数字孪生-第二章、数字孪生技术

第二章、数字孪生技术

2.1 数字孪生的相关领域

想要厘清数字孪生技术的内涵和体系架构，就需要数字如下10个部分的数字孪生的相关领域。

2.1.1 数字孪生与计算机辅助设计

计算机辅助设计（Computer Aided Design，CAD）模型是在CAD完工后形成的，是静态的。

在绝大多数场合中，CAD模型就像象棋里面一个往前冲的小卒；数字孪生则不同，它与物理实体的产生是步步相连的，实体没有被制造出来时，也就没有相对应的数字孪生生成，就像一个放飞在天空中频频回头的风筝，两头抻着力。

在过去，三维模型在行使作用之后就被工程技术人员放在计算机的文档里“沉睡”。而数字孪生确是神通广大、不可小觑。它是基于高保真的三维CAD模型，被赋予了各种属性和功能定义（包括材料、感知系统、机器运动机理等）；它的储存位置为一般图形数据库，而不是关系型数据库；它可以回收产品的设计、制造和运行的数据，再注入全新的产品设计模型中，使设计发生翻天巨变。

更值得一提的是，因为数字孪生在前期就可以具备识别异常的功能，从而在尚未生产的时候就能消除产品缺陷，所以用它取代以前昂贵的确有不得不用的原型成为可能甚至现实。

根据IBM的认知，数字孪生体就是物理实体的一个数字化替身，可以演化为万物互联的复杂的生态系统。它是一个动态的、有血有肉的、活生生的三维模型。可以说，数字孪生体是三维模型的进阶，也是物理原型的超级新替身。

2.1.2 数字孪生与产品全生命周期管理

产品全生命周期管理（Product Lifecycle Management，PLM），虽然号称为“全周期管理”，但就一个产品设计、制造、服务的全过程而言，制造后期的管理往往戛然而止，导致大量在制造中执行的工程状态的更改数据往往无法返给研发设计师。那么产品一旦出厂，它的相关现状“无迹可寻”，更无法通过PLM对其进行跟踪。

数字孪生的出现改变了这种窘态。它是对物理产品的全称（包括损耗和报废）进行的数字化呈现，使产品“全生命周期”透明化、自动化的管理概念得以变为现实。这意味着只有在工业互联网时代，全生命周期管理才能成为借助于数字孪生、工业互联网等众多技术和商业模式合力实现的一个新的盈利模式。

2.1.3 数字孪生与物理实体

从理论上讲，数字孪生可以对一个物理实体进行全息复制。但在实际应用中，受企业对产品服务的定义深度限制，它可能只截取了物理实体的一些小小的、动态的片段，只解决了某个方面的问题，例如，也许只是从一个机器的几百个零部件中提取几个来做数字孪生体。

数字孪生体与物理实体存在三种映射关系：

（1）一对一：一台机器对应一个数字孪生体

（2）一对多：一个数字孪生体对应多个仪表

（3）多对一：几个数字孪生体对应一台机器

在某些场合，虚拟传感器可能比实体传感器更多。如下图所示，凯撒空气压缩机公司不仅售卖空气压缩机，还售卖空气压力。通过与其他工程设计软件公司合作建立的凯撒空气压缩机数字孪生体，可以实现图表与表单数据同源。数字孪生体可以被用来进行编程和编译，通过其对物理实体的控制，优化物理实体的状态及运营。

2.1.4 数字孪生与赛博物理系统

赛博物理系统（Cyber-Physical Systems，CPS）是一个包含计算网络和物理实体的复杂系统，通过3C（Computing、Communication、Control）技术的有机融合与深度协作，通过人机交互接口实现与物理进程的交互，使赛博空间以远程、可靠、实时、安全、协作和智能化的方式操控一个物理实体。CPS主要用于非结构化的流程自动化，把物理知识与模型整合到一起，通过实现系统的自我适应与自动配置，缩短循环时间，提升产品与服务质量。

数字孪生与CPS不同，它主要用于物理实体的状态监控及控制。数字孪生以流程为核心，CPS以资产为核心。

在数字孪生与CPS的关系中又一个对工业4.0非常重要的支撑概念----资产管理壳（Asset Administratrion Shell，AAS，见如下图）。它使物理资产有了数据描述，实现了其他物理资产在数字空间的交互。

