用包括數字化學習工廠[70]、生產過程控制[71]、生產自組織運行與調度[72]、產品生命周期管理[73-74]和設備故障診斷[75]等.

4 數字孿生煉鐵生產線應用解決方案

從廣義上來說，數字孿生的應用場景有制造過程數字孿生[76-77]、智慧城市[78]、復雜裝備數字孿生[79-80]、醫療數字孿生[81]等，本文聚焦流程工業，以煉鐵生產線為例建立數字孿生系統，其技術架構如圖7 所示.

本節結合該數字孿生煉鐵生產線，介紹如何構建煉鐵生產線的數字孿生體，并從數字化學習工廠、煉鐵過程協同優化、煉鐵過程故障診斷與設備維護和煉鐵過程自組織運行四個方面展示數字孿生技術如何在實際工業中應用.

4.1 煉鐵生產線數字孿生體的建立

在建立煉鐵生產線數字孿生體的過程中，主要包括四個階段，分別是:煉鐵流程/設備數字孿生體需求分析、煉鐵流程/設備幾何屬性數字化復刻、煉鐵流程/設備運行機理多時空尺度建模以及煉鐵流程/設備孿生模型測試驗證.

表3 3R 技術對比Table 3 Comparison of 3R technology

圖7 煉鐵生產線數字孿生系統技術架構圖Fig.7 Technical architecture of ironmaking digital twin system

4.1.1 煉鐵流程/設備數字孿生體需求分析

主要有四個階段，首先明確設備對象:包括物料貯存過程中的儲存、混勻及運輸設備;燒結過程中的配料、混合、布料、燒結和破碎篩分設備;造球過程中的脫水、潤磨、造球和焙燒設備;高爐煉鐵過程中的上料、布料、鼓風、打孔、熱風和TRT 設備.其次明確煉鐵流程/設備數字孿生體對煉鐵流程各階段生產的指導意義.再次明確已有的煉鐵流程各階段機理模型、可改造和獲取的數據、新增檢測數據需求等.最后完成煉鐵全生命周期的數字孿生體需求分析與策略研究.

4.1.2 煉鐵流程/設備幾何屬性數字化復刻

1)結合現有測量方法，完成煉鐵流程/設備實體對象的幾何結構、空間運動、幾何關聯等幾何屬性獲取.2)通過對已有3D 重建和渲染優化引擎的功能分析，做出符合最優性原則的合理決策.3)結合煉鐵流程/設備實體對象的空間運動規律，利用3D 重建工具，實現煉鐵流程/設備空間幾何模型的重建;針對模型重建過程中存在計算資源有限的問題，對煉鐵流程/設備空間幾何模型進行渲染優化.4)對煉鐵流程中各設備空間幾何模型進行匹配連接，從而實現煉鐵流程/設備幾何屬性數字化精準復刻.

4.1.3 煉鐵流程/設備運行機理多時空尺度建模

在完成煉鐵流程/設備幾何屬性數字化復刻的基礎上結合流體力學、傳熱學等理論與人工智能、大數據處理等方法對煉鐵流程/設備中的運行機理與規律進行深入研究，從而建立機理和數據驅動的煉鐵流程/設備多時空尺度模型，能夠在時間尺度和空間尺度上全方位地精確描述出煉鐵過程中關鍵工序和主要設備的運行狀態與物料流通的變化情況，全面刻畫出實際煉鐵過程中輸出量與輸入量之間的準確關系.煉鐵生產線數字孿生體的構建可劃分為三個層次，即流程級、工序級與設備級.

流程級數字孿生體，多為多個工序級數字孿生體耦合而成，基本不涉及單元級孿生體的構建問題.工序級數字孿生體，其組成設備形式多樣，如料場的數字孿生體，其在生產邏輯與物理實體上已經是一個耦合性緊密的單元，并且其建模是可行的，如果再將其解耦會大大增加耦合參數規模，因此不對其進行解耦.而類似一混、二混等設備，其通常是一個設備組，設備組內部的單個設備建模簡單，且耦合性較弱，因此可以對其進行設備層的解耦.由此看出，在實際建立數字孿生體的過程中，對物理實體層中的設備需要考慮其之間的耦合程度與建模復雜程度從而確定數字孿生體單元的粒度.

4.1.4 煉鐵流程/設備孿生模型測試驗證

數字孿生模型的驗證主要從兩個方面，其一是通過建立模型精度及可信度評測算法，對煉鐵流程/設備孿生模型的運行效果進行驗證;其二是通過融合客觀檢測數據及先驗知識，構建孿生體模型評估驗證平臺，實現孿生體構建過程全方位多角度交叉驗證.只有通過了測驗的數字孿生體才可用于與真實物理系統的平行運行，指導生產過程.

