工业数字孪生数据建模在钢铁行业中的应用研究

王晓慧，田天弘，覃京燕，程光

工业数字孪生数据建模在钢铁行业中的应用研究

王晓慧1a，田天弘1a，覃京燕1b，程光2*

（1.北京科技大学 a.机械工程学院 b.智能科学与技术学院，北京 100083；2.北京联合大学 前沿智能技术研究院，北京 100101）

工业数字孪生技术在钢铁行业的应用展现了其显著的潜力，成为工厂数字转型的核心技术之一，尤其在数据建模方面。本文梳理工业数字孪生中数据建模技术在钢铁行业中的应用。通过梳理相关文献，重点分析四种数据建模方法，即基于知识的方法、基于机理的方法、基于传统机器学习的方法和基于深度学习的方法，详细介绍这些方法的优势、局限性和具体应用案例。探索了这些方法在数字物理实体融合的工业数字孪生系统构建中的潜力，以及未来模型的可扩展性设计，特别是针对大模型技术的应用。通过这一综述，梳理钢铁行业现有工业数字孪生数据建模技术，为钢铁行业的数字化转型提供有价值的见解，并为未来的研究和实践提供方向。

数字孪生；钢铁行业；数据建模；智能制造

在当前全球化竞争加剧和环保要求日益严格的背景下，以钢铁行业为代表的传统流程制造行业面临着资源利用效率偏低、生产成本高、“三废”排放量较大等诸多挑战[1]。随着“工业4.0”的构建与推进，以及“中国制造2025”的到来，数字化转型已成为制造业，特别是以钢铁行业为代表的流程制造业的重点发展趋势[2]。据世界钢铁协会发布的《世界钢铁统计数据2023》统计，2022年我国粗钢产量10.18亿吨，占世界总产量的54.01%[3]。按2022年二氧化碳排放强度均值，吨粗钢产1.91倍碳排放计算，全年碳排放约达19.44亿吨[4]。鉴于如此庞大的生产规模，即便是1%的能效提升，也能产生显著的经济效益和环保效益。

在这一背景下，数字孪生技术，作为一种先进的数字化工具，被广泛认为是构建工业互联网平台、推动行业创新和效率提升的核心驱动方法。2022年9月，宝钢股份宝山基地2号连铸机数字孪生工厂正式投运，这标志着宝钢股份作为钢铁行业龙头企业，实现从数字化交付到数字化运营的跨越。由此可见，推进数字孪生技术的发展成为一种必然趋势，不仅对加快钢铁行业数字化转型的步伐至关重要，也对未来钢铁行业的可持续性发展具有深远意义。

尽管工业数字孪生的概念在理论上颇具吸引力，但其在钢铁行业的研究和实际应用仍处于初级阶段。以钢铁行业为代表的流程工业存在着工艺机理复杂且难以建模、不同环节相互串联耦合且容错率低、工业体量大且试错成本高等挑战[5]。本文旨在对工业数字孪生中的数据建模技术在钢铁行业的研究成果进行梳理，并对其未来发展进行展望。通过综合分析基于知识的方法、基于机理的方法，以及基于数据驱动的方法（包括机器学习和深度学习）在钢铁行业中的应用，探讨这些方法如何在未来的工业数字孪生体系中相互融合和发展，以及它们在促进钢铁行业数字化转型和创新方面的潜力。

1 数字孪生发展现状

1.1 数字孪生技术概述

随着大数据、人工智能等相关技术的发展，数字孪生技术作为工业互联网构建的基础备受瞩目。数字孪生的理念最初由美国密歇根大学的Michael Grieves教授在2003年提出。在他所开设的“产品全生命周期管理”（Product Lifecycle Management, PLM）课程中，教授以“一种与物理产品等价的虚拟数字化表达方式”来阐述这一概念。直到2011年，Michael Grieves在其论文中正式提出了“Digital Twin（DT）”这一术语，以指代数字孪生[6]。此后，数字孪生的概念被美国空军研究实验室与美国国家航空航天局（NASA）应用于航天领域以提高航天器的设计质量和维护效率[7]。Glaessgen等于2012年给出了数字孪生的一般定义[8]：数字孪生是对复杂系统进行多物理场、多尺度、概率性的综合模拟，并利用现有的物理模型、传感器等来反映其相应孪生体的状态。

