钢铁行业数字孪生研究热点和现状分析

来源：冶金自动化

作者：许永泓；杨春节等

关键词：数字孪生；钢铁行业；概念分析；研究热点；多源异构数据；模型构建；发展趋势；标准设立

钢铁制造过程是将铁矿石进行冶炼并经过各种加工过程最终生产出市场所需钢材的过程，包括烧结、球团、炼铁、炼钢、连铸、热处理、热轧、冷轧、带钢加工等环节，其制造流程长，各个工序环节相互耦合，生产过程的控制难度较大。且由于设施设备的复杂性、生产条件的极端性，以及各种物料物理形态变化和化学反应的不可预知性，钢铁生产全过程的高质量安全运行受到严重制约，亟需进行数字化转型升级，实现对钢铁行业更有效的管理和控制。

数字孪生的应用能够有效应对上述挑战。将数字孪生应用到钢铁领域，通过工业实体流程在信息空间中的高保真映射，以及数字孪生虚拟表示和物理实体的实时交互，可以实现生产过程实时监测与精准控制、能量流和物质流的调度优化、设备与产品全生命周期管理等功能，从而提高整个钢铁行业的生产质量，保障生产全流程的安全稳定运行。

目前面向钢铁行业数字孪生的研究仍处于初级阶段，许多文献都是针对钢铁行业数字孪生开发过程中的某一环节，例如数据传感、模型建立、应用开发等进行阐述。本文将学术界对于钢铁行业数字孪生系统的现有研究成果进行梳理，并探讨了其现存问题和发展趋势，以期为数字孪生在钢铁行业的进一步发展和应用落地提供参考。

钢铁行业数字孪生目前主要应用在烧结[13-15]、炼铁[16-23]、炼钢[24-25]、连铸[26-28]、轧钢[29-33]等环节。周恒等[16]基于 Rancher和Harbor框架构建了高炉炼铁的数字孪生云计算平台，通过使用 Apache Spark 和云计算将具有集群、建模和优化模型的多目标优化服务应用于高炉炼铁过程。Junquera A M等[29]利用 Python开发了轧机的数字孪生进行轧辊更换过程的模拟，并通过使用回溯算法为不同的订单匹配合适的轧辊集。针对选矿过程，张鼎森等[34]构建了由数据层、模型层、控制层和功能层组成的浮选加药系统数字孪生模型框架，该系统能够自动控制各种药剂的投加量，在提高精矿产量的同时降低了药剂的消耗量。目前市面上也出现了一些软件能够协助操作人员方便地对钢铁行业数字孪生体进行开发，例如文献[131]介绍了一种针对烧结过程的数字孪生体开发软件Virtual Sinter，并借助其开发了虚拟烧结机，达到了利用实时数据评估关键运行单元的性能、预测烧结质量、优化操作参数的功能。

随着数字孪生技术逐渐发展，近5年来数字孪生体在世界各地的众多钢铁厂落地生根。国内多地的钢铁厂纷纷开发了自己的数字孪生模型和系统。例如柳钢集团有限公司的数字孪生系统覆盖了包含料场、烧结、球团、炼铁等环节的炼铁全流程，集成了工厂综合展示、生产过程仿真监控、工艺参数优化设计、多级配料优化、产品质量管理、设备智能运维、智能安全管理等功能[35]。山东某钢铁厂也开发了包含烧结、锅炉、氧气管道的智能应用程序，通过不断地监控、分析进行控制和优化[36]。欧洲多地的钢铁厂引入数字孪生技术，俄罗斯[30]德国[37]等国家的许多钢铁企业都开发了自己的数字孪生应用。多地的钢铁厂共同合作，来自芬兰、法国、德国、挪威、塞尔维亚、西班牙、土耳其7个国家的包含工厂、技术供应商和学术研究机构的13 家合作单位共同参与了欧盟CogniTwin项目，旨在通过数字孪生提高钢铁、有色金属等行业生产加工过程的效率。该项目中的一个案例是土耳其的NOKSEI公司，通过建立螺旋钢管金属板辊系统数据驱动和模型驱动的数字孪生体，达到了消除预报错误、降低能耗的效果[38]。日本方面对于高炉机理的研究起步很早，新日铁住金公司、日本钢铁工程控股公司等也都积极寻求数字孪生提供解决方案[39]。