资产管理壳是与物理资产相伴相生的软件层，包括数据和界面，是CPS的物理层P与赛博层C进行交互的重要支撑部分。CPS的关键点在于Cyber，在于控制，在于与物理实体进行的交互。从这个意义层面而言，CPS中的物理层P----Physics，必须具有某种可编程性，与数字孪生体所对应的物理实体有相同的关系，依靠数字孪生来实现。在工业4.0的RAMI4.0概念中，物理实体是指设备、部件、图纸文件、软件等。但是就目前而言，如何实现软件的数字孪生，特别是在软件运行时如何实现映射还是一个尚不明确的问题。

从德国Drath教授研究的CPS三层架构与数字孪生中（见下图）可以解析出，数字孪生是CPS建设的一个重要基础环节。未来，数字孪生与资产管理壳可以能会融合在一起。但数字孪生并非一定要用CPS，有的时候它不是用来控制流程的，而只是用来显示相关状态的信息。

2.1.5 数字孪生与云端

在Web3.0里有云端的概念。云端软件平台采用虚拟化技术，集软件搜索、下载、使用、管理、备份等多种功能于一体，为网民搭建软件资源、软件应用和软件服务平台，改善目前软件的获取和使用方式，带给用户简单流畅、方便快捷的全新体验。一般来说，数字孪生体是放在云端的。

西门子倾向于将数字孪生堪称是纯粹的基于云的资产，因为运行一个数字孪生需要的计算规模和弹性都很大。

SAP Leonardo 平台从挪威一家软件公司购买了一款三维软件，为数字孪生引入了一个云解决方案----预防性工程洞察力。采用该方案可以实现对那些从传感器得来的压力、张力和材料生效数据进行评估，从而帮助企业加强对设备的洞察。

通用电气、ANSYS倾向于认为数字孪生体是一个包含边缘和云计算的混合模式。而美国的一家创新公司则开发了一套软件包，建立了直接面向边缘的数字孪生。这个数字孪生与常规的数字孪生的云端概念的不同之处在于：它是根据实时进入的数据经过机器学习逐渐建立机器失效的概念，整个分析就在边缘端完成，不需要上传到网络端（见如下图）。

可以看出，对于数字孪生而言，无论是云端还是线下的部署都同等重要。

2.1.6 数字孪生与工业互联网

从Garnter发布的2017年新兴技术成熟度曲线图（见如下图）上可以看出，数字孪生技术正处于冉冉上升的阶段。IDC公司在2017年11月发布，到2020年全球排名前2000家的企业中将有30%使用工业互联网产品中的数字孪生来助力产品创新。

虽然现在离数字孪生的普及应用尚早，但每一家企业都不能再逃避数字孪生现实技术的发展趋势。工业互联网天生具有双向通路的特征，是数字孪生的孵化床，物理实体的各种数据收集、交换，都要借助它来实现。工业互联网将机器、物理基础设施都连接到数字孪生上，并将数据的传递、存储分别放到边缘或者云端上。

可以说，工业互联网激活了数字孪生的生命，是数字孪生真正成为一个有生命力的模型。数字孪生是工业互联网的重要场景，核心是在合适的时间、合适的场景，做基于数据的、实时正确的决定，这意味着它可以更好的服务客户。数字孪生是工业App的完美搭档，一个数字孪生体可以支持多个工业App。工业App利用数字孪生技术可以分析大量的KPI数据，包括生产效率、宕机分析、失效率、能源数据等，形成评估结果反馈并存储，使产品与生产的模式都可以得到优化。

2.1.7 数字孪生与车间生产

车间生产以流程为核心，而数字孪生是以资产为核心的。

利用数字孪生，可以对机器安装、生产线安装等建立一个庞大的虚拟的仿真版本，通过将物理生产线在数字空间进行复制，提前对安装、中试的工艺进行仿真。对数字孪生体的记录和分析，在实际生产线安装时可以直接复制使用，从而大大降低安装成本，加速新产品的“落地生根”。同时，可以利用在机器调试中持续产生的数据波动（如能耗、错误比率、循环周期等）来优化生产，并且这些数据可以在后续的工厂和设备运行过程中发挥作用，提高生产效率。