由于数字孪生具备虚实融合、实时交互、可迭代优化、全要素、全流程，以及全业务数据驱动等特点[2]，这一概念已扩展到工业领域产品生命周期的各个阶段[9]，并随着技术的发展和成本的降低，工业数字孪生技术不仅限于单一设备或组件，它已经能够模拟整个生产线甚至是整个工厂。

1.2 工业数字孪生研究现状

如今，工业数字孪生旨在创建一个实体的虚拟副本，通过传感器和其他数据收集技术实时地进行物理实体和虚拟模型之间的信息同步，为工厂监控管理、设备维护、生产优化提供了全新的解决方案。工业数字孪生的核心在于，能够通过虚拟模型提供对物理实体的深入理解和预测，进而优化实体的性能和效率，在实时监控与管理、预测性维护和故障分析、质量控制和生产优化、优化操作和改进设计等方面具备显著优势。目前，国内外学者们已对工业数字孪生领域的理论基础和实际应用展开了大量研究。

在数字孪生的理论模型层面，陶飞等[10]在前人基础上提出数字孪生五维模型的概念，包括：物理实体、虚拟实体、服务、孪生数据和连接，为数字孪生技术的发展应用提供了理论基础，提出数字孪生技术在产品设计、生产计划、装配、车间人机交互等14类领域的潜在应用[11]，探讨了数字孪生技术在智能制造中的应用，提出了数字孪生模型的构建原则、理论体系，并以数字孪生车间实例展示作为操作流程[12]。

针对数字孪生的概念界定，Jones等[13]通过对过去10年中92篇数字孪生相关文章进行系统的文献回顾和专题分析，给出了数字孪生的定义及其关键特征，强调了数字孪生在产品生命周期中的作用，指出了当前研究中的知识缺口和未来的研究方向。Negri等[14]对数字孪生（DT）概念的定义进行了文献分析，系统地回顾了数字孪生定义的演变历史，并给出了数字孪生在“工业4.0”中的最新解释。Kritzinger等[15]对数字模型、数字阴影和数字孪生进行了概念界定，只有当物理对象与数字对象之间的数据流实现双向完全融合的模型才能叫做数字孪生，并分析了数字孪生技术在制造业中的集成程度和成熟度。杨林瑶等[16]探讨了数字孪生和平行系统的基本概念、技术内涵、相关应用，并比较了两者之间的异同，指出平行时空专注于虚拟环境中的模拟和预测，而数字孪生则更专注于通过虚拟副本进行实时映射。李彦瑞等[4]则针对流程工业中数字孪生技术的发展和应用进行了综述，并界定了数字孪生与其他技术概念的区别，重点分析了数字孪生技术在系统建模和优化中的应用，并以炼铁生产线案例进行了展示。

在数字孪生的具体应用层面，Kasper等[17]基于数字孪生技术，提出了一种工业能源系统自适应建模和运行优化方法，来解决钢铁行业中因系统组件暴露于恶劣的条件下而产生的性能降低问题。在石化行业，Min等[18]将数字孪生与机器学习、物联网等概念进行融合，构建了实体工厂与虚拟数字孪生模型之间的信息交换循环流程，来解决工业生产控制中的高数据维度和时间滞后等问题，提高了石化行业的效率和经济效益。Wei等[19]构建了一个多维框架来对数字孪生技术进行分类，并应用于热能工艺过程中。他们探讨了能源数字孪生技术在工业能源管理中的应用，解决了工业能源管理的效率问题，提高了工业工艺流程中的可持续性。

在数字孪生的人机交互层面，“以人为本”的理念被视为“工业5.0”的核心价值。Wang等[20]对人类数字孪生的概念进行了研究，提出了由实体人、虚拟实体和交互系统组成的人类数字孪生模型。当前，数字孪生技术已进入较为成熟的应用阶段，不仅涵盖单一设备或系统，且逐渐整合更广泛的数据源，包括全生命周期数据、供应链信息等，以实现复杂系统的优化和管理[13]。数字孪生在与钢铁行业进行结合的过程中，一些钢铁企业已率先通过数字孪生技术实现了炼铁和炼钢过程的优化，在减少能耗的同时提高了工效和质量，亦或采用故障预测模型来指导预防性维护，从而减少设备故障和停机时间。数字孪生技术展现出其在钢铁行业内提升效率、降低成本，以及增强可持续性方面的巨大潜力。

