基于数字孪生（Digital Twin）的智能制造工厂动态优化策略：应对突发场景的实时决策方法

为解决工业制造中实时决策框架面临的运营条件不可预测性和可持续发展目标压力，研究人员开发了基于数字孪生（DT）的动态优化方法DTM4SM。该方法通过强化学习和神经网络实现实时决策，在钢铁行业案例中验证了成本降低5%、CO2排放减少5%、需求匹配提升30%的效果，为智能制造提供了兼顾效率与可持续性的创新解决方案。

　　

在工业4.0浪潮下，制造业正面临前所未有的效率与可持续性挑战。传统工厂运营依赖固定策略和离线优化，难以应对电价波动、设备退化或需求激增等突发状况。尤其对于钢铁等高能耗行业，多阶段耦合的生产流程和严苛的环保要求，使得实时调整运营策略成为行业痛点。现有数字孪生（Digital Twin, DT）技术多聚焦单一功能模块，缺乏全局视角下生产与维护的协同优化能力，这正是本研究试图突破的关键瓶颈。

《Results in Engineering》刊发的这项研究创新性地提出了DTM4SM方法论。团队首先构建了钢铁厂离散事件仿真模型，涵盖熔炼（EAF）、精炼、连铸和热机械处理四大工序，通过AnyLogic软件模拟设备负载、能耗与维护的复杂交互。为加速决策，开发了五层卷积神经网络（CNN5）作为降阶模型（ROM），其MAE低至1.01×10^-3，预测速度较仿真模型提升290倍。采用遗传算法（GA）离线生成优化策略数据库，再通过随机森林（RF）实现秒级实时决策。研究特别设计了滚动时域规划（RHP）框架，使系统能动态响应24小时至72小时内发生的三类典型扰动：电价激增（A型）、需求突变（B型）和设备剩余寿命（RUL）骤降（C型）。

5.1 钢铁厂模型验证

基于ISO 23247标准构建的数字孪生体，通过敏感性分析确认熔炼炉负载（K₁）为最敏感参数。模型整合了ECO₂排放因子（0.87t/t钢）等关键指标，仿真数据与行业基准误差<20%。

5.2 预测与决策模型

CNN5在30组测试案例中展现出卓越性能，其Adam优化器配合ReLU激活函数，对成本/吨（CpT）和CO₂的预测R²达0.98。RF模型通过CRITIC加权法（α=0.0065，β=0.6208）优化多目标函数，在B型扰动下使需求满足率提升36%。

6. 结果

典型场景中，当RUL突发性降低30小时（C型扰动），DTM4SM通过调整熔炼炉在低价电时段运行，使总成本较非优化方案降低5.3%。对比文献[13]的局部优化方法，本方案因集成维护调度自适应，在A型扰动中额外降低目标函数值5个点。

该研究的意义在于首次实现了制造全流程的数字孪生闭环控制：从异常检测（监测）、影响预测（仿真）、到策略优化（决策）的完整链条。通过合成数据与实测数据的协同训练，解决了工业场景极端工况样本不足的难题。特别值得关注的是，方法论中维护窗口的动态重规划功能，突破了传统静态维护计划的局限性，为设备密集型行业提供了可推广的智能化模板。未来可扩展至化工、制药等连续生产过程，其模块化架构也便于兼容5G、边缘计算等新兴技术。研究团队已公开全部模型代码，为工业数字化转型提供了重要参考基准。