钢铁行业数字孪生的构建过程主要包括数据环节、建模环节、服务环节。其中数据环节包括数据的收集、传输、存储、管理、融合等流程；建模环节包括几何模型、物理模型、行为模型、规则模型等多维多尺度模型的建立、融合、验证、维护等相关步骤；服务环节包括数字孪生建立后在故障诊断、流程优化能耗降低、健康管理等方面所能提供的决策，以及可视化、虚拟现实等辅助用户操作的技术等。此外，还包括平台构建与软件化环节、安全环节等。

本文使用Scopus、Google、Scholar 等数据库搜索在论文标题、摘要和关键词中含有“digital twins”或“digital twin”以及“ironmaking”或“steel making”的文献共计543篇，剔除重复部分以及与本文主题无关的部分，最终得到95篇文献。根据每篇论文内容中所涉及的钢铁行业数字孪生构建环节进行划分，钢铁行业数字孪生文献研究热点分析结果如图1所示。可以发现，目前学术界对于钢铁行业数字孪生的研究主要集中在多源异构数据的采集传输、存储以及多维度高保真模型的建立。文章后续将对这两个方面分别进行阐述。

数据是数字孪生的基础，能否获取准确有用的数据将会决定后续模型开发、应用服务等环节的实施效果。钢铁生产现场的数据包括实时采集数据、质量检查数据、生产操作数据、音频视频数据等，数据来源和结构多样且复杂，数据的采集、传输、存储等环节面临许多难题，Fisher O J等[40]也将数字孪生的数据环节定义为开发仿真模型的主要挑战之一。

2.1.1数据采集

数据的采集直接决定了数据的类型、数量、质量等特征。极大程度地影响数字孪生体的保真度。对于钢铁生产现场的数据采集，多数结构化数据如流量、温度、压力等一般通过传统流程工业中常见的采集方式获得，包括可编程逻辑控制器(programmable logic controller,PLC)、分布式控制系统(distributed control system,DCS)数据采集与监视控制系统(supervisory controland dataacquisition,SCADA)[41]等。除此之外，对于传统采集方法难以准确得到的数据，各类智能传感器也在不断开发中，例如用于测定铁水中磷含量的新型电化学传感器[42]、基于超声波法的在线铜板壁厚度传感器[43]等。

随着人工智能技术的发展，原本难以利用的图像、声音、文本等非结构化数据被人们意识到蕴含着大量可用信息而逐渐被重视。其中，机器视觉的发展对于钢铁生产线上的产品和设备的监测提供了便利。利用机器视觉，系统可以控制热轧卷在传送带上的位置、诊断管道故障、分析设备气密性[30]，与热成像技术相结合还可以计算高炉出口的铁水温度，为高炉的调节提供可靠的温度数据[17]。

除了通过集成新的技术、开发新的材料不断提高采集数据的准确性，目前钢铁生产现场的数据采集传感器系统不断向着功能化发展。功能化指的是传感器不仅承担了采集数据的基本职能，还能够实现数据校准、故障诊断、健康管理等功能，在边缘侧分担数字孪生应用层的任务，提高整个数字孪生系统的稳定性。文献[24]通过开发集成了预测和健康管理系统(prognostics andhealthmanagement，PHM)的传感器模块，有助于对炼钢工业中的喷嘴进行健康检测，提供高精度的实时喷嘴状态。

2.1.2 数据传输

在工业现场中常用的数据传输方式有现场总线、工业以太网等。随着数据量的指数增长以及钢铁生产过程中对于数据传输的实时、安全、高精度等要求的不断提高，数据传输技术也应与时俱进，需要学术界进行更加深入的研究。Yoshizawa等认为无线化是未来一个重要的传输方式，新的无线技术值得工业界的关注。其中，5G作为近几年兴起的新一代无线通信技术，具有低延时、大带宽、泛在网、低功耗的特点[44]，能够满足钢铁行业对于数据传输的要求，与来自广泛分散的超高速无线传感器进行配合将很好地取代传统的信息收集和传输[39]。进入21世纪，工业物联网(industrial Internet of things，IIoT)迅猛发展，其数据传输层融合了移动网络、互联网、工业专网、低功耗广域网、短距离无线通信等技术，实现无线通信网络、移动通信网络等异构网络的安全、高效融合，实时将设备信息准确无误地传递出去，为工业现场和数据处理中心架起了数据互联的通道。文献[28]针对连铸环节提出了能够有效控制性能的物联网框架，持续监测温度、湿度等对铸件制造质量有直接影响的工艺参数。在IIoT的框架下，各类通信协议方案也在不断研究和发展，例如开放平台通信统一架构(open  platform communication unified architecture ,OPCUA)与时间敏感网络(time sensitive  networking，TSN)的结合，通过TSN时钟同步、数据调度的特性解决了数据传输过程中的低延迟和小抖动[45]；CalabrettaM等[46]提出了MOTT-Auth的构想，改进了传感器和控制器之间的连接。各类协议的提出为数据传输提供了安全可靠的技术支持。