2 钢铁行业数字孪生

2.1 钢铁行业智能制造现状

钢铁材料，凭借其良好的可及性、较低的制造成本和广泛的用途成为十分常见的工业加工材料之一。作为国民经济的支柱产业，它在工业制造领域扮演着至关重要的角色[21]。与此同时，钢铁行业作为一个资本和技术密集型行业，正面临着成本控制、能效提升、环境保护、重复劳动等多重挑战。在这种情境下，大型钢铁企业在过去几十年间纷纷投入自动化、信息化改造和升级[22]。

在钢铁工业领域，数据的采集及管理过程复杂且困难，使得冶炼过程成为了一种典型的“黑箱”系统[23]。因此钢铁行业急需应用人工智能技术、数字孪生技术和信息物理系统以解决冶炼过程中的“黑箱”问题，优化炼铁工艺，减少对操作人员主观经验和感知的依赖。这不仅是提高竞争力的必然选择，也是实现可持续发展的关键途径。

钢铁生产过程（如图1所示）是一系列将铁矿石进行冶炼、多重加工，转化为市场所需钢材的过程，属于典型的大型流程工业，涵盖了烧结、球团制作、炼铁、炼钢、连铸、热处理、热轧、冷轧，以及带钢加工等环节。这些环节具有工艺流程长、工序间耦合紧密、生产过程控制难度大等特点[24]。鉴于此，现有研究往往针对具体的烧结、炼铁、炼钢、连铸、轧钢之中的某一环节展开研究。

有部分学者从数字孪生构建流程的角度，以及数字孪生在钢铁产品生命周期中应用的角度进行了综述。许永泓等[24]梳理了95篇钢铁行业数字孪生的文献，对钢铁行业数字孪生的构建方法和应用现状进行了全流程的概述，并探讨了钢铁行业数字孪生的现存不足和发展趋势。Xiang等[25]梳理了数字孪生技术在钢铁产品生命周期中的应用，关注了钢铁产品生命周期的各个阶段，包括设计、生产、质量控制和维护，讨论了如何通过数字孪生模型与实际生产数据的融合来优化这些过程。Zhou等[26]对中国钢铁工业智能制造技术进行了全面回顾，包括发展模型、关键技术、构建技术和智能制造在钢铁工业中的应用，探讨了智能制造如何改进生产流程、提高产品质量、减少劳动成本，以及智能制造在中国钢铁工业中的未来发展趋势。本文则将重点放在对工业数字孪生模型构建方法，以及其在钢铁行业中的关键应用进行论述。

2.2 工业过程数据建模方法

目前，数据建模的方法主要分为三大类：基于知识的方法、基于机理的方法和基于数据驱动的方法[4]。在基于数据驱动的方法中，进一步可细分为基于传统机器学习和基于深度学习的方法。这些方法各有其优势和局限，且在应用过程中发挥着不同的作用，表1展示了四种建模方法的优劣势，以及其相应的适用场景。在大数据和人工智能日益发展的今天，数据驱动模型在处理复杂模型场景中展现出了卓越的性能。然而，这类模型在构建时需要大量数据支撑且缺乏可解释性。使得在许多情境下，机理模型依然作为一种基于先验知识的模型被广泛采用。另一方面，基于知识的模型由于建模效果一般，通常被用来处理特殊情况，为整体模型提供补充。

了解这些模型方法的特点、应用现状，以及其在未来数字孪生体系中的融合潜力，并在实际中综合运用不同类型的建模方法，有助于在复杂的工业环境中提供更加精准和全面的分析与预测，这对行业内部专业人士和研究者来说至关重要。图2对钢铁制造领域内数字孪生数据建模方法的应用程度及其具体用途进行了梳理。

