工業數字孿生數據建模在鋼鐵行業中的應用研究

王曉慧，田天弘，覃京燕，程光

工業數字孿生數據建模在鋼鐵行業中的應用研究

王曉慧1a，田天弘1a，覃京燕1b，程光2*

（1.北京科技大學 a.機械工程學院 b.智能科學與技術學院，北京 100083；2.北京聯合大學 前沿智能技術研究院，北京 100101）

工業數字孿生技術在鋼鐵行業的應用展現了其顯著的潛力，成為工廠數字轉型的核心技術之一，尤其在數據建模方面。本文梳理工業數字孿生中數據建模技術在鋼鐵行業中的應用。通過梳理相關文獻，重點分析四種數據建模方法，即基于知識的方法、基于機理的方法、基于傳統機器學習的方法和基于深度學習的方法，詳細介紹這些方法的優勢、局限性和具體應用案例。探索了這些方法在數字物理實體融合的工業數字孿生系統構建中的潛力，以及未來模型的可擴展性設計，特別是針對大模型技術的應用。通過這一綜述，梳理鋼鐵行業現有工業數字孿生數據建模技術，為鋼鐵行業的數字化轉型提供有價值的見解，并為未來的研究和實踐提供方向。

數字孿生；鋼鐵行業；數據建模；智能制造

在當前全球化競爭加劇和環保要求日益嚴格的背景下，以鋼鐵行業為代表的傳統流程制造行業面臨著資源利用效率偏低、生產成本高、“三廢”排放量較大等諸多挑戰[1]。隨著“工業4.0”的構建與推進，以及“中國制造2025”的到來，數字化轉型已成為制造業，特別是以鋼鐵行業為代表的流程制造業的重點發展趨勢[2]。據世界鋼鐵協會發布的《世界鋼鐵統計數據2023》統計，2022年我國粗鋼產量10.18億噸，占世界總產量的54.01%[3]。按2022年二氧化碳排放強度均值，噸粗鋼產1.91倍碳排放計算，全年碳排放約達19.44億噸[4]。鑒于如此龐大的生產規模，即便是1%的能效提升，也能產生顯著的經濟效益和環保效益。

在這一背景下，數字孿生技術，作為一種先進的數字化工具，被廣泛認為是構建工業互聯網平臺、推動行業創新和效率提升的核心驅動方法。2022年9月，寶鋼股份寶山基地2號連鑄機數字孿生工廠正式投運，這標志著寶鋼股份作為鋼鐵行業龍頭企業，實現從數字化交付到數字化運營的跨越。由此可見，推進數字孿生技術的發展成為一種必然趨勢，不僅對加快鋼鐵行業數字化轉型的步伐至關重要，也對未來鋼鐵行業的可持續性發展具有深遠意義。

盡管工業數字孿生的概念在理論上頗具吸引力，但其在鋼鐵行業的研究和實際應用仍處于初級階段。以鋼鐵行業為代表的流程工業存在著工藝機理復雜且難以建模、不同環節相互串聯耦合且容錯率低、工業體量大且試錯成本高等挑戰[5]。本文旨在對工業數字孿生中的數據建模技術在鋼鐵行業的研究成果進行梳理，并對其未來發展進行展望。通過綜合分析基于知識的方法、基于機理的方法，以及基于數據驅動的方法（包括機器學習和深度學習）在鋼鐵行業中的應用，探討這些方法如何在未來的工業數字孿生體系中相互融合和發展，以及它們在促進鋼鐵行業數字化轉型和創新方面的潛力。

1 數字孿生發展現狀

1.1 數字孿生技術概述

隨著大數據、人工智能等相關技術的發展，數字孿生技術作為工業互聯網構建的基礎備受矚目。數字孿生的理念最初由美國密歇根大學的Michael Grieves教授在2003年提出。在他所開設的“產品全生命周期管理”（Product Lifecycle Management, PLM）課程中，教授以“一種與物理產品等價的虛擬數字化表達方式”來闡述這一概念。直到2011年，Michael Grieves在其論文中正式提出了“Digital Twin（DT）”這一術語，以指代數字孿生[6]。此后，數字孿生的概念被美國空軍研究實驗室與美國國家航空航天局（NASA）應用于航天領域以提高航天器的設計質量和維護效率[7]。Glaessgen等于2012年給出了數字孿生的一般定義[8]：數字孿生是對復雜系統進行多物理場、多尺度、概率性的綜合模擬，并利用現有的物理模型、傳感器等來反映其相應孿生體的狀態。

由于數字孿生具備虛實融合、實時交互、可迭代優化、全要素、全流程，以及全業務數據驅動等特點[2]，這一概念已擴展到工業領域產品生命周期的各個階段[9]，并隨著技術的發展和成本的降低，工業數字孿生技術不僅限于單一設備或組件，它已經能夠模擬整個生產線甚至是整個工廠。

1.2 工業數字孿生研究現狀

如今，工業數字孿生旨在創建一個實體的虛擬副本，通過傳感器和其他數據收集技術實時地進行物理實體和虛擬模型之間的信息同步，為工廠監控管理、設備維護、生產優化提供了全新的解決方案。工業數字孿生的核心在于，能夠通過虛擬模型提供對物理實體的深入理解和預測，進而優化實體的性能和效率，在實時監控與管理、預測性維護和故障分析、質量控制和生產優化、優化操作和改進設計等方面具備顯著優勢。目前，國內外學者們已對工業數字孿生領域的理論基礎和實際應用展開了大量研究。

在數字孿生的理論模型層面，陶飛等[10]在前人基礎上提出數字孿生五維模型的概念，包括：物理實體、虛擬實體、服務、孿生數據和連接，為數字孿生技術的發展應用提供了理論基礎，提出數字孿生技術在產品設計、生產計劃、裝配、車間人機交互等14類領域的潛在應用[11]，探討了數字孿生技術在智能制造中的應用，提出了數字孿生模型的構建原則、理論體系，并以數字孿生車間實例展示作為操作流程[12]。