值得一提地对生产线的利好是：在一些关键节点，数字孪生只需携带一部分信息而不需要完整的物料清单（Bill of Material，BOM，是以数据格式来描述产品结构的文件，是计算机可以识别的产品结构数据文件，也是企业资源计划的主导文件。BOM使系统能够识别产品结构，是联系与沟通企业各项业务的纽带）。代工生产供应商要考虑的问题也不仅仅再局限于产品本身，而扩展到多领域模型、传感器、边缘设备等软件配套。

2.1.8 数字孪生与智能智造

只能制造的范畴太宽泛，在智能制造中，智能生产、智能产品和智能服务，只要涉及智能，多多少少都会用到数字孪生。

数字孪生是智能服务的重要载体，与智能服务相关的三类数字孪生如下图所示。

在过去，产品一旦交付给用户，公司各部门就“无事一身轻”，无人再放在心上，导致产品研发走上“断头路”。

==数字孪生起源于设计、形成于制造，最后以服务的形式在用户端与制造商保持联系。==智能制造的各个阶段都离不开数字孪生，现如今，通过数字孪生体，研发人员可以获取实体的反馈，得出最宝贵的优化方略，让差评不再受冷落。换言之，数字孪生体就是一个“测试沙盒”，许多全新的产品创意可以直接通过数字孪生传递给实体。数字孪生正逐渐成为一个数字化企业的标配。以德国雄克家俱公司为例，其将会为5000个标准产品均配置一个“数字孪生体”，其中的50个零部件已经进入建模阶段。

2.1.9 数字孪生与工业边界

对一个产品的全生命周期过期而言，数字孪生发源于创意阶段，CAD设计从开始到物理产品实现，再到进入消费阶段的服务记录是持续更新的。然而，一个产品的制造过程本身也可能是一个数字孪生体，如工艺仿真、制造过程，都可以建立一个复杂的数字孪生体，进行仿真模拟，并记录真实数据进行交互。

产品的测试也是如此。在汽车自动驾驶领域，一个验证5级自动驾驶系统的实例即使不是最复杂的数字孪生应用，那也是非常重要的一个应用。如果没有数字仿真，要完成这样的验证，则需要完成140亿公司的实况测试，工程和成本都太浩大了。

对于一个工厂的建造，数字孪生同样可以发挥巨大作用。通过建筑信息模型和仿真手段，对工厂的水电气网级各种设施建立数字孪生体，实现虚拟工厂装配。并在真实厂房建造之后，继续跟踪记录厂房自身的变化。

数字孪生技术在厂房设施与设备的维护研究方面，已有西门子在COMOS平台建立了数字孪生体，并且与手机App呼应（见如下图）。这样，维修工人进入工厂，带着手机就可以素食扫码RFID或者QR码，分析备件、文档和设备信息级维修状况，并将具体任务分配到人。

同样，钻井平台、集装箱、航行的货船都可以建立一个对应的数字孪生体，如下图。

数字孪生的应用范围其实比上述提到的领域还广阔得多，数字孪生体还可以是一个复杂的组织或城市----数字孪生组织（Digital Twin ORganiztion，DTO），又可称为数字孪生企业（Digital Twin Enterprise，DTE）。例如，荷兰的软件公司Mavim能够提供数据孪生组织软件产品，把企业内部的每一个物理资产、技术、架构、基础设施、客户互动、业务能力、战略、角色、产品、服务、物流与渠道都连接起来，实现数据互联互通和动态可视。

又如，利用法国达索系统的3DEXPERIENCE City，可以为新加坡城市建立一个完整的“数字孪生城市新加坡”（见如下图）。城市规划师可以利用数字影像更好的解决城市能耗、交通等问题；商店可以根据实际人流的情况调整营业时间；红绿灯也不再是以固定的时间间隔显示；突发事件的人群疏散都有实时预算模型；企业之间的采购、分销关系甚至都可以加进去，形成“虚拟社交企业”。

在2008年斯皮尔伯格执导的电影《头号玩家》中，普通人可以通过VR/AR自由进入一个虚拟的城市消耗自己的情感，也可以随时退回到真实的社区延续虚拟世界的情感。而这一切，在现实世界似乎变得越来越可行。

2.1.10 数字孪生与CIO

根据Gartner的预测，到2021年有50%的大型企业使用数字孪生，首席信息官或信息主管（Chief Information Officer，CIO）一职将炙手可热。CIO是负责一个公司信息技术和系统所有领域的高级官员，他们通过指导对信息技术的利用来支持公司的目标。