4.2 數字化學習工廠

數字化學習工廠是以工作為導向，面向未來制造業教育、培訓和研究的學習環境.其廣泛使用了數字孿生技術，將以往的學習者在物理世界中實踐學習的模式，轉向學習者通過增強式交互的手段在虛擬空間中進行實踐學習的模式，為學生求職以及工程師的職務提升提供幫助.煉鐵系統的數字化學習工廠通過分析煉鐵流程/設備的幾何結構和組成，利用CAD (Computer aided design)軟件解析關鍵的結構參數，結合設計圖紙和實景拍攝照片，采用3Dsmax 軟件建立空間幾何模型，并在Polygon Cruncher、3DS VIZ、Autodesk VIZ 等軟件平臺上對三維模型進行優化.其次，利用Unity3D 建立煉鐵過程中的交互模擬和物料運動全過程模擬，并實時讀取現場或其數字孿生體運行數據，重構出隨現場運行過程實時變化的高爐料面形狀、軟熔帶位置和形狀等關鍵信息，建立完整的集合模型.在此基礎上采用RealFlow 實現流體模擬，利用ANSYS、CFD、Fluent 等CAE (Computer aided engineering)分析軟件對煉鐵流程/設備的運行機理、能量交換、多場耦合演變規律等進行建模及數值模擬仿真，為幾何模型賦予內核.最終基于UGUI 構建3D 交互界面，實現大型高爐煉鐵生產線數字孿生體的開發，該數字孿生體可代替高成本的物理模型以及生產環境惡劣的工作現場作為煉鐵生產線的演示與講解工具，并可擴展為VR 環境，實現煉鐵生產線與工人、學習人員在虛擬空間中的交互.

4.3 煉鐵過程協同優化

煉鐵生產線過程涉及多項優化過程，包括物料配方優化、工藝參數優化以及生產過程的優化控制.物料配方優化可以保證鋼鐵企業合理地選擇、利用鐵礦石資源，確保各個環節產品質量，同時降低鋼鐵生產成本、降低污染物排放，從而增強企業競爭力.為實現這一系列目標，鋼鐵企業需要將采購、配礦、產出評價三個環節緊密地結合起來.傳統方法使用專家系統與實驗數據結合的方法進行物料配方優化的初步試驗，但仍存在實時物料信息獲取困難、多級配料間能質流耦合復雜和精細智能優化配料困難的問題，不能有效打破環節之間的壁壘.煉鐵生產過程整體工序繁多，工藝機理極其復雜，存在多分布參數、大滯后、高度非線性、強耦合、嚴重時變等建模和控制難點.因此，煉鐵生產過程運行優化控制系統是煉鐵生產全流程的中樞系統，其控制功能和控制策略的正確性，直接關系到煉鐵生產功能和性能，也是確保生產過程高效運行，提高生產效率，提升產品質量，降低生產運行成本的重要途徑.而工藝參數優化針對工藝控制模型精度不足的問題，基于數據或機理模型向工人推薦優化的操作參數，包括對燒結過程的燒結礦質量、高爐布料矩陣和鐵水質量等關鍵工藝進行建模.在此基礎上，構建以燒結礦質量穩定為優化目標的燒結過程工藝參數優化模型、以最小化真實料面形狀與期望料面形狀的偏差為目標的布料矩陣單目標優化模型和以最小化鐵水硅含量預測值與期望設定值的偏差為目標的高爐鐵水質量優化模型.

傳統的工業生產線中，物料配方優化、生產控制與操作參數優化都是依靠單模型進行優化，因而對于涉及多工序、多時空尺度的生產流程無法有效優化.通過數字孿生技術，可將整個優化問題從原先脫離整體的局部優化轉變為多流程耦合的全局協同優化.以配料優化為例，煉鐵流程的配料包含混勻料場配料、燒結配料和高爐配料三個層次的配料，三次配料不僅要滿足各自工序的要求，還要考慮前后工序的復雜耦合作用.通過使用數字孿生體獲取不同配料情況下的海量虛擬數據，并將其與工業現場的實際感知數據進行融合，實現鐵前工藝配料工序監控覆蓋.同時利用新型數據挖掘和數據庫管理相關技術，實現高效的數據清洗、數據降維、數據關聯等，為鐵前工藝各測量變量間的未知耦合關系分析評價，為潛在配料優化目標和優化約束條件的挖掘構建提供指導，用以實現一定范圍內鐵前工藝優化配料在線自主分析處理.最后通過針對數字孿生體的優化算法，結合之前分析得到的約束條件，對混勻料場配料、燒結配料和高爐配料構成的三元數字孿生體進行全局優化，從而完成物料配方的協同優化.通過類似的解決方案設計流程，可以實現煉鐵生產過程中鐵水質量、燃料比、污染排放等運行指標的多工序、多目標協調智能運行優化控制，保證煉鐵生產過程優化運行，達到節能、降耗、減排的“綠色冶煉、清潔生產”的目的.