針對數字孿生的概念界定，Jones等[13]通過對過去10年中92篇數字孿生相關文章進行系統的文獻回顧和專題分析，給出了數字孿生的定義及其關鍵特征，強調了數字孿生在產品生命周期中的作用，指出了當前研究中的知識缺口和未來的研究方向。Negri等[14]對數字孿生（DT）概念的定義進行了文獻分析，系統地回顧了數字孿生定義的演變歷史，并給出了數字孿生在“工業4.0”中的最新解釋。Kritzinger等[15]對數字模型、數字陰影和數字孿生進行了概念界定，只有當物理對象與數字對象之間的數據流實現雙向完全融合的模型才能叫做數字孿生，并分析了數字孿生技術在制造業中的集成程度和成熟度。楊林瑤等[16]探討了數字孿生和平行系統的基本概念、技術內涵、相關應用，并比較了兩者之間的異同，指出平行時空專注于虛擬環境中的模擬和預測，而數字孿生則更專注于通過虛擬副本進行實時映射。李彥瑞等[4]則針對流程工業中數字孿生技術的發展和應用進行了綜述，并界定了數字孿生與其他技術概念的區別，重點分析了數字孿生技術在系統建模和優化中的應用，并以煉鐵生產線案例進行了展示。

在數字孿生的具體應用層面，Kasper等[17]基于數字孿生技術，提出了一種工業能源系統自適應建模和運行優化方法，來解決鋼鐵行業中因系統組件暴露于惡劣的條件下而產生的性能降低問題。在石化行業，Min等[18]將數字孿生與機器學習、物聯網等概念進行融合，構建了實體工廠與虛擬數字孿生模型之間的信息交換循環流程，來解決工業生產控制中的高數據維度和時間滯后等問題，提高了石化行業的效率和經濟效益。Wei等[19]構建了一個多維框架來對數字孿生技術進行分類，并應用于熱能工藝過程中。他們探討了能源數字孿生技術在工業能源管理中的應用，解決了工業能源管理的效率問題，提高了工業工藝流程中的可持續性。

在數字孿生的人機交互層面，“以人為本”的理念被視為“工業5.0”的核心價值。Wang等[20]對人類數字孿生的概念進行了研究，提出了由實體人、虛擬實體和交互系統組成的人類數字孿生模型。當前，數字孿生技術已進入較為成熟的應用階段，不僅涵蓋單一設備或系統，且逐漸整合更廣泛的數據源，包括全生命周期數據、供應鏈信息等，以實現復雜系統的優化和管理[13]。數字孿生在與鋼鐵行業進行結合的過程中，一些鋼鐵企業已率先通過數字孿生技術實現了煉鐵和煉鋼過程的優化，在減少能耗的同時提高了工效和質量，亦或采用故障預測模型來指導預防性維護，從而減少設備故障和停機時間。數字孿生技術展現出其在鋼鐵行業內提升效率、降低成本，以及增強可持續性方面的巨大潛力。

2 鋼鐵行業數字孿生

2.1 鋼鐵行業智能制造現狀

鋼鐵材料，憑借其良好的可及性、較低的制造成本和廣泛的用途成為十分常見的工業加工材料之一。作為國民經濟的支柱產業，它在工業制造領域扮演著至關重要的角色[21]。與此同時，鋼鐵行業作為一個資本和技術密集型行業，正面臨著成本控制、能效提升、環境保護、重復勞動等多重挑戰。在這種情境下，大型鋼鐵企業在過去幾十年間紛紛投入自動化、信息化改造和升級[22]。

在鋼鐵工業領域，數據的采集及管理過程復雜且困難，使得冶煉過程成為了一種典型的“黑箱”系統[23]。因此鋼鐵行業急需應用人工智能技術、數字孿生技術和信息物理系統以解決冶煉過程中的“黑箱”問題，優化煉鐵工藝，減少對操作人員主觀經驗和感知的依賴。這不僅是提高競爭力的必然選擇，也是實現可持續發展的關鍵途徑。

鋼鐵生產過程（如圖1所示）是一系列將鐵礦石進行冶煉、多重加工，轉化為市場所需鋼材的過程，屬于典型的大型流程工業，涵蓋了燒結、球團制作、煉鐵、煉鋼、連鑄、熱處理、熱軋、冷軋，以及帶鋼加工等環節。這些環節具有工藝流程長、工序間耦合緊密、生產過程控制難度大等特點[24]。鑒于此，現有研究往往針對具體的燒結、煉鐵、煉鋼、連鑄、軋鋼之中的某一環節展開研究。

有部分學者從數字孿生構建流程的角度，以及數字孿生在鋼鐵產品生命周期中應用的角度進行了綜述。許永泓等[24]梳理了95篇鋼鐵行業數字孿生的文獻，對鋼鐵行業數字孿生的構建方法和應用現狀進行了全流程的概述，并探討了鋼鐵行業數字孿生的現存不足和發展趨勢。Xiang等[25]梳理了數字孿生技術在鋼鐵產品生命周期中的應用，關注了鋼鐵產品生命周期的各個階段，包括設計、生產、質量控制和維護，討論了如何通過數字孿生模型與實際生產數據的融合來優化這些過程。Zhou等[26]對中國鋼鐵工業智能制造技術進行了全面回顧，包括發展模型、關鍵技術、構建技術和智能制造在鋼鐵工業中的應用，探討了智能制造如何改進生產流程、提高產品質量、減少勞動成本，以及智能制造在中國鋼鐵工業中的未來發展趨勢。本文則將重點放在對工業數字孿生模型構建方法，以及其在鋼鐵行業中的關鍵應用進行論述。

2.2 工業過程數據建模方法

目前，數據建模的方法主要分為三大類：基于知識的方法、基于機理的方法和基于數據驅動的方法[4]。在基于數據驅動的方法中，進一步可細分為基于傳統機器學習和基于深度學習的方法。這些方法各有其優勢和局限，且在應用過程中發揮著不同的作用，表1展示了四種建模方法的優劣勢，以及其相應的適用場景。在大數據和人工智能日益發展的今天，數據驅動模型在處理復雜模型場景中展現出了卓越的性能。然而，這類模型在構建時需要大量數據支撐且缺乏可解釋性。使得在許多情境下，機理模型依然作為一種基于先驗知識的模型被廣泛采用。另一方面，基于知識的模型由于建模效果一般，通常被用來處理特殊情況，為整體模型提供補充。