2.2.1 基于知识的方法

基于知识的数据建模，一般指的是根据已有的知识和经验构建知识库，利用专家多年的现场生产经验或专业知识进行推理和决策，定性地描述变量间的相关关系，从而实现过程建模，指导生产，例如构建知识图谱、模糊推理、专家系统等。基于知识的建模往往应用于不需要建立极为准确的关系模型或难以建立准确关系模型的工业场景中[27]。对于钢铁行业，由于其大多数工艺环节内部机理尚未完全明朗，采用基于知识的建模方法对部分钢铁生产场景较为适用。毕学工[28]通过实验证明了当高炉原料矿石还原性较强时提高焦炭的反应性能够改善高炉效率，从而确定了焦炭的抗粒度同焦炭料透气性与透液性的关系。

表1 工业过程数据四种建模方法对比

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

一些国内学者通过构建知识图谱的方法，有效地促进了生产过程效率的提升。Hao等[29]运用了综合机械、经验及数据的多级知识图谱（MLKG）方法，解决了知识不完整性问题。通过局部观察器分析每个节点状态并结合邻近节点信息，实现了工厂流程的全面监测，提高了故障检测和定位的准确性与可解释性。

目前的高炉专家系统能够利用工艺模型、模糊推理等技术实现高炉的故障诊断，对高炉的故障处理具有指导性作用，为实现高炉稳定运行及提质增效提供了一定的保障[30]。陈令坤等[31]介绍了武钢1号高炉专家系统，一种结合专家规则和数学模型的混合系统，可实现高炉布料控制、炉型管理、炉温控制等功能。国宏伟等[32]在综合考虑了渣皮脱落等因素对炉温影响的情况后，基于模糊推理建立了高炉炉温预报系统，实现了对炉温较为准确的预测。

基于知识的模型显著促进了自动化水平的提升。但目前定性的系统描述和过程分析方法已不足以满足生产水平进一步提高的需求，且这类方法高度依赖于特定知识库，限制了其在不同工业建模领域的广泛适用性。

2.2.2 基于机理的方法

基于机理的建模方法，依赖于领域专家深厚的专业知识，通过分析过程对象的内在反应机制，结合物理化学反应规律、热力学、流体力学及能量质量守恒定律等科学原理，来构建过程模型。此类方法在建模过程中相对复杂，但若模型被正确构建，则具有极高的准确度。此外，此类方法构建的模型具有较强的可解释性，模型参数具有明确的物理含义。在相同或类似的应用场景中，模型的迁移性和参数的自适应调整能力表现优异[33]。

国内外一些学者基于高炉、连铸和轧钢工艺中的物理化学反应规律，开发了机理模型以模拟计算一些难以直接测量的工艺参数。Yang等[34]提出了一种用于连续铸造钢坯的高级三维数值模型，该模型集成了多相流模型、湍流模型、磁流体动力学模型、熔渣夹带模型、传热模型等在内的多个子模型，输入钢的热物理属性和不同种铸造条件，即可输出系列连铸钢参数。Rauch等[35]针对轧钢过程构建了结合机理模型和数据分析的混合模型，并开发成软件VirtRoll，一种专用于设计薄钢带最佳制造技术的混合计算机系统。用户通过图形界面自定义设备模块序列，系统会模拟和分析轧制线的各类参数，以此构建一个高度逼真的轧制线数字孪生，从而帮助优化操作和改进设计。潘冬等[36]提出了一种基于红外热成像技术和温度降低机理模型的高炉熔铁温度测量方法，通过机器视觉与热成像技术的结合，捕获铁水流的红外热图像，再根据铁水温度分布和热力学原理建立温度映射模型和温度降低模型，实现出钢口铁水温度的实时测量，为高炉调节提供可靠的温度数据。

在故障诊断方面，Kang等[37]基于物理原理开发了一种集成了预测和健康管理系统（PHM）的传感器模块，传感器模块通过采集喷嘴的冲击力，利用智能滤波算法、信号对比和校正，以及频率分析来诊断喷嘴的异常状态，以提前对炼钢工艺进行预测性维护和健康管理。

2.2.3 基于数据驱动的方法

基于数据驱动的方法，无须探究模型机理和经验知识，只需对系统和数据特征有基本了解，就能依赖其大量数据的处理能力，有效地处理复杂的模式识别和预测任务。在面对复杂的现代工业和制造领域时，数据驱动的方法展示出其有效性和通用性。伴随着工业互联网和智能制造的发展，数据驱动方法正日益被采用以优化和改善生产过程，在某些情况下，相较于传统的基于机理的模型而言，其更具优势[38]。