2.1.3数据存储

随着数据采集设备的数量和种类逐渐增加数据量呈现爆炸式增长，且数据结构的复杂程度不断攀升，这对数字孪生系统的数据存储能力提出了不小的挑战。目前多数应用场景的数据存储采用的是传统的数据库，通过关系数据库存储结构化数据，通过非关系型数据库存储非结构化数据。随着数据量和应用场景的增加，数据库的结构需要进行专门的设计。文献[31]根据一家钢厂的热轧机系统建立了用于维护目的的数据库作为数据来源和解决方案之间的连接，针对不同来源、不同用途的数据，系统化设计了不同的收集、过滤、分析和存储数据流，保证了通过数据库实现的操作、维护和管理过程之间的数学连接的准确性。

传统数据库虽然技术成熟，但可拓展性较差，在数据量爆炸的今天无法较好地支持海量数据的存储。数据仓库是数据库的一种衍生形式。它们都是通过数据库软件实现，但数据仓库的数据量相比数据库要庞大得多，两者面向的需求也有所不同。传统数据库主要用于在线事务处理(on-line transaction processing，OLTP)，即常见的增删改查操作；而数据仓库主要用于在线分析处理(on-line analytic processing，0LAP)，适合大数据量情况下的查询功能，并帮助决策者进行决策。在钢铁行业中，实时采集数据一般是以时间戳作为键值的单一数据表格形式进行存储，这种情况不允许实时查询大量数据，而数据仓库本身的特点决定了在此场景下的适用性。数据库和数据仓库的对比见表1。李宏扬等[18]在钢铁行业背景下对数据仓库进行了研究。在其提出的高炉炼铁工业互联网平台中，对于数据仓库进行设计，完成了多个系统、多个数据源情况下的数据存储，实现更加准确、完整的信息提取。目前，数据库发展的一大趋势是将OLTP和OLAP相融合，在同一个系统中同时提供事务处理和分析处理两种服务，集 合两者的长处，满足钢铁生产现场对于海量数据存储和分析的需要。

云计算技术通过网络、分布式计算等为用户提供了强大的计算资源，作为其中关键技术之一的云存储功能为数据存储开拓了新境界。云存储通过集群技术网格技术、分布式存储技术、虚拟化存储技术等提供了强大的存储能力。云计算技术也催生了云数据库，这是一种在云平台部署的数据库服务。云存储和云数据库相较于传统数据库具有更高的可拓展性，且在灾备、恢复、负载均衡等方面较一般数据库更好，具有更高的数据可靠性，能够满足钢铁生产中对于海量数据在存储容量和稳定等方面的需求。文献[19]结合云存储技术，通过使用分布式文件系统和集群存储技术，扩展了数据容量，确保了钢铁生产数据的完整性。

数字孪生的主要特性之一是对于物理实体在信息空间存在其对应的真实映射。由于针对离散制造业的传统仿真技术计算较为复杂、耗时较长，将数字孪生应用于离散制造业时，其仿真敏捷快速的特点能够很好地降低计算复杂度，满足实际的工业需求[47]。而钢铁行业等流程工业的长流程、连续运作、内部运行状态变化复杂等特性决定了模型精度在数字孪生模型开发过程中的重要性。因此，对于钢铁行业数字孪生体，多维度高保真模型的开发至关重要，模型精度的高低直接决定了一个数字孪生模型成功与否。数字孪生完整模型的搭建主要可分为单一模型的建立、模型融合和模型验证等，下面将逐一分析。

2.2.1模型建立

根据模型描述的对象特征的差异进行划分，数字孪生模型可分为几何、物理、行为、规则4 个维度[48]。几何模型描述物理实体的几何形状和装配关系。物理模型反映物理实体内部的物理属性、特征和约束。行为模型表示物理实体响应于内部和外部机制的动态行为。规则模型则结合了历史数据，通过挖掘可以利用的隐性知识使数字孪生模型更加智能[49]。只有兼顾4个维度，才能达到对物理实体完整的映射。