了解這些模型方法的特點、應用現狀，以及其在未來數字孿生體系中的融合潛力，并在實際中綜合運用不同類型的建模方法，有助于在復雜的工業環境中提供更加精準和全面的分析與預測，這對行業內部專業人士和研究者來說至關重要。圖2對鋼鐵制造領域內數字孿生數據建模方法的應用程度及其具體用途進行了梳理。

2.2.1 基于知識的方法

基于知識的數據建模，一般指的是根據已有的知識和經驗構建知識庫，利用專家多年的現場生產經驗或專業知識進行推理和決策，定性地描述變量間的相關關系，從而實現過程建模，指導生產，例如構建知識圖譜、模糊推理、專家系統等?；谥R的建模往往應用于不需要建立極為準確的關系模型或難以建立準確關系模型的工業場景中[27]。對于鋼鐵行業，由于其大多數工藝環節內部機理尚未完全明朗，采用基于知識的建模方法對部分鋼鐵生產場景較為適用。畢學工[28]通過實驗證明了當高爐原料礦石還原性較強時提高焦炭的反應性能夠改善高爐效率，從而確定了焦炭的抗粒度同焦炭料透氣性與透液性的關系。

表1 工業過程數據四種建模方法對比

Tab.1 Comparison of four modeling methods for industrial process data

一些國內學者通過構建知識圖譜的方法，有效地促進了生產過程效率的提升。Hao等[29]運用了綜合機械、經驗及數據的多級知識圖譜（MLKG）方法，解決了知識不完整性問題。通過局部觀察器分析每個節點狀態并結合鄰近節點信息，實現了工廠流程的全面監測，提高了故障檢測和定位的準確性與可解釋性。

目前的高爐專家系統能夠利用工藝模型、模糊推理等技術實現高爐的故障診斷，對高爐的故障處理具有指導性作用，為實現高爐穩定運行及提質增效提供了一定的保障[30]。陳令坤等[31]介紹了武鋼1號高爐專家系統，一種結合專家規則和數學模型的混合系統，可實現高爐布料控制、爐型管理、爐溫控制等功能。國宏偉等[32]在綜合考慮了渣皮脫落等因素對爐溫影響的情況后，基于模糊推理建立了高爐爐溫預報系統，實現了對爐溫較為準確的預測。

基于知識的模型顯著促進了自動化水平的提升。但目前定性的系統描述和過程分析方法已不足以滿足生產水平進一步提高的需求，且這類方法高度依賴于特定知識庫，限制了其在不同工業建模領域的廣泛適用性。

2.2.2 基于機理的方法

基于機理的建模方法，依賴于領域專家深厚的專業知識，通過分析過程對象的內在反應機制，結合物理化學反應規律、熱力學、流體力學及能量質量守恒定律等科學原理，來構建過程模型。此類方法在建模過程中相對復雜，但若模型被正確構建，則具有極高的準確度。此外，此類方法構建的模型具有較強的可解釋性，模型參數具有明確的物理含義。在相同或類似的應用場景中，模型的遷移性和參數的自適應調整能力表現優異[33]。

國內外一些學者基于高爐、連鑄和軋鋼工藝中的物理化學反應規律，開發了機理模型以模擬計算一些難以直接測量的工藝參數。Yang等[34]提出了一種用于連續鑄造鋼坯的高級三維數值模型，該模型集成了多相流模型、湍流模型、磁流體動力學模型、熔渣夾帶模型、傳熱模型等在內的多個子模型，輸入鋼的熱物理屬性和不同種鑄造條件，即可輸出系列連鑄鋼參數。Rauch等[35]針對軋鋼過程構建了結合機理模型和數據分析的混合模型，并開發成軟件VirtRoll，一種專用于設計薄鋼帶最佳制造技術的混合計算機系統。用戶通過圖形界面自定義設備模塊序列，系統會模擬和分析軋制線的各類參數，以此構建一個高度逼真的軋制線數字孿生，從而幫助優化操作和改進設計。潘冬等[36]提出了一種基于紅外熱成像技術和溫度降低機理模型的高爐熔鐵溫度測量方法，通過機器視覺與熱成像技術的結合，捕獲鐵水流的紅外熱圖像，再根據鐵水溫度分布和熱力學原理建立溫度映射模型和溫度降低模型，實現出鋼口鐵水溫度的實時測量，為高爐調節提供可靠的溫度數據。

在故障診斷方面，Kang等[37]基于物理原理開發了一種集成了預測和健康管理系統（PHM）的傳感器模塊，傳感器模塊通過采集噴嘴的沖擊力，利用智能濾波算法、信號對比和校正，以及頻率分析來診斷噴嘴的異常狀態，以提前對煉鋼工藝進行預測性維護和健康管理。

2.2.3 基于數據驅動的方法

基于數據驅動的方法，無須探究模型機理和經驗知識，只需對系統和數據特征有基本了解，就能依賴其大量數據的處理能力，有效地處理復雜的模式識別和預測任務。在面對復雜的現代工業和制造領域時，數據驅動的方法展示出其有效性和通用性。伴隨著工業互聯網和智能制造的發展，數據驅動方法正日益被采用以優化和改善生產過程，在某些情況下，相較于傳統的基于機理的模型而言，其更具優勢[38]。

然而需要指出的是，由于這類方法專注于過程數據的價值挖掘，而忽視了過程機理等信息，因此其建立的模型也被稱為“黑箱模型”。這導致采用數據驅動的方法建模需滿足兩個重要前提：對象過程需要積累大量有價值的工業數據；需要根據工藝過程及數據特征，利用合理的建模方法挖掘數據價值[33]。由此可以推斷，鋼鐵工藝流程是采用數據驅動方法的理想環境。這是因為，首先高爐冶煉、轉爐冶煉、連鑄、軋制等工藝均為“黑箱”工藝，借助大數據技術，可以快速解決這類普遍存在的“黑箱”問題。其次，鋼鐵行業擁有豐富的數據資源，數據感知和自動化控制系統積累了大量數據。這些歷史數據包含了生產過程中的重要規則。此外，鋼鐵行業還具有直接反饋所賦予材料的優勢。如果通過實時大數據分析，將鐵、鋼、坯、軋件內部的規律清晰地呈現出來，并形成閉環反饋以賦能系統，就能及時糾正各類干擾帶來的問題[23]。