4.4 煉鐵過程故障診斷與設備維護

煉鐵過程設備的異常或故障對煉鐵生產危害嚴重，會引起煉鐵質量和產量下降、能耗和排放增加、高爐停產休風等不良后果，甚至引發人員傷亡在內的重大安全事故.因此，迫切需要對煉鐵設備異常或故障進行預警和診斷.基于數字孿生技術的設備異常/故障預警、診斷溯源，能夠降低大型煉鐵系統設備診斷的難度，提高診斷的準確性與可靠性，保障煉鐵設備可靠運行.同時依靠數字孿生體的耦合關系，在實際生產線運行過程中，對數字孿生體進行動態更新與異值反饋，從而保證模型的精度與時效.此外，通過工業物聯網、巡檢機器人、云計算平臺的集成運用，對現場狀態進行集中監控和遠程運維，提高運維的智能化與自動化，減輕人力負擔，降低運維成本.

除了故障診斷，數字孿生體還可用于對設備的性能退化情況與剩余使用壽命進行預測.首先，建立煉鐵設備性能退化數據庫.由于高可靠性設備的性能退化歷史數據樣本不充足，因此需要充分利用各種可能的途徑來擴展數據量，包括使用高相似度設備的性能退化數據和加速試驗數據、以及數字孿生體性能退化模型的仿真數據.其次，構建性能退化模型庫.由于樣本數據量有限且數據來源多樣，建立性能退化模型需要融合數據與退化機理，綜合高相似度設備和孿生模型與當前設備個體的共有特征，同時充分體現當前設備個體的專有特征.最后，利用性能退化模型實現剩余壽命預測，即依據在線數據估計退化模型參數，進而預測性能參量，并將預測得到的性能參量與數字孿生體相結合，保證數字孿生體模型隨著設備性能退化的動態變化.

4.5 煉鐵過程自組織運行

自組織運行和調度是煉鐵生產有序進行的關鍵，也是生產過程決策優化、管控、性能提升的核心技術手段.在基于數字孿生驅動的煉鐵生產自組織運行和調度下，生產調度要素能夠實現物理世界和虛擬世界之間相互映射，實現全流程、全業務數據之間的集成和融合，使得物理世界主動感知煉鐵生產運行狀態，利用虛擬世界自組織、自學習、自仿真機制，及時對生產調度方案和決策評估進行調整，快速、精準地確定異常范圍，具有更好的自適應、擾動響應和異常解決能力.同時，數字孿生體的增強式交互技術可以將復雜的運行調度過程在數字孿生體上以多維度、多視角的方式呈現.相關人員通過數字孿生體獲得物理世界的信息，不同業務的工人獲得不同的信息.基于數字孿生的煉鐵生產線主要包括生產要素管理、生產活動計劃、生產過程三個方面的自組織運行與調度優化.第1 個階段是對生產要素管理的迭代優化過程，反映了數字孿生煉鐵生產中煉鐵生產與煉鐵服務系統的交互過程，其中煉鐵生產服務系統起主導作用.通過對生產要素管理的迭代優化，得到最初始的生產計劃.第2 個階段是對生產計劃的迭代優化過程，反映了數字孿生煉鐵生產中服務系統與虛擬煉鐵生產的交互過程，在該過程中，虛擬煉鐵生產起主導作用.通過第2個階段得到優化后的預定義的生產計劃.第3 個階段是對煉鐵生產過程的實時迭代優化過程，反映了數字孿生煉鐵生產中的物理對象與虛擬對象的交互過程，其中物理對象起主導作用.通過三個階段的迭代優化，孿生數據不斷更新與擴充，并對煉鐵生產過程優化方法進行不斷更新和完善.流程行業生產線的自組織運行與調度是由于涉及流程廣，對模型精度要求高，其基礎需要完備的數字孿生體的建立和完善的虛實數據量的積累，是現階段亟需克服的難點.

5 結束語

流程工業具有生產過程復雜、過程建模繁瑣、工序間耦合強、全局優化困難等特點，使得流程工業面臨資源利用效率偏低、能耗物耗較高、生產成本高、環境污染較嚴重等問題.本文針對流程工業生產過程特點，提出數字孿生技術在流程工業運用的愿景功能，介紹如何通過數字孿生解決流程工業建模復雜和協同優化難的問題，探討了構建流程工業數字孿生系統的關鍵技術，并以煉鐵生產線為例，展示了數字孿生技術在其中提供的數字化學習工廠、煉鐵過程協同優化、煉鐵過程故障診斷與設備維護、煉鐵過程自組織運行等解決方案，為流程工業數字孿生系統的研究開發與推廣應用提供案例.虛實結合的數字孿生系統，可以為流程工業提供從產品生產到企業規劃的一系列應用，有效提高生產質量，實現節能減排，促進企業高質量發展.在未來幾年，我們亟需進一步研究提高流程工業數字孿生體精度、數字孿生體與物理實體自主交互安全性等問題，并促進數字孿生技術在流程工業的應用推廣，推動流程工業數字孿生技術的發展.