对于数字孪生几何模型，常用的方法有点云、建筑信息建模等，辅以一系列建模软件如SolidWorks、Unity3D等构筑三维模型。对于更加重要的反映内部运行规律的物理、行为、规则维度，常见的建模方法可分为基于机理、基于数据和基于知识的建模。

基于机理的建模是指根据系统内部的物理和化学变化规律建立模型，包括但不限于传热、传质、动量传递、化学反应以及相关动力学理论等。按照模拟对象的描述方法可分为连续流模型和离散模型等。以钢铁行业中最复杂的操作单元一高炉炼铁为例进行介绍。从1970年Yagi J等[50]提出高炉一维模型开始，到后来的二维、三维模型[51-52]，这些早期发展起来的模型都属于连续流模型，其特点是将气、液、固三相视为完全互穿的连续介质，对于炉料颗粒的运动采用基于动力学理论扩展得到的准流体方程，并由包含了适当本构关系和相与相之间的相互作用项的守恒方程进行描述，包括质量守恒、动量守恒、能量守恒等。后来提出的四相流模型[53]同样如此，只是将粉末相加入其中。连续流模型能够在前期计算资源有限的情况下，对于高炉内部主体的流动情况和热化学性质提供不错的模拟结果，并能够针对大部分重要的局部现象如液态渣和铁的排放[54]、软熔带的形成[55]、等提供较为准确的预测结果。

连续流模型是当前高炉炼铁的主要模拟方法，但离散元方法(discrete element method，DEM)能在固体的模拟上提供更好的模拟精度。相较于连续流方法将固体看成准流体。DEM将固相还原为离散的颗粒，通过牛顿第二定律和拉格朗日法表示固体颗粒的运动规律。DEM对于每个颗粒都进行模拟的特性，使其在炉顶装料[56]、炉膛内停滞区的形成[57]等现象上能够给出准确的展示，并能够对高炉内部的不连续异常现象给出合理的解释[58]。其他的离散方法还包括粒子方法，例如移动粒子半隐式方法(moving particle semi-implicit，MPS)等。MPS是一种用于分析不可压缩自由表面流的技术，其中液相由有限数量的准粒子的集 合表示，该方法能有效地描述液相作为分散相的运动情况。Ueda S 等[59]就采用MPS方法对高炉软熔带下方的区域进行了宏观液滴模拟。

由于采用DEM计算整个高炉中所有颗粒所需计算负荷太大，目前DEM方法主要应用于高炉局部现象的模拟。如果使用 DEM 描述固体，并结合计算流体动力学(computational fluid dynamics，CFD)求解连续流模型中的气液相的控制方程，便得到了CFD-DEM，这种结合能够提高模拟高炉内颗粒流动的计算效率，使全高炉范围的DEM模拟成为可能[60]，同时对于某些局部现象如风口回旋区的形成也具有更好的模拟效果[61]。中尺度平均理论的提出也有望克服DEM和连续流模型的缺点，这种方法通过使用平均程序，离散粒子系统可以转化为相应的连续系统，从而建立基于连续模型的质量、线动量和角动量平衡方程，对连续流模型作出改进[62]。针对不同的建模目标，其他不同体系的方法也可迁移使用，例如陈君文等[63]采用生物学中代谢网络的方法建立了高炉炼铁的微观数学模型，提供了一种估算碳排放的方法。对于高炉炼铁的机理模型的研究，国外的日本新日铁住金公司[64]、美国普渡大学[65]、俄罗斯乌拉尔联邦大学[66]、国内的北京科技大学[67]等都作出了很大的贡献，具有丰富的研究成果。高炉机理模型的发展过程如图2所示。