2.2.3.1 基于傳統機器學習的方法

Shi等[23]系統地總結了基于工業大數據的高爐煉鐵智能技術的當前狀態和進展。重點關注了數據質量的提升、高爐數據的特性提取、關鍵變量的有效預測、高爐狀態的科學評估，以及運行參數的多目標智能優化。探討了如何通過結合大數據技術和工藝過程來提升數據模型在實際生產中的實用性，促進了智能技術在高爐煉鐵中的應用。

利用基于機器學習的聚類算法，可有效實現鋼鐵生產流程的模擬預測和優化。Wu等[39]提出使用生產聚類挖掘算法處理高爐流場和夾雜物數據，通過創建一個數字孿生模型，模擬高爐中的流體動力學行為和夾雜物的聚集模式，輸出爐渣的聚集區域特征參數和位置，從而優化湍流抑制器的設計，提高煉鋼過程中爐渣的去除效率。Daniel等[40]通過分析歐洲燒結廠收集的礦石堆歷史數據，構建了基于減法聚類算法和模糊邏輯系統的機器學習模型，模擬實現燒結質量KPI的預測，優化鐵礦石混合物的最優配比，有效提高燒結廠的產品質量。

在工廠的運營管理和實時監控方面，Weyer等[41]探討了在煉鐵過程中整合數字技術的重要性，包括條件監控和智能維護、安裝智能傳感器、過程優化和預測、數字孿生技術，以及數據可視化。強調通過調動來自各種傳感器和歷史記錄的數據以優化高爐運作，通過集成機器學習、數字孿生技術、專家系統和條件監測技術方法，以實現高爐的高效和智能管理，體現了“工業4.0”的理念。Ding等[42]提出了一種結合數字孿生技術的燒結系統動態模型。系統實時收集燒結系統的操作數據，采用基于支持向量回歸（SVR）的機器學習模型，結合迭代遺忘因子算法進行實時更新，保持模型輸出與物理系統的同步。通過輸出燒結產品質量的關鍵參數，實現實時監控，提升燒結過程監控的準確性和實用性。

利用數字孿生技術，部分學者實現了對實際生產過程中的風險預警。Fu 等[43]創建了一個數字孿生虛擬風機，通過開發的自適應振幅仿真模型，進行分類和模式識別，輸出對風機振動幅度的預測，并與實際振幅比較，幫助檢測風機的異常行為。Panagou等[44]提出了一個探索性的混合數字孿生框架，同時收集數字孿生和實體系統的運行數據，利用基于 XGBoost提升算法的機器學習模型過濾和提取關鍵特征，從而構建生產線的數字化表示，輸出對故障檢測有益的參數，減輕預防性維護方法和過早更換設備帶來的高昂成本。

目前市面上也出現了一些軟件，協助操作人員對鋼鐵行業數字孿生體進行開發，Nistala等[45]開發了一款針對燒結過程的數字孿生軟件工具——Virtual Sinter，借助人工神經網絡（ANN）、隨機森林回歸、支持向量回歸等多種方法開發虛擬燒結機，運用實時數據評估關鍵運行單元的性能、預測燒結質量、優化操作參數，從而模擬、監測并優化部分單元或整個燒結廠，協助指導日常操作。

有學者將機器學習與傳統搜索算法在制造流程中進行融合應用，用于解決優化問題，從而實現數據驅動的決策制定。Liu等[46]提出了一個熱軋調度問題優化算法，該算法采用非支配排序遺傳算法（NSGA-II）并結合模擬退火和多目標粒子群優化（SA-MOPSO）的混合方法，在數字孿生驅動的模型中進行熱軋生產計劃的模擬調度，實現在技術約束條件下的熱軋調度優化，最小化能耗，提高資源利用率。Junquera等[47]開發了一個用于線材軋機的數字孿生模擬器，系統會根據生產需求和技術限制，通過回溯算法探索所有可能的配置，來為不同訂單選擇合適的軋輥組合，從而替代人工自動做出更換輥的決策。

利用機器學習的原理輔助數學統計分析，特別是在處理實時數據和學習歷史數據模式方面，以建立和優化預測模型。Szpytko等[48]針對工業環境中關鍵起重機的維護和運營問題，利用基于蒙特卡羅模擬的隨機模型和線性優化模型構建數字孿生。該模型模擬實際操作中的維護過程，并利用歷史數據和機器學習分析來評估起重機的性能并預測潛在的維護需求，輸出維護調度解決方案，減少生產線的風險和停機時間。徐鋼等[49]提出了一種利用煙氣實時數據預測轉爐煉鋼終點碳含量的方法，采用了函數型數據分析（FDA）模型，實時、精確、自動地調整系數函數以適應不斷變化的工況條件，實現在不同工況下準確預測熔池碳含量的目標，克服傳統模型在復雜熱力學條件下預測準確度低的局限。

2.2.3.2 基于深度學習的方法

深度學習是機器學習更高級和復雜的形式，相較于機器學習，其在處理復雜數據預測和模式識別問題上的表現更為出色。劉頌等[50]對來自360 m2燒結機的大量時間序列數據進行深度學習訓練，采用結合深度神經網絡（DNN）和長短期記憶網絡（LSTM）的方法，進行在線成分監測和預先成分預測，克服傳統模型在預測燒結成分方面的高維度數據、數據噪聲和檢測時延等限制，實現對燒結過程中化學成分的精準預測。Yang 等[51]采用基于轉換系統的嵌入方法和GRU神經網絡模型進行深度學習，用于基于事件日志數據創建的數字孿生體框架。通過輸入制造過程的海量日志數據，預測制造過程的剩余周期時間，并支持云計算架構，使得中小企業也能實現數字孿生技術的應用。彭功狀等[52]構建了一個基于大數據的綜合預測模型，采用上下界估計法（LUBE）構建預測區間，并使用流形可視化方法（SLISEMAP）降低可解釋性的特征維度。這種綜合方法不僅提高了預測的準確性，還提供了預測結果的不確定性估計，并增強了模型的可解釋性。