数字孪生聚焦于物理资产与以资产为核心的新业务模式，CIO则习惯聚焦于流程提升和成本下降。CIO是否能够独立应付建立数字孪生，是对其的一个严峻的考验。这不仅涉及经济方面的问题，还涉及商业模式与商业交付。例如，一个轮胎制造商在为用户交付一个轮胎的时候，必须同时交付一套数字孪生体及其支撑软件。这意味着在轮胎的合同里面会出现软件交付和数据交付的条款，这是一个商业问题，而不再仅仅是企业信息化问题。

除了需要企业的各个部门共同制定战略，还有许多数字伦理问题需要企业跟合作伙伴及用户一起分析可能带来的结果。很显然，企业的数字孪生会影响到供应商、合作伙伴。这些，都不是CIO考验独自处理的事务。

2.2 数字孪生的技术体系

数字孪生技术的实现依赖于诸多先进技术的发展和应用，其技术体系按照从基础数据采集层到顶端应用可以依次分为数据保障层、建模计算层、功能层和沉浸式体验层，从建模计算层开始，每一层的实现都建立在前面各层的基础之上，是对前面各层功能的进一步丰富和拓展。如下图所示数字孪生的技术体系。

2.2.1 数据保障层

数据保障层是整个数字孪生技术体系的基础，支撑着整个上层体系的运作，其主要由高性能传感器数据采集、高速数据传输和全生命周期数据管理三个部分构成。

先进传感器技术及分布式传感技术使整个数字孪生技术体系能够获得更加准确、充分的数据源支撑；数据是整个数字孪生技术体系的基础，海量复杂系统运行数据包含用于提取和构建系统特征的最重要信息，与专家经验知识相比，系统实时传感信息更准确、更能反应系统的实时物理特性，对多运行阶段更具适用性。作为整个体系的最前沿部分，其重要性毋庸置疑。

高带宽光纤技术的采用使海量传感器数据的传输不再受带宽的限制，由于复杂工业系统的数据采集量庞大，带宽的扩大缩短了系统传输数据的时间，降低了系统延时，保障了系统实时行，提高了数字孪生系统的实时跟随性能。

分布式云服务器存储技术的发展为全生命周期数据的存储和管理提供了平台保障，高效率存储结构和数据检索结构为海量历史运行数据存储和快速提取提供了重要保障，为基于云存储和云计算的系统体系提供了历史数据基础，使大数据分析和计算的数据查询和检索阶段能够得以快速可靠地完成。

2.2.2 建模计算层

建模计算层主要由建模算法和一体化计算平台两部分组成，建模算法部分充分利用机器学习和人工智能领域的技术方法实现系统数据的深度特征提取和建模，通过采用多物理、多尺度的方法对传感数据进行多层次的解析，挖掘和学习其中蕴含的相关关系、逻辑关系和主要特征，实现对系统的超现实状态表征和建模，并能预测系统未来状态和寿命，依据其当前和未来的健康状态评估其执行任务成功的可能性。

2.2.3 功能层

功能层面向实际的系统设计、生产、使用和维护需求提供相应的功能，包括多层级系统寿命估计、系统集群执行任务能力的评估、系统集群维护保障、系统生产过程监控及系统设计辅助决策等功能。针对复杂系统在使用过程中存在的异常和退化现象，在功能层开展针对系统关键部件和子系统的退化建模和寿命估计工作，。为系统健康状态的管理提供指导和评估依据。对于需要协同工作的复杂系统集群，功能层为其提供协同执行任务的可执行性评估和个体自身状态感知，辅助集群任务的执行过程决策。在对系统集群中每个个体的状态深度感知的基础上，可以进一步依据系统健康状态实现基于集群的系统维护保障，节省系统的维修开支及避免人力资源的浪费，实现系统群体的批量化维修保障。

数字孪生技术体系的最终目标是实现基于系统全生命周期健康状态的系统设计和生产过程优化改进，使系统在设计生产完成后能够在整个使用周期内获得良好的性能表现。

作为数字孪生体系的直接价值体现，功能层可以根据实际系统需要进行定制，在建模计算层提供的强大信心接口的基础上，功能层可以满足可靠性、高准确度、高实时性及智能辅助决策等多个性能指标，提升产品在整个佘宁周期内的表现性能。