基于数据的建模是指利用采集到的海量工业数据，结合各种智能算法如支持向量机、遗传算法等进行建模，目前在质量预测、故障诊断、调度优化等方面成果较多，有着不错的模拟效果。周恒等[20]构造了一种变种群规模的自适应遗传算法，对一家拥有5台烧结机和7座高炉的炼铁厂的原料供应计划进行了优化，炼铁过程的平均焦比降低了13.96 kg/t。刘丽兰等[32]提出了一种基于模拟退火法的多目标粒子群优化算法simulated annealing-multi-objective particle swarmoptimization，SA-MOPSO)对轧钢机组的生产进行调度，相比于人工调度和加入过滤器的多目标粒子群优化算法(FMOPSO)，调度方案更稳定、更平滑，表明该模型能够提高生产效率，并以一条热轧生产线为例对模型的自适应能力进行了验证。基于知识的建模指的是根据已有的专家知识和经验形成的知识库建模进行推理和决策，例如知识图谱[68]等。在钢铁行业大多数工艺环节内部机理尚未完全明朗的情况下，基于数据和知识的建模方法能够为数字孪生的开发另辟蹊径，从不同的角度为钢铁行业的数字变生建模提供适宜的选择和令人满意的结果。Rasheed A等[69]也对于单个模型的构建方法和工具进行了总结，有助于解决数字变生模型开发过程中遇到的问题。

2.2.2 模型融合

钢铁生产流程中的每个环节都是相互耦合的，如果各个环节的模型不能达到无缝衔接，虚拟空间和真实空间将无法达到实时交互，且模型与模型之间的协作也会受影响，最终导致整个数字变生系统的失真。因此，模型融合结果的好坏也会在很大程度上影响模型的整体效果。

除了上述提到的机理、知识、数据驱动模型的融合和几何、物理、行为、规则维度的融合，模型融合还包括不同时空尺度模型的融合，如设备、工序、车间等不同生产级别模型的融合以及多学科领域模型的融合等。针对不同的尺度，模型融合所需的方式也有所不同。刘祥官等[21]针对高炉单一设备维度，提出一种简单有效的模型集成架构，融合了机理模型、数据驱动模型和专家知识模型并形成模型之间的闭环连接，达到了提高产量和铁水指标的效果。向峰等[22]将多个模型融合成系统模型集，解决钢铁产品生命周期中的复杂问题。Rauch L等[33]则针对轧钢环节开发了一个软件，在该软件环境中可以融合和运行各种模型，以允许对制造各个阶段的集成模型进行模块化开发。除了上述方法，针对钢铁流程行业的模型融合还可以选择将其他领域已经开发的模型融合方法迁移到钢铁行业中，例如语义信息建模技术、卡尔曼滤波以及功能模型接口的设计等。

2.2.3模型验证

如前所述，模型精度是数字孪生模型最重要的性能指标，因此在模型初步建立后，需要对模型的精度进行验证。模型验证的目的是保证模型能够稳定运行，且能够准确反映真实系统。由于数字孪生系统中模型众多且相互连接耦合，每个模型都需要用已知的解决方案以及真实的测量结果进行验证，以信任建模研究产生的预测和改进[70]。

模型验证主要关注模型的鲁棒性。鲁棒性是模型在受到干扰时仍然保持稳定性和有效性的指标，是模型自身的特性。从稳健统计的角度来看，鲁棒性要求：(1)模型具有较高的精度或有效性；(2)对于出现的较小偏差，只能对模型性能产生较小的影响；(3)对于出现的较大偏差，不能对模型性能产生灾难性的影响。为了提升模型的鲁棒性，需要在模型开发时对模型结构进行设计，例如高大力等[23]开发了一种新的高炉的故障诊断模型，该模型由条件识别、类优先分布自适应和联合分布自适应3个模块组成，通过结构上的调整提高了模型的鲁棒性。这种鲁棒性和准确性的提升除了从模型自身进行设计，还需要在模型外部依赖数字孪生强大的虚实交互能力带来的实时反馈和优化不断调整模型，确保模型稳定准确运行。

为了提高模型精度，还需要在后续开发流程中从程序上对模型的效果进行验证。文献[49]总结了模型验证的4个步骤：(1)模型验证的信息再确认。评估数字孪生构建相关的所有信息，确定对哪些信息进行额外的分析能够提高模型的可信度。(2)模型验证的垂直分析。评估模型在不同历史阶段的演变情况，对于模型在未来的适用性进行判断。(3)在不同维度上评估模型的算法和子模型，从而对模型的保真度进行分析。(4)在行为和规则维度上整体评估数字变生模型，以判断不同尺度的行为是否符合设计预期。

随着工业大数据现代通信技术、人工智能等领域的快速发展，数字孪生在钢铁行业中的研究已经取得了一定的进展，展现了广阔的应用前景。然而也应该看到，现阶段数字孪生在钢铁行业的发展水平与人们所期望的虚实完全同步、孪生体指导实际生产的阶段仍有一定差距，具体表现在以下3个方面。