相較于機器學習，深度學習能自動從數據中提取特征，無需顯式的特征公式，可以實現更精準的故障分析預測。高大力等[53]提出了一種稱為深度加權聯合分布適應網絡（DWJDAN）的高爐煉鐵過程故障診斷方法，通過輸入異常爐況生產數據，訓練DWJDAN模型輸出高爐的健康狀況標簽，實現高爐故障的精準診斷，提高了診斷結果的準確性和魯棒性。Wu等[54]利用一種多通道動態圖卷積網絡（MDGCN）的方法來進行高爐故障診斷。該模型結合了工藝拓撲知識和動態權重分配以捕捉數據中的結構化信息，通過多個同構圖通道學習數據并進行不同層級表示，顯著提高了高爐煉鐵過程的故障診斷準確性。

此外，在處理高維圖像信息方面，深度學習提供了強大的自動特征學習能力。Li等[55]提出并驗證了一個基于深度學習的高爐風口圖像診斷模型，能夠通過采用卷積神經網絡（CNN）深度學習模型提取圖像特征，并用這些特征有效地從高爐風口圖像數據中學習和識別異常事件，從而為高爐運行提供實時監測和診斷。Tang等[56]提出了一種結合三維X射線微計算斷層掃描技術（micro-CT）和基于CNN、TWS引導的深度學習方法，對micro-CT掃描得到的3D圖像進行分割，從而將鐵礦石從焦炭、熔劑和回收細粉等材料中分離出來，并能夠根據圖像特征有效識別來自不同礦山的鐵礦石顆粒，在顆粒級別上為燒結礦的成分分析提供了高精度的數字孿生模型。

利用深度學習的遷移學習和領域自適應能力，可實現模型的泛化和適應。Schockaert等[57]提出了MTS-CycleGAN模型，一種適用于多變量時間序列數據的領域自適應架構，其將來自不同高爐（即不同資產）的數據轉化為能夠代表某個參考高爐（目標領域）的數據，從而創建一個全局數據集，用于訓練領域不變的通用機器學習模型。大多時間序列建模方法要求以相同的時間間隔對所有輸入進行采樣，但在工業實際中，過程變量的采樣間隔往往各不相同。Li等[58]介紹了一種多時間尺度的“啟動-時間”網絡模型，其采用深度學習技術，對具有不同采樣頻率的長時間段工業數據進行建模，從而提高復雜工業過程分析的準確性和實用性。

由于深度學習模型通常更復雜，也需要更多的計算資源來進行訓練和運行，因此常考慮如何借助云端算力來進行計算。周恒等[59]基于Rancher和Harbor框架構建了高爐煉鐵的數字孿生云計算平臺，提出了基于云服務和云分發系統的多目標優化框架。將煉鐵生產過程中的原料參數轉移到基于云關系的數據庫中，在云端利用深度學習和進化算法的混合模型進行優化計算，實現了云端高爐煉鐵的數字孿生。向峰等[60]提出了一個新的基于數字孿生的端面缺陷控制（EF- DC）方法，即一種云邊協作架構，邊緣層收集運行數據，利用深度學習算法進行缺陷識別，在云層訓練算法并解決EF-DC模型問題，將運行數據與虛擬數據相融合，進行缺陷識別和缺陷原因追蹤，并基于這些信息提出缺陷控制和預防措施。

3 鋼鐵行業數字孿生展望

3.1 模型融合

隨著工業大數據、通訊技術和人工智能的進步，數字孿生在鋼鐵行業已初顯成效，展現出廣闊應用前景。相較于單一使用基于“知識/機理/數據”驅動的模型，混合模型具有更強的優勢。劉祥官等[61]開發了一套高爐煉鐵的智能控制專家系統。該系統采用了多模型集成策略，整合了基于機理的模型、數據驅動模型，以及專家知識模型，形成閉環互動體系，通過邏輯推理和模糊邏輯方法，系統能夠診斷當前的爐況，并根據歷史數據和模式識別技術進行預測，從而優化高爐的操作。

但在鋼鐵行業實際構建數字孿生系統時，模型融合問題極為復雜，既需在工序間保持順暢連接、準確映射實際流程，還需綜合不同模型結果，以提高精度。目前，在鋼鐵行業數字孿生領域，模型融合多聚焦于同維度工序連接，跨維度和跨領域融合研究不足。

為應對模型融合的復雜性，需緊密集成不同維度的模型，結合多學科知識，以全面提升系統效能，建議采取以下措施：（1）強化模型間的接口設計，使用統一的數據格式和協議，以確保不同模型間能夠無縫對接；（2）引入先進的機器學習算法來自動調整和優化模型間的協同工作，減少人為干預，提高系統的自適應能力；（3）針對跨維度和跨領域融合的不足，鼓勵跨學科合作，融合不同領域的專業知識，開展聯合研究項目，探索新的融合方法。

3.2 標準設立

建立標準對衡量和規范事物運行至關重要，它為各類活動設定了一致的基準。但在數字孿生系統尤其是鋼鐵行業中，標準缺失是一個突出問題，不同工廠模型間缺乏通用性，導致模型之間的銜接存在困難，限制了數字孿生技術在制造業的應用。因此，數字孿生系統的標準化應從學術理念開始，延伸至模型的建立、驗證和評估，并應用于服務階段，以形成一個全面的、覆蓋整個生命周期的標準化框架。

當前，ISO等標準制定機構已經開始采取措施，包括闡釋物理實體、虛擬表示、數據、連接、服務五個維度的定義，規范現行標準和從其他領域遷移的標準，以及提出制定新標準的建議[62]。但這些標準大多還處于發展和完善階段。因此，仍需學術界持續推進數字孿生標準化工作，以建立一個多層次、全面的標準體系，覆蓋數字孿生技術在鋼鐵行業中的應用全過程，包含從基礎設施建設到數據處理、模型開發、系統集成的各個環節。同時，鼓勵行業內外的交流與合作，以及國內、國際的對接和融合，共同開發行業通用標準和規范，促進不同系統和模型間的互操作性，提高我國鋼鐵行業數字孿生的國際競爭力，以促進該領域的規范化和有序發展。