2.2.4 沉浸式体验层

沉浸式体验层主要是为使用者提供良好的人机交互使用环境，让使用者能够获得身临其境的技术体验，从而迅速了解和掌握复杂系统的特性和功能，并能够便捷的通过语音和肢体动作访问功能层提供的信息，获得分析和决策方面的信息支持。未来的技术系统使用方式将不再仅仅局限于听觉和视觉，同时将集成触摸感知、压力感知、肢体动作感知、重力感知等多方面的信息和感应，向使用者完全恢复真实的系统场景，并通过人工智能的方法让使用者了解和学习真实系统场景本身不能直接反映的系统属性和特征。

使用者通过学习和了解在实体对象上接触不到或采集不到的物理量和模型分析结果，能够获得对系统场景更深入的理解，设计、生产、使用、维护等各个方面的灵感将被激发和验证。

沉浸式体验层是直接面向用户的层级，以用户可用性和交互友好性为主要参考指标。如下图是引自NASA技术路线图，以数字孪生中的技术集成为例描述了数字孪生技术的广阔发展前景，重点解决与极端可靠性相关的技术需求，使数字孪生技术融入实际工程实践并不断发展 。

沉浸式体验层通过集成多种先进技术，实现多物理、多尺寸的集群仿真，利用高保真建模和仿真技术及状态深度感知和自感知技术构建目标系统的虚拟实时任务孪生体，持续预测系统健康、剩余使用寿命和任务执行成功率。虚拟数字集群是数字孪生体向实际工程实践发展的重要范例，对于满足未来成本可控情况下的高可靠性任务执行需求具有重要意义。

2.3 数字孪生的核心技术

2.3.1 多领域、多尺度融合建模

当前，大部分建模方法是在特定领域进行模型开发和熟化，然后在后期才用集成和数据融合的方法将来自不同领域的独立的模型融合为一个综合的系统级模型，但这种方法的融合深度不够且缺乏合理解释，限制了将来自不同领域的模型进行深度融合的能力。

多领域建模是指在正常和非正常情况下从最初的概念设计阶段开始实施，从不同领域、深层次的机理层面对物理系统进行跨领域的设计理解和建模。

多领域建模的难点在于，多种特性的融合会导致系统方程具有很大的自由度，同时传感器为确保基于高精度传感测量的模型动态更新，采集的数据要与实际的系统数据保持高度一致。总体来说，难点同时体现在长度、实践尺度及耦合范围3个方面，克服这些难点有助于建立更加精准的数字孪生系统。

2.3.2 数据驱动与物理模型融合的状态评估

对于机理结构复杂的数字孪生目标系统，往往难以建立精确可靠的系统级物理模型，因为单独采用目标系统的解析物理模型对其进行状态评估无法获得最佳的评估效果。相比较而言，采用数据驱动的方法则能利用系统的历史和实时运行数据，对物理模型进行更新、修正、连接和补充，充分融合系统机理特性和运行数据特性，能够更好地结合系统的实时运行状态，获得动态实时跟随目标系统状态的评估系统。

目前将数据驱动与物理模型相融合的方法主要有以下两种。

（1）采用解析物理模型为主，利用数据驱动的方法对解析物理模型的参数进行修正。

（2）将采用解析物理模型和采用数据驱动并行使用，最后依据两者输出的可靠度进行加权，得到最后的评估结果。

但以上两种方法都缺少更深层次的融合和优化，对系统机理和数据特性的认知不够充分，融合时应对系统特性有更深入的理解和考虑。目前，数据与模型融合的难点在于两者在原理层面的融合与互补，如何将高精度的传感器数据统计特性和系统的机理模型合理、有效地结合起来，获得更好的状态评估与监测效果，是待考虑和解决的问题。

无法有效实现物理模型与数据驱动模型的结合，还体现在现有的工业复杂系统和装备复杂系统全生命周期状态无法共享、全生命周期内的多源异构数据无法有效融合、现有的对数字孪生的乐观前景大都建立在对诸如机器学习、深度学习等高度复杂及高性能的算法基础上。将有越来越多的工业状态监测数据或数学模型替代难以构建的物理模型，但同时会带来对象系统过程或机理难于刻画、所构建的数字孪生系统表征性能受限等问题。