然而需要指出的是，由于这类方法专注于过程数据的价值挖掘，而忽视了过程机理等信息，因此其建立的模型也被称为“黑箱模型”。这导致采用数据驱动的方法建模需满足两个重要前提：对象过程需要积累大量有价值的工业数据；需要根据工艺过程及数据特征，利用合理的建模方法挖掘数据价值[33]。由此可以推断，钢铁工艺流程是采用数据驱动方法的理想环境。这是因为，首先高炉冶炼、转炉冶炼、连铸、轧制等工艺均为“黑箱”工艺，借助大数据技术，可以快速解决这类普遍存在的“黑箱”问题。其次，钢铁行业拥有丰富的数据资源，数据感知和自动化控制系统积累了大量数据。这些历史数据包含了生产过程中的重要规则。此外，钢铁行业还具有直接反馈所赋予材料的优势。如果通过实时大数据分析，将铁、钢、坯、轧件内部的规律清晰地呈现出来，并形成闭环反馈以赋能系统，就能及时纠正各类干扰带来的问题[23]。

2.2.3.1 基于传统机器学习的方法

Shi等[23]系统地总结了基于工业大数据的高炉炼铁智能技术的当前状态和进展。重点关注了数据质量的提升、高炉数据的特性提取、关键变量的有效预测、高炉状态的科学评估，以及运行参数的多目标智能优化。探讨了如何通过结合大数据技术和工艺过程来提升数据模型在实际生产中的实用性，促进了智能技术在高炉炼铁中的应用。

利用基于机器学习的聚类算法，可有效实现钢铁生产流程的模拟预测和优化。Wu等[39]提出使用生产聚类挖掘算法处理高炉流场和夹杂物数据，通过创建一个数字孪生模型，模拟高炉中的流体动力学行为和夹杂物的聚集模式，输出炉渣的聚集区域特征参数和位置，从而优化湍流抑制器的设计，提高炼钢过程中炉渣的去除效率。Daniel等[40]通过分析欧洲烧结厂收集的矿石堆历史数据，构建了基于减法聚类算法和模糊逻辑系统的机器学习模型，模拟实现烧结质量KPI的预测，优化铁矿石混合物的最优配比，有效提高烧结厂的产品质量。

在工厂的运营管理和实时监控方面，Weyer等[41]探讨了在炼铁过程中整合数字技术的重要性，包括条件监控和智能维护、安装智能传感器、过程优化和预测、数字孪生技术，以及数据可视化。强调通过调动来自各种传感器和历史记录的数据以优化高炉运作，通过集成机器学习、数字孪生技术、专家系统和条件监测技术方法，以实现高炉的高效和智能管理，体现了“工业4.0”的理念。Ding等[42]提出了一种结合数字孪生技术的烧结系统动态模型。系统实时收集烧结系统的操作数据，采用基于支持向量回归（SVR）的机器学习模型，结合迭代遗忘因子算法进行实时更新，保持模型输出与物理系统的同步。通过输出烧结产品质量的关键参数，实现实时监控，提升烧结过程监控的准确性和实用性。

利用数字孪生技术，部分学者实现了对实际生产过程中的风险预警。Fu 等[43]创建了一个数字孪生虚拟风机，通过开发的自适应振幅仿真模型，进行分类和模式识别，输出对风机振动幅度的预测，并与实际振幅比较，帮助检测风机的异常行为。Panagou等[44]提出了一个探索性的混合数字孪生框架，同时收集数字孪生和实体系统的运行数据，利用基于 XGBoost提升算法的机器学习模型过滤和提取关键特征，从而构建生产线的数字化表示，输出对故障检测有益的参数，减轻预防性维护方法和过早更换设备带来的高昂成本。

目前市面上也出现了一些软件，协助操作人员对钢铁行业数字孪生体进行开发，Nistala等[45]开发了一款针对烧结过程的数字孪生软件工具——Virtual Sinter，借助人工神经网络（ANN）、随机森林回归、支持向量回归等多种方法开发虚拟烧结机，运用实时数据评估关键运行单元的性能、预测烧结质量、优化操作参数，从而模拟、监测并优化部分单元或整个烧结厂，协助指导日常操作。