3.3 大模型的運用

鋼鐵行業內，數字孿生模型構建已經集成了深度學習技術。未來隨著技術的迭代演進，大模型技術將在處理大規模和復雜數據上顯示出更大的潛力。大模型不僅提供了更細致、全面的數據處理能力，也增強了深入分析和預測的功能。通過綜合分析來自不同生產環節的海量數據，能夠更加智能地識別生產過程中不顯著的模式和趨勢，實現更準確的預測和決策支持，并且實現數字孿生模型的自我維護和自我升級。

此外，通過整合自然語義理解（NPL）技術和虛擬現實技術可以降低系統操作的復雜度，進一步提高數字孿生系統的智能水平。同時，需要注重大模型的可解釋性、透明度，以及數據安全保護，確保模型的決策過程清晰可追溯，增強用戶對系統的信任，充分發揮大模型在鋼鐵行業中的潛力。

通過前沿智能技術的落地，鋼鐵行業的數字孿生系統將朝著更智能化和自動化的方向發展，促進行業持續改進和創新，向更高效、可持續的生產模式轉型。

[1] 王維興. 鋼鐵工業能耗現狀和節能潛力分析[J]. 中國鋼鐵業, 2011(4): 19-22. WANG W X. Analysis of the Current Situation of Energy Consumption and Energy Saving Potential in the Iron and Steel Industry[J]. China Steel, 2011, (04): 19-22.

[2] 陶飛, 張萌, 程江峰等. 數字孿生車間——一種未來車間運行新模式[J]. 計算機集成制造系統, 2017, 23(1): 1-9. TAO F, ZHANG M, CHENG J F, et al. Digital Twin Workshop: A New Paradigm for Future Workshop[J]. Computer Integrated Manufacturing Systems, 2017, 23(1): 1-9.

[3] 世界鋼鐵協會. 世界鋼鐵統計數據2023[R]. 比利時: 世界鋼鐵協會, 2023. World Steel Association. World Steel in Figures 2023[R]. Belgium: World Steel Association, 2023.

[4] 世界鋼鐵協會. 可持續發展指標報告2023[R]. 比利時: 世界鋼鐵協會, 2023. World Steel Association, Sustainability Indicators 2023 Report[R]. Belgium: World Steel Association, 2023.

[5] 李彥瑞, 楊春節, 張瀚文, 等. 流程工業數字孿生關鍵技術探討[J]. 自動化學報, 2021, 47(3): 501-514. LI Y R, YANG C J, ZHANG H W, et al. Discussion on Key Technologies of Digital Twin in Process Industry[J]. Acta Automatica Sinica, 2021, 47(3): 501-514.

[6] GRIEVES M. Virtually Perfect: Driving Innovative and Lean Products through Product Lifecycle Management[M]. Florida: Space Coast Press, 2011.

[7] SHAFTO M, CONROY M, DYLE R, et al. Draft Modeling, Simulation, Information Technology & Processing Roadmap[J]. Technology Area, 2010, 11: 1-32.

[8] GLAESSGEN E, STARGEL D. The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles[C]// Proceedings of the AAAI Conference. New York: AAAI, 2012.

[9] TAO F, CHENG J F, QI Q L, et al. Digital Twin-driven Product Design, Manufacturing and Service with Big Data[J]. The International Journal of Advanced Manufacturing Technology, 2018, 94: 3563-3576.

[10] 陶飛, 劉蔚然, 張萌, 等. 數字孿生五維模型及十大領域應用[J]. 計算機集成制造系統, 2019, 25(1): 1-18. TAO F, LIU W R, ZHANG M, et al. Five-dimension Digital Twin Model and Its Ten Applications [J]. Computer Integrated Manufacturing Systems, 2019, 25(1): 1-18.

[11] 陶飛, 劉蔚然, 劉檢華, 等. 數字孿生及其應用探索[J]. 計算機集成制造系統, 2018, 24(1): 1-18. TAO F, LIU W R, ZHANG J H, et al. Digital Twin and Its Potential Application Exploration[J]. Computer Integrated Manufacturing Systems, 2018, 24(1): 1-18.

[12] 陶飛, 張賀, 戚慶林, 等. 數字孿生模型構建理論及應用[J]. 計算機集成制造系統, 2021, 27(1): 1-15. TAO F, ZHANG H, QI Q L, et al. Theory of Digital Twin Modeling and Its Application[J]. Computer Integrated Manufacturing Systems, 2021, 27(1): 1-15.

[13] JONES D, SNIDER C, NASSEHI A, et al. Characterising the Digital Twin: A Systematic Literature Review[J]. CIRP Journal of Manufacturing Science and Technology, 2020, 29: 13-26.

[14] NEGRI E, FUMAGALLI L, MACCHI M. A Review of the Roles of Digital Twin in CPS-Based Production Systems[J]. Procedia Manufacturing, 2017, 11: 939-948.

[15] KRITZINGER W, KARNER M, TRAAR G, et al. Digital Twin in Manufacturing: A Categorical Literature Review and Classification[J]. IFAC-PapersOnLine, 2018, 51(11): 1016-1022.

[16] 楊林瑤, 陳思遠, 王曉, 等. 數字孿生與平行系統：發展現狀、對比及展望[J]. 自動化學報, 2019, 45(11): 2001-2031. YANG L Y, CHEN S Y, WANG X, et al. Digital Twins and Parallel Systems: State of the Art, Comparisons and Prospect[J]. Acta Automatica Sinica, 2019, 45(11): 2001- 2031.

[17] KASPER L, SCHWARZMAYR P, BIRKELBACH F, et al. A Digital Twin-based Adaptive Optimization Approach Applied to Waste Heat Recovery in Green Steel Production: Development and Experimental Investigation[J]. Applied Energy, 2024, 353: 122192.

[18] MIN Q F, LU Y G, LIU Z Y, et al. Machine Learning Based Digital Twin Framework for Production Optimization in Petrochemical Industry[J]. International Journal of Information Management, 2019, 49: 502-519.

[19] WEI Y, PATROS P, YOUNG B, et al. Energy Digital Twin Technology for Industrial Energy Management: Classification, Challenges and Future[J]. Renewable and Sustainable Energy Reviews, 2022, 161: 112407.

[20] WANG B C, ZHOU H Y, LI X Y, et al. Human Digital Twin in the Context of Industry 5.0[J]. Robotics and Computer-Integrated Manufacturing, 2024, 85: 102626.