因此，有效提升或融合复杂装备或工业复杂系统前期的数字化设计及仿真、虚拟建模、过程仿真等，进一步强化考虑复杂系统构成和运行机理、信号流程及接口耦合扥该因素的仿真建模，是构建数字孪生系统必须突破的瓶颈。

2.3.3 数据采集与传输

高精度传感器数据的采集和快速传输是整个数字孪生系统的基础，各个类型的传感器性能，包括温度、压力、振动等都要达到最优状态，以复现实体目标系统的运行状态。传感器的分布和传感器网络的构建以快速、安全、准确为原则，通过分布式传感器采集系统的各类物理量信息表征系统的状态。同时，搭建快速可靠的信息传输网络，将系统状态信息安全、实施地传输至上位机供其应用，具有十分重要的意义。

数字孪生系统是物理实体系统的实时动态超现实映射，数据的实时采集传输和更新对数字孪生具有至关重要的作用。大量分布的各类型高精度传感器在整个孪生系统的前线工作，起着最基础的感官作用。

目前，数字孪生系统数据采集的难点在于传感器的种类、精度、可靠性、工作环境等各个方面都收到当前技术发展水平的限制，导致采集数据的方式也受到局限。数据传输的关键在于实时性和安全性，网络传输设备和网络结构受限于当前的技术水平无法满足更高级别的传输速率，网络安全保障在实际应用中同样应予以重视。

随着传感器水平的快速提升，很多微机电系统（Mico-Electro-Mechanical System，MEMS）传感器日趋低成本化和高集成度，而如IoT这些高带宽和低成本的无线传输等许多技术的应用推广，能够为获取更多用于表征和评价对象系统运行状态的异常、故障、退化等复杂状态提供前提保障，尤其对于旧有复杂装备或工业系统，其感知能力较弱，距离构建信息物理系统（Cyber Physical System，CPS）的智能提醒尚有较大差距。

许多新型的传感手段或模块可在现有对象系统体系内或兼容于现有系统，构建集传感、数据采集和数据传输于一体的低成本体系或平台，这也是支撑数字孪生体系的关键部分。

2.3.4 全生命周期数据管理

==复杂系统的全生命周期数据存储和管理是数字孪生系统的重要支撑。==采用云服务器对系统的海量运行数据进行分布式管理，实现数据的高速读取和安全冗余备份，为数据智能解析算法提供充分可靠的数据来源，对维持整个数字孪生系统的运行起着重要作用。通过存储系统的全生命周期数据，可以为数据分析和展示提供跟充分的信息，使系统具备历史状态回放、结构健康退化分析及任意历史时刻的智能解析功能。

海量的历史运行数据还为数据挖掘提供了丰富的样本信息，通过提取数据中的有效特征、分析数据间的关联关系，可以获得很多未知但却具有潜在利用价值的信息，加深对系统机理和数据特性的理解和认知，实现数字孪生体的超现实属性。随着研究的不断推进，全生命周期数据将持续提供可靠的数据来源和支撑。

全生命周期数据存储和管理的实现需要借助于服务器的分布式和冗余存储，由于数字孪生系统对数据的实时性要求很高，如何优化数据的分布架构、存储方式和检索方法，获得实时可靠的数据读取性能，是其应用于数字孪生体系统面临的挑战。尤其应考虑工业企业的数据安全及装备领域的信息保护，构建以安全私有云为核心的数据中心或数据管理体系，是目前较为可行的技术解决方案。

2.3.5 虚拟现实呈现

虚拟现实（VR）技术可以将系统的制造、运行、维修状态呈现出超现实的形式，对复杂系统的各个子系统进行多领域、多尺度的状态监测和评估，将智能监测和分析结构附加到系统的各个子系统、部件中，在完美复现实体系统的同时将数字分析结果以虚拟映射的方式叠加到所创造的孪生系统中，从视觉、声觉、触觉等各个方面提供沉浸式的虚拟现实体验，实现实时、连续的人机互动。VR技术能够帮助使用者通过数字孪生系统迅速的了解和学习目标系统的原理、构造、特性、变化趋势、健康状态等各种信息，并能启发其改进目标系统的设计和制造，为优化和创新提供灵感。通过简单地点击和触摸，不同层级的系统结构和状态会呈现在使用者面前，对于监控和指导复杂装备的生产制造、安全运行及视情维修具有十分重要的意义，提供了比实物系统更加丰富的信息和选择。