有学者将机器学习与传统搜索算法在制造流程中进行融合应用，用于解决优化问题，从而实现数据驱动的决策制定。Liu等[46]提出了一个热轧调度问题优化算法，该算法采用非支配排序遗传算法（NSGA-II）并结合模拟退火和多目标粒子群优化（SA-MOPSO）的混合方法，在数字孪生驱动的模型中进行热轧生产计划的模拟调度，实现在技术约束条件下的热轧调度优化，最小化能耗，提高资源利用率。Junquera等[47]开发了一个用于线材轧机的数字孪生模拟器，系统会根据生产需求和技术限制，通过回溯算法探索所有可能的配置，来为不同订单选择合适的轧辊组合，从而替代人工自动做出更换辊的决策。

利用机器学习的原理辅助数学统计分析，特别是在处理实时数据和学习历史数据模式方面，以建立和优化预测模型。Szpytko等[48]针对工业环境中关键起重机的维护和运营问题，利用基于蒙特卡罗模拟的随机模型和线性优化模型构建数字孪生。该模型模拟实际操作中的维护过程，并利用历史数据和机器学习分析来评估起重机的性能并预测潜在的维护需求，输出维护调度解决方案，减少生产线的风险和停机时间。徐钢等[49]提出了一种利用烟气实时数据预测转炉炼钢终点碳含量的方法，采用了函数型数据分析（FDA）模型，实时、精确、自动地调整系数函数以适应不断变化的工况条件，实现在不同工况下准确预测熔池碳含量的目标，克服传统模型在复杂热力学条件下预测准确度低的局限。

2.2.3.2 基于深度学习的方法

深度学习是机器学习更高级和复杂的形式，相较于机器学习，其在处理复杂数据预测和模式识别问题上的表现更为出色。刘颂等[50]对来自360 m2烧结机的大量时间序列数据进行深度学习训练，采用结合深度神经网络（DNN）和长短期记忆网络（LSTM）的方法，进行在线成分监测和预先成分预测，克服传统模型在预测烧结成分方面的高维度数据、数据噪声和检测时延等限制，实现对烧结过程中化学成分的精准预测。Yang 等[51]采用基于转换系统的嵌入方法和GRU神经网络模型进行深度学习，用于基于事件日志数据创建的数字孪生体框架。通过输入制造过程的海量日志数据，预测制造过程的剩余周期时间，并支持云计算架构，使得中小企业也能实现数字孪生技术的应用。彭功状等[52]构建了一个基于大数据的综合预测模型，采用上下界估计法（LUBE）构建预测区间，并使用流形可视化方法（SLISEMAP）降低可解释性的特征维度。这种综合方法不仅提高了预测的准确性，还提供了预测结果的不确定性估计，并增强了模型的可解释性。

相较于机器学习，深度学习能自动从数据中提取特征，无需显式的特征公式，可以实现更精准的故障分析预测。高大力等[53]提出了一种称为深度加权联合分布适应网络（DWJDAN）的高炉炼铁过程故障诊断方法，通过输入异常炉况生产数据，训练DWJDAN模型输出高炉的健康状况标签，实现高炉故障的精准诊断，提高了诊断结果的准确性和鲁棒性。Wu等[54]利用一种多通道动态图卷积网络（MDGCN）的方法来进行高炉故障诊断。该模型结合了工艺拓扑知识和动态权重分配以捕捉数据中的结构化信息，通过多个同构图通道学习数据并进行不同层级表示，显著提高了高炉炼铁过程的故障诊断准确性。

此外，在处理高维图像信息方面，深度学习提供了强大的自动特征学习能力。Li等[55]提出并验证了一个基于深度学习的高炉风口图像诊断模型，能够通过采用卷积神经网络（CNN）深度学习模型提取图像特征，并用这些特征有效地从高炉风口图像数据中学习和识别异常事件，从而为高炉运行提供实时监测和诊断。Tang等[56]提出了一种结合三维X射线微计算断层扫描技术（micro-CT）和基于CNN、TWS引导的深度学习方法，对micro-CT扫描得到的3D图像进行分割，从而将铁矿石从焦炭、熔剂和回收细粉等材料中分离出来，并能够根据图像特征有效识别来自不同矿山的铁矿石颗粒，在颗粒级别上为烧结矿的成分分析提供了高精度的数字孪生模型。