世界范围内钢铁厂商遭受网络攻击影响数据安全的案例层出不穷，导致业务中断、产量受损等负面结果。随着采集和运行数据量的不断增加，数据安全成为一个不容忽视的问题。如何确保数据在采集传输、存储等阶段中保持稳定且不被泄露值得更多的关注。在许多文献中都提及了数据安全的重要性，但缺乏加强安全保障的措施。此外，数字孪生基于的云计算和物联网等服务也存在安全风险。云计算和物联网的优势在于数据变得容易访问[71]，但这也带来了数据泄漏的风险，其安全性尚未被充分研究

模型构建是数字孪生模型开发的核心，但目前模型构建的3种主流方式，即基于机理、数据、知识的建模方法各有各的问题：钢铁流程机理复杂，目前机理的研究还不够透彻，离散和连续的方法各有缺陷：基于数据的建模可解释性差，且需要大量的数据支撑，对生产现场的数据采集提出了很高的要求；基于知识的建模精度较低，也无法掌握生产过程中的所有知识，面对复杂的生产情况效果较差。表2为3种建模方法的优缺点对比。因此，通过结合机理、数据、知识进行建模，融合各方法长处弥补单一模型因其特性导致的缺陷是提高模型精度的一条可行途径。

模型融合对数字孪生体的构建同样起着重要的作用。模型融合既要串联所有工序模型，达到对于真实工业的全流程复刻，又要能够从众多模型中选择并综合不同模型的结果，提高数字孪生体的模型精度。目前钢铁行业数字孪生模型的融合多数见于同一维度间前后工序模型的相互连接，与跨维度和跨领域相关的模型融合研究目前还比较少见，而钢铁生产是一个存在着许多维度、综合了不同领域的工业过程。例如，钢铁行业兼有离散制造和连续制造的工序，如何协调这两种工序的模型以达到生产效率最大化是一个问题。针对钢铁行业的数字变生体，需要连接不同维度的模型，多角度地构建对于实际流程的观察和模拟，更需要融合多学科领域的模型，在完善模型的同时从不同学科的视角对钢铁行业进行升级。

模型验证环节是数字孪生模型保真度的试金石。现有的数字孪生模型验证还仅仅停留在重要性的论证和浅层的步骤阐述，缺乏成熟的技术支持和更加深入的理论指导，更缺少专门针对钢铁行业的模型验证体系和测试平台，这也是未来的发展方向之一。在未来，希望能够发展出一套覆盖钢铁行业数据、算法、模型、应用的成熟模型验证方法制订相应的标准，并推出包含这些诊断工具的软件和平台。

标准是衡量事物的准则标准的设立能够统衡量尺度，规范事物的运行。然而，标准的缺失是目前钢铁行业数字孪生面临的一大问题，同时也是整个数字孪生体系存在的问题。文献[72]讨论了由于缺乏相应的标准和公认的互用性，导致数字孪生的实现特别是在制造领域中受到了一定的限制。关于数字孪生系统的标准，应从相关的学术概念开始，到模型建立、验证、评估等涉及的所有环节，再到后续的应用服务阶段，全方位、全生命周期地进行标准的设立和约束。文献[73]从基础共性、关键技术、工具/平台、测评、安全与行业应用6个方面对于数字孪生标准的设立进行了讨论。文献[74]将ISO、IEC、ITU、IEEE等标准开发组织针对数字孪生5个维度即物理实体、虚拟表示、数据、连接、服务相关的定义阐述、现有实施标准和可从其他领域移用标准进行了概括，并给出了确立标准的建议。目前的标准都是近两年才开始制订，目前仍处于发展阶段，还需要学术界不断完善数字孪生的标准体系，帮助数字孪生规范有序发展。

目前在全世界范围内开展了许多钢铁行业数字孪生的研究与开发，相关的文献研究也逐年增多，彰显了钢铁行业数字孪生蓬勃发展的势头。本文针对目前数字孪生在钢铁行业的研究热点进行了研究成果的梳理和总结，辅助学者们更好地进行下一步的研究工作，并给出了相关领域目前发展的短板，以期通过标准的设立、数据和模型的不断完善，开拓数字孪生技术在钢铁行业的应用前景，助力数字孪生在钢铁领域更好地发展。