复杂系统的VR技术难点在于需要大量的高精度传感器采集系统的运行数据来为VR技术提供必要的数据来源和支撑。同时，VR技术本身的技术瓶颈也待突破和提升，以提供更真实的VR系统体验。

此外，在现有的工业数据分析中，往往忽视数据呈现的研究和应用，随着日趋复杂的数据分析任务以及高纬、高实时数据建模和分析需求，需要强化对数据呈现技术的关注，这是支撑构建数字孪生系统的一个重要环节。

目前很多互联网企业都在不断推出或升级数据呈现的空间或软件包，工业数据分析可以在借鉴或借用这些数据呈现技术的基础上，加强数据分析可视化的性能和效果。

2.3.6 高性能计算

数字孪生系统复杂功能的实现在很大程度上依赖其背后的计算平台，实时性是衡量数字孪生系统性能的重要指标。因此，基于分布式计算的云服务器平台是系统的重要保障，优化数据结构、算法结构等提高系统的任务执行速度是保障系统实时性的重要手段。如何综合考量系统搭载的计算平台的性能、数据传输网络的时间延迟及云计算平台的计算能力，设计最优的系统计算架构，满足系统的实时性分析和计算要求，是应用数字孪生的重要内容。平台计算能力的高低直接决定系统的整体性能，作为整个系统的计算基础，其重要性毋庸置疑。

数字孪生系统的实时性要求具有极高的运算性能，这有赖于计算平台的提升和计算结构的优化。但是就目前来说，系统的运算性能还受限于计算机发展水平和算法设计优化水平，因此，应在这两方面努力实现突破，从而更好地服务数字孪生技术的发展。

高性能数据分析算法的云化及异构加速的计算体系（如CPU+GPU、CPU+FPGA）在现有的云计算基础上是可以考虑的，其能够满足工业实时场景下高性能计算的两个方面。

2.4数字孪生的创建

数字孪生能够为企业带来实际价值，创造新的收入来源，并帮助企业解决重要的战略问题。随着新技术能力的发展、灵活性的提升、成本的降低，企业能够以更少的资金投入到更短的时间内创建数字孪生体并产生价值。数字孪生在产品全生命周期内有多种应用形式，能够实时解决过去无法解决的问题，创造甚至几年前还不敢想象的价值。企业真正的问题或许并不在于是否应该着手部署数字孪生，而在于从那个方面开始部署，如何在最短的时间内获得最大的价值，以及如何在竞争中脱颖而出。

2.4.1 创建数字孪生的两个重点

创建数字孪生的两个重点如下图所示：数字孪生流程设计与信息要求、数字孪生概念体系架构。

1. 数字孪生流程设计与信息要求

创建数字孪生，要先进行流程设计：使用标准的流程设计技术来展示业务流程、流程管理人员、业务应用程序、信息及物理资产之间如何进行交互，创建相关图表，连接生产流程与应用程序、数据需求及创建数字孪生所需的传感器信息类型。流程设计将通过多种特性获得增强，提升成本、时间和资产效益，这些构成了数字孪生的基础，数字孪生的增强效能也于此开始。

2.数字孪生概念体系架构

通过创建使能技术，整合真实资产及其数字孪生，传感器数据与企业核心系统中的运营和交易信息实现实时流动。数字孪生概念体系架构课分为易于理解的六大步骤，如下图所示。

（1）创建

创建步骤包括为物理过程配备大量传感器，以检测获取物理过程及其环境的关键数据。传感器检测到的数据经编码器转换为受保护的数字信息，并传输到数字孪生系统。传感器的信号可利用制造执行系统、企业资源规划系统、CAD模型及供应链系统的流程导向型信息进行增强，为数字孪生系统提供大量的持续更新的数据用以分析。

（2）传输

网络传输是促使数字孪生成为现实的重大变革之一，有助于现实流程和数字平台之间进行无缝、实时的双向整合/互联。传输包含了以下三大组成部分。

==一是边缘处理。==边缘接口连接传感器和历史流程数据库，在近源处处理其发出的信号和数据，并将数据传输至平台。这有助于将专有协议转换为更易于理解的数据格式，并减少网络传输量。