[21] GUO Z X, WANG C S, YANG G, et al. MSFT-YOLO: Improved YOLOv5 Based on Transformer for Detecting Defects of Steel Surface[J]. Sensors, 2022, 22(9): 3467.

[22] ZHOU D D, XU K, ZHOU P, et al. The Production of Large Blast Furnaces of China in 2018 and Thoughts of Intelligent Manufacturing in the Ironmaking Process[J]. Ironmaking & Steelmaking, 2020, 47(6): 650-654.

[23] SHI Q, TANG J, CHU M S. Key Issues and Progress of Industrial Big Data-based Intelligent Blast Furnace Ironmaking Technology[J]. International Journal of Minerals, Metallurgy and Materials, 2023, 30(9): 1651- 1666.

[24] 許永泓, 楊春節, 樓嗣威, 等. 鋼鐵行業數字孿生研究現狀分析和綜述[J]. 冶金自動化, 2023, 47(1): 10-23. XU Y H, YANG C J, LOU S W, et al. Analysis and Summary of Digital Twin in Iron and Steel Industry[J]. Metallurgical Industry Automation, 2023, 47(1): 10-23.

[25] XIANG F, ZHI Z, JIANG G Z. Digital Twins Technology and Its Data Fusion in Iron and Steel Product Life Cycle[C]// 2018 IEEE 15th International Conference on Networking, Sensing and Control (ICNSC). New York: IEEE, 2018: 1-5.

[26] ZHOU D D, XU K, LYU Z M, et al. Intelligent Manufacturing Technology in the Steel Industry of China: A Review[J]. Sensors, 2022, 22(21): 8194.

[27] 李俊方. 高爐煉鐵過程數據驅動建模及智能優化[D]. 杭州: 浙江大學, 2022. LI J F. Data-driven Modeling and Intelligent Optimization for Blast Furnace Ironmaking Process[D]. Hangzhou: Zhejiang University, 2022.

[28] 畢學工. 焦炭質量與高爐冶煉關系的再思考[J]. 過程工程學報, 2009, 9(增刊1): 438-442. BI X G. Reconsideration of the Relationship between Coke Quality and Blast Furnace Performance[J]. The Chinese Journal of Process Engineering, 2009, 9(Sup.1): 438-442.

[29] HAO R, CHEN Z W, JIANG Z H, et al. An Industrial Multilevel Knowledge Graph-based Local–global Monitoring for Plant-wide Processes[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-15.

[30] 王剛, 鄭少波. 高爐專家系統的開發及應用[J]. 上海金屬, 2004(4): 34-37. WANG G, ZHENG S B. Development of the Expert System for BF and Its Application[J]. Shanghai Metals, 2004(4): 34-37.

[31] 陳令坤, 左海濱, 于仲潔, 等. 高爐冶煉專家系統的開發研究[J]. 鋼鐵, 2006(1): 14-18. CHEN L K, ZUO H B, YU Z J, et al. Development of Expert System on Blast Furnace[J]. Iron and Steel, 2006(1): 14-18.

[32] 國宏偉, 陳令坤, 左海濱, 等. 基于模糊推理的高爐爐溫預報模型[J]. 鋼鐵研究, 2007(2): 22-24. GUO H W, CHEN L K, ZUO H B, et al. Hot Metal Temperature Forecast Model Based on Fuzzy Inferring[J] Research on Iron & Steel, 2007(2): 22-24.

[33] GANDZHA S, AMINOV D, KIESSH I, et al. Application of Digital Twins Technology for Analysis of Brushless Electric Machines with Axial Magnetic Flux[C]// 2018 Global Smart Industry Conference (GloSIC). New York: IEEE, 2018: 1-6.

[34] YANG H, RAMIREZ L P E, VASALLO D M. New Concepts for Prediction of Friction, Taper, and Evaluation of Powder Performance with an Advanced 3D Numerical Model for Continuous Casting of Steel Billets[J]. Metallurgical and Materials Transactions B, 2021, 52(4): 2760-2785.

[35] RAUCH L, PIETRZYK M. Digital Twins as a Modern Approach to Design of Industrial Processes[J]. Journal of Machine Engineering, 2019, 19: 113-117.

[36] PAN D, JIANG Z H, CHEN Z P, et al. Temperature Measurement Method for Blast Furnace Molten Iron Based on Infrared Thermography and Temperature Reduction Model[J]. Sensors, 2018, 18(11): 3792.

[37] KANG J H, JUNG S Y. Sensor for the Prognostics and Health Management of Multiple Impinging Jet Nozzles[J]. International Journal of Precision Engineering and Manufacturing-Green Technology, 2022, 9(6): 1563-1573.

[38] LI H Y, LI X, LIU X J, et al. Industrial Internet Platforms: Applications in BF Ironmaking[J]. Ironmaking & Steelmaking, 2022, 49(9): 905-916.

[39] WU J Z, JIN Y, GAN F F, et al. Digital Twin Design of a Turbulence Inhibitor in a Tundish Based on the Production Cluster Mining Algorithm[J]. Metals, 2023, 13(10): 1651.

[40] DANIEL F G, MARTIN-DUARTE R, RUIZ-BUSTINZA í, et al. Optimization of Sinter Plant Operating Conditions Using Advanced Multivariate Statistics: Intelligent Data Processing[J]. JOM, 2016, 68: 2089-2095.

[41] WEYER S, SIMOES J P, REUTER Y, et al. Digital Solutions for Modern and Efficient Ironmaking[J]. Iron & Steel Technology, 2019, 12:114-119.

[42] DING X, LIU W, YE J L, et al. Online Dynamic Modelling for Digital Twin Enabled Sintering Systems: An Iterative Update Data-Driven Method[J]. IET Signal Processing, 2023, 7:45-57.

[43] FU X, HAN J Y, Castle M, et al. Digital Twin-driven Vibration Amplitude Simulation for Condition Monitoring of Axial Blowers in Blast Furnace Ironmaking[J]. Systems Science & Control Engineering, 2023, 11(1): 2152400.

[44] PANAGOU S, FRUGGIERO F, DEL VECCHIO C, et al. Explorative Hybrid Digital Twin Framework for Predictive Maintenance in Steel Industry[J]. IFAC- PapersOnLine, 2022, 55(40): 289-294.