利用深度学习的迁移学习和领域自适应能力，可实现模型的泛化和适应。Schockaert等[57]提出了MTS-CycleGAN模型，一种适用于多变量时间序列数据的领域自适应架构，其将来自不同高炉（即不同资产）的数据转化为能够代表某个参考高炉（目标领域）的数据，从而创建一个全局数据集，用于训练领域不变的通用机器学习模型。大多时间序列建模方法要求以相同的时间间隔对所有输入进行采样，但在工业实际中，过程变量的采样间隔往往各不相同。Li等[58]介绍了一种多时间尺度的“启动-时间”网络模型，其采用深度学习技术，对具有不同采样频率的长时间段工业数据进行建模，从而提高复杂工业过程分析的准确性和实用性。

由于深度学习模型通常更复杂，也需要更多的计算资源来进行训练和运行，因此常考虑如何借助云端算力来进行计算。周恒等[59]基于Rancher和Harbor框架构建了高炉炼铁的数字孪生云计算平台，提出了基于云服务和云分发系统的多目标优化框架。将炼铁生产过程中的原料参数转移到基于云关系的数据库中，在云端利用深度学习和进化算法的混合模型进行优化计算，实现了云端高炉炼铁的数字孪生。向峰等[60]提出了一个新的基于数字孪生的端面缺陷控制（EF- DC）方法，即一种云边协作架构，边缘层收集运行数据，利用深度学习算法进行缺陷识别，在云层训练算法并解决EF-DC模型问题，将运行数据与虚拟数据相融合，进行缺陷识别和缺陷原因追踪，并基于这些信息提出缺陷控制和预防措施。

3 钢铁行业数字孪生展望

3.1 模型融合

随着工业大数据、通讯技术和人工智能的进步，数字孪生在钢铁行业已初显成效，展现出广阔应用前景。相较于单一使用基于“知识/机理/数据”驱动的模型，混合模型具有更强的优势。刘祥官等[61]开发了一套高炉炼铁的智能控制专家系统。该系统采用了多模型集成策略，整合了基于机理的模型、数据驱动模型，以及专家知识模型，形成闭环互动体系，通过逻辑推理和模糊逻辑方法，系统能够诊断当前的炉况，并根据历史数据和模式识别技术进行预测，从而优化高炉的操作。

但在钢铁行业实际构建数字孪生系统时，模型融合问题极为复杂，既需在工序间保持顺畅连接、准确映射实际流程，还需综合不同模型结果，以提高精度。目前，在钢铁行业数字孪生领域，模型融合多聚焦于同维度工序连接，跨维度和跨领域融合研究不足。

为应对模型融合的复杂性，需紧密集成不同维度的模型，结合多学科知识，以全面提升系统效能，建议采取以下措施：（1）强化模型间的接口设计，使用统一的数据格式和协议，以确保不同模型间能够无缝对接；（2）引入先进的机器学习算法来自动调整和优化模型间的协同工作，减少人为干预，提高系统的自适应能力；（3）针对跨维度和跨领域融合的不足，鼓励跨学科合作，融合不同领域的专业知识，开展联合研究项目，探索新的融合方法。

3.2 标准设立

建立标准对衡量和规范事物运行至关重要，它为各类活动设定了一致的基准。但在数字孪生系统尤其是钢铁行业中，标准缺失是一个突出问题，不同工厂模型间缺乏通用性，导致模型之间的衔接存在困难，限制了数字孪生技术在制造业的应用。因此，数字孪生系统的标准化应从学术理念开始，延伸至模型的建立、验证和评估，并应用于服务阶段，以形成一个全面的、覆盖整个生命周期的标准化框架。

当前，ISO等标准制定机构已经开始采取措施，包括阐释物理实体、虚拟表示、数据、连接、服务五个维度的定义，规范现行标准和从其他领域迁移的标准，以及提出制定新标准的建议[62]。但这些标准大多还处于发展和完善阶段。因此，仍需学术界持续推进数字孪生标准化工作，以建立一个多层次、全面的标准体系，覆盖数字孪生技术在钢铁行业中的应用全过程，包含从基础设施建设到数据处理、模型开发、系统集成的各个环节。同时，鼓励行业内外的交流与合作，以及国内、国际的对接和融合，共同开发行业通用标准和规范，促进不同系统和模型间的互操作性，提高我国钢铁行业数字孪生的国际竞争力，以促进该领域的规范化和有序发展。