==二是传输接口。==传输接口将传感器获取的信息转移至整合职能。

==三是边缘安全。==最常用的安全措施包括采用防火墙、应用程序秘钥、加密及设备证书等。

（3）聚合

聚合步骤支持将获得的数据储存库中，进行处理以备用于分析。数据聚合及处理均可在现场或云端完成。

（4）分析

在分析步骤中，将数据进行分析并作可视化处理。数据科学家和分析人员可利用先进的数据分析平台和技术开发迭代模型发觉洞见、提出建议，并引导决策过程。

（5）洞见

在洞见步骤中，通过分析工具发掘的洞见将通过仪表板中的可视化图表列示，用一个或更多的维度突出显示数字孪生模型和物理世界类比物性能中不可接受的差异，标明可能需要调查或更换的区域。

（6）行动

行动步骤是指前面几个步骤形成的可执行洞见反馈至物理资产和数字流程，实现数字孪生的作用。洞见经过解码后，进入物理资产流程上负责移动或控制机制的促动器，或在管控供应链和订单行为的后端系统中更新，这些均可进行人工干预，从而完成了物理世界与数字孪生之间闭环连接的最后一环。

需要注意的是，上述概念体系架构的设计应具备分析、处理、传感器数量和信息等各个方面的灵活性和可扩展性。这样，该架构便能在不断变化甚至指数级变化的市场环境中快速发展。

2.4.2 如何部署创建数字孪生

在打造数字孪生流程的过程中，一个最大的挑战在于确定数字孪生模型的最优方案。过于简单地模型无法实现数字孪生的预期价值，但是如果过于追求速度与广泛的覆盖面，则必将迷失在海量的传感器、传感器信号机构建模型必需的各种技术之中。因此，过于简单或过于复杂的模型都将让企业裹足不前，如下图所示是一个复杂程度适中的数字孪生初步部署模型示意图。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kIRRFDbi-1657528493266)(/Users/jerei/Library/Application Support/typora-user-images/image-20220711161605624.png)]

1、设想可能性

设想并选出数字孪生可产生收益的系列方案。虽然不同的企业或在不同的环境下，适用方案会有所不同，但通常都具备以下两大重要特点。

一是所设想的产品或生产流程对企业弥足珍贵，因此投资创建数字孪生体是万分必要的。

二是存在一些尚不明确的未知流程或产品问题，而这些有望为客户或企业创造价值。

2、方案评估

在方案选定后对每个方案进行评估，从而确定可运用数字孪生快速获得收效的流程。建议集中召开构思会议，由运营、业务及技术领导层成员共同推进评估过程。

3、确定流程

确定潜在价值最高且成功概率最大的数字孪生试用模型。综合考虑运营、商业、组织变革管理因素，以打造最佳的试运行方案。与此同时，重点关注有望扩大设备、选址或技术规模的领域。

4、试运行项目

通过敏捷迭代周期，将项目迅速投入试行以加速学习进程，并通过有效管理风险实现投资收益的最大化。推进试行项目的过程中，实施团队应随时强调适应性与开放式思维，打造一个未知的开放式生态系统，而改系统可顺时应势整合新数据，并接纳新的技术与合作伙伴。

5、实现流程工业化

在试运行姓名有所斩获后，可立即运用现有工具、技术与脚本，将数字孪生开发与部署流程工业化。这一过程包括对企业各种零散的实施过程进行整合，实施数据湖，提升绩效与生产率，改善治理并将数据标准化，推进组织结构的变革，从而为数字孪生提供支持。

6、扩大数字孪生规模

成功实现工业化后，应重点把握机会扩大数字孪生规模。目标应当锁定相近流程及与试运行项目相关的流程。借鉴项目试运行经验，采用试运行期间使用的工具、技术及脚本，快速扩大规模。

7、监控与检测

对解决方案进行监控，客观检测数字孪生所创造的价值；确定循环周期内是否可产生切实收益，提升生产率、质量、利用率，降低偶发事件及成本；反复调试数字孪生流程，观察结果，以确定最佳配置方案。

更为重要的是，与传统项目不同，数字孪生并不会在有所收效后就戛然而止。企业若要长期在市场占据独特优势，应不断在新的业务领域进行尝试。

总而言之，能否在数字孪生创建之初收货成功，取决于是否有能力制定并推进数字孪生计划，同时确保其持续协助企业提升价值。为了实现这一目标，企业必须将数字孪生渗透至整个组织结构，包括研发与销售，并运用数字孪生改变企业的业务模式及决策过程，从而源源不断的为企业开创新的收入来源。