[45] NISTALA S H, SINGH K, VAKKANTHAM P, et al. Virtual Sinter?: Digital Twin for Integrated Sinter Plants[J]. Transactions of the Indian National Academy of Engineering, 2022, 7(3): 943-955.

[46] LIU L L, WAN X, GAO Z G, et al. Research on Modelling and Optimization of Hot Rolling Scheduling[J]. Journal of Ambient Intelligence and Humanized Computing, 2019, 10: 1201-1216.

[47] JUNQUERA A M V, GONZALEZ J G, BALSERA J M V, et al. A Wire Rod Rolling Mill Digital Twin for the Simulation of the Rolls Replacement Process[J] MDPI, 2020, 63(1): 13.

[48] SZPYTKO J, DUARTE Y S. Integrated Maintenance Platform for Critical Cranes Under Operation: Database for Maintenance Purposes[J]. IFAC-PapersOnLine, 2020, 53(3): 167-172.

[49] 徐鋼, 黎敏, 徐金梧, 等. 基于函數型數字孿生模型的轉爐煉鋼終點碳控制技術[J]. 工程科學學報, 2019, 41(4): 521-527. XU G, LI M, XU J W, et al. Control Technology of End Point Carbon in Converter Steelmaking Based on Functional Digital Twin Model[J]. Chinese Journal of Engineering, 2019, 41(4): 521-527.

[50] LIU S, LIU X J, LYU Q, et al. Comprehensive System Based on a DNN and LSTM for Predicting Sinter Com-position[J]. Applied Soft Computing, 2020, 95: 106574.

[51] YANG M, MOON J, JEONG J, et al. A Novel Embedding Model Based on a Transition System for Building Industry-collaborative Digital Twin[J]. Applied Sciences, 2022, 12(2): 553.

[52] PENG G Z, CHENG Y L, ZHANG Y F, et al. Industrial Big Data-driven Mechanical Performance Prediction for Hot-rolling Steel Using Lower Upper Bound Estimation Method[J]. Journal of Manufacturing Systems, 2022, 65: 104-114.

[53] GAO D L, ZHU X Z, YANG C J, et al. Deep Weighted Joint Distribution Adaption Network for Fault Diagnosis of Blast Furnace Ironmaking Process[J]. Computers & Chemical Engineering, 2022, 162: 107797.

[54] WU P, WANG Y X, GAO J F, et al. Multichannel Dynamic Graph Convolutional Network based Fault Diagnosis and Its Application in Blast Furnace Ironmaking Process[J]. IEEE Sensors Journal, 2023, 12(3):57-69.

[55] LI Q, WANG Z J, WANG S, et al. A Deep Learning-based Diagnosis Model Driven by Tuyere Images Big Data for Iron—Making Blast Furnaces[J]. Steel Research International, 2022, 93(8): 2100826.

[56] TANG K N, WANG Y D, NIU Y F, et al. Particle Classification of Iron Ore Sinter Green Bed Mixtures by 3D X-Ray Microcomputed Tomography and Machine Learning[J]. Powder Technology, 2023, 415: 118151.

[57] SCHOCKAERT C, HYEZ H. MTS-Cyclegan: An Adversarial-based Deep Mapping Learning Network for Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry[J]. ArXiv, 2020, 7: 111-119.

[58] LI Y R, YANG C J. Multi Time Scale Inception-time Network for Soft Sensor of Blast Furnace Ironmaking Process[J]. Journal of Process Control, 2022, 118: 106-114.

[59] ZHOU H, YANG C J, SUN Y X. Intelligent Ironmaking Optimization Service on a Cloud Computing Platform by Digital Twin[J]. Engineering, 2021, 7(9): 1274-1281.

[60] XIANG F, ZHOU S, ZUO Y, et al. Digital Twin Driven End-face Defect Control Method for Hot-Rolled Coil with Cloud-Edge Collaboration[J]. IEEE Transactions on Industrial Informatics, 2022, 19(2): 1674-1682.

[61] 劉祥官, 曾九孫, 郝志忠, 等. 多模型集成的高爐煉鐵智能控制專家系統[J]. 浙江大學學報(工學版), 2007(10): 1637-1642. LIU X G, ZENG J S, HAO Z Z, et al. Multi-model Integrated Intelligent Control Expert System for Blast Furnace Ironmaking[J]. Journal of Zhejiang University (Engineering Science), 2007(10): 1637-1642.

[62] WANG K, WANG Y M, LI Y Z, et al. A Review of the Technology Standards for Enabling Digital Twin[J]. Digital Twin, 2022, 2: 4.

Application of Industrial Digital Twin Data Modeling in Iron and Steel Industry

WANG Xiaohui1a, TIAN Tianhong1a, QIN Jingyan1b, CHENG Guang2*

(1.a.School of Mechanical Engineering b.School of Intelligence Science and Technology, University of Science and Technology Beijing, Beijing 100083, China; 2.Frontier Intelligent Technology Research Institute, Beijing Union University, Beijing 100101, China)

With great application potential in the iron and steel industry, the industrial digital twin technology in the iron and steel industry becomes a core technology for the digital transformation of the plant, especially in terms of data modeling. The work aims to review the application of data modeling technology in industrial digital twin in the iron and steel industry. The paper focused on analyzing four data modeling methods based on literature research: knowledge-based method, mechanism-based method, traditional machine learning method and deep learning method, and introduced the advantages, limitations and specific application cases of these methods in detail. The fusion potential of these methods in the construction of industrial digital twins was discussed. In addition, it also took into consideration the scalable design of future models, especially for the application of large model technologies. This review provides an in-depth understanding of existing industrial digital twin data modeling technologies in the iron and steel industry, valuable insights into the digital transformation, and directions for future research and practice.

digital twins; iron and steel industry; data modeling; intelligent manufacturing

TB472

A

1001-3563(2024)08-0011-10

10.19554/j.cnki.1001-3563.2024.08.002

2023-11-17

國家重點研發計劃（2021YFB1715700）；科技部創新方法專項（2015IM020100）；教育部社科基金規劃基金項目（23YJA760090）

通信作者