3.3 大模型的运用

钢铁行业内，数字孪生模型构建已经集成了深度学习技术。未来随着技术的迭代演进，大模型技术将在处理大规模和复杂数据上显示出更大的潜力。大模型不仅提供了更细致、全面的数据处理能力，也增强了深入分析和预测的功能。通过综合分析来自不同生产环节的海量数据，能够更加智能地识别生产过程中不显著的模式和趋势，实现更准确的预测和决策支持，并且实现数字孪生模型的自我维护和自我升级。

此外，通过整合自然语义理解（NPL）技术和虚拟现实技术可以降低系统操作的复杂度，进一步提高数字孪生系统的智能水平。同时，需要注重大模型的可解释性、透明度，以及数据安全保护，确保模型的决策过程清晰可追溯，增强用户对系统的信任，充分发挥大模型在钢铁行业中的潜力。

通过前沿智能技术的落地，钢铁行业的数字孪生系统将朝着更智能化和自动化的方向发展，促进行业持续改进和创新，向更高效、可持续的生产模式转型。

[1] 王维兴. 钢铁工业能耗现状和节能潜力分析[J]. 中国钢铁业, 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] 陶飞, 张萌, 程江峰等. 数字孪生车间——一种未来车间运行新模式[J]. 计算机集成制造系统, 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] 世界钢铁协会. 世界钢铁统计数据2023[R]. 比利时: 世界钢铁协会, 2023. World Steel Association. World Steel in Figures 2023[R]. Belgium: World Steel Association, 2023.

[4] 世界钢铁协会. 可持续发展指标报告2023[R]. 比利时: 世界钢铁协会, 2023. World Steel Association, Sustainability Indicators 2023 Report[R]. Belgium: World Steel Association, 2023.

[5] 李彦瑞, 杨春节, 张瀚文, 等. 流程工业数字孪生关键技术探讨[J]. 自动化学报, 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] 陶飞, 刘蔚然, 张萌, 等. 数字孪生五维模型及十大领域应用[J]. 计算机集成制造系统, 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] 陶飞, 刘蔚然, 刘检华, 等. 数字孪生及其应用探索[J]. 计算机集成制造系统, 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] 陶飞, 张贺, 戚庆林, 等. 数字孪生模型构建理论及应用[J]. 计算机集成制造系统, 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] 杨林瑶, 陈思远, 王晓, 等. 数字孪生与平行系统：发展现状、对比及展望[J]. 自动化学报, 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] 许永泓, 杨春节, 楼嗣威, 等. 钢铁行业数字孪生研究现状分析和综述[J]. 冶金自动化, 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. 高炉炼铁过程数据驱动建模及智能优化[D]. 杭州: 浙江大学, 2022. LI J F. Data-driven Modeling and Intelligent Optimization for Blast Furnace Ironmaking Process[D]. Hangzhou: Zhejiang University, 2022.

[28] 毕学工. 焦炭质量与高炉冶炼关系的再思考[J]. 过程工程学报, 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] 王刚, 郑少波. 高炉专家系统的开发及应用[J]. 上海金属, 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] 陈令坤, 左海滨, 于仲洁, 等. 高炉冶炼专家系统的开发研究[J]. 钢铁, 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] 国宏伟, 陈令坤, 左海滨, 等. 基于模糊推理的高炉炉温预报模型[J]. 钢铁研究, 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] 徐钢, 黎敏, 徐金梧, 等. 基于函数型数字孪生模型的转炉炼钢终点碳控制技术[J]. 工程科学学报, 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 Com­position[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] 刘祥官, 曾九孙, 郝志忠, 等. 多模型集成的高炉炼铁智能控制专家系统[J]. 浙江大学学报(工学版), 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

国家重点研发计划（2021YFB1715700）；科技部创新方法专项（2015IM020100）；教育部社科基金规划基金项目（23YJA760090）

通信作者