您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center 汽车系统工程   模型库  
会员   
   
基于SysML和EA进行系统设计与建模
7月16-17日 深圳+线上
UAF架构体系与实践
7月23-24日 北京+线上
Spec Driven Development 工程化实践
7月28-29日 北京+线上
     
   
 订阅
CAD 数据 + 本体论 = 真正的数字孪生?

 
作者:Consultant
 
  3   次浏览      
 2026-6-23
 
编辑推荐:
本文主要从 CAD 切入——聊聊为什么大多数"数字孪生"其实只是"3D 展示台",以及本体论如何让 CAD 数据真正懂业务。希望对你的学习有帮助。
本文来自于微信公众号风起码途,由火龙果软件Alice编辑,推荐。

这是"本体论 × 工业软件"系列的第七篇。前两篇从 BOM 这条线讲清楚了本体层在跨系统语义问题上的定位和落地策略。这篇换个角度,从 CAD 切入——聊聊为什么大多数"数字孪生"其实只是"3D 展示台",以及本体论如何让 CAD 数据真正懂业务。

你见过的"数字孪生",大概率是假的

先聊个现象。

过去几年,"数字孪生"这个词在制造业的出现频率堪比"智能制造"和"工业互联网"。每次展会,总有几个供应商拿着一个闪闪发光的 3D 工厂模型,屏幕上几十台设备在旋转,各种仪表盘在跳动。演示效果震撼,现场掌声热烈。

然后你问一个问题:这台电机现在转速异常,涉及哪些下游产线?可能影响哪些在制工单?是否触发了预防性维护的条件?

画面卡住了。

因为那个 3D 模型,其实只能给你看"那台电机长什么样",它不知道电机和产线的关系,不知道工单是什么,不知道维护策略是怎么定义的。

这就是当前大多数"数字孪生"的状态——形状是对的,但大脑是空的,问它业务问题它一概不知。

真正的数字孪生应该是什么样的?简单说,是一个既知道"它长什么样",又知道"它是什么、做什么、和谁有关、受什么约束"的工程对象。几何和语义,两层都要有。

几何数据和语义数据:数字孪生的两层皮

要搞清楚这件事,先把"几何数据"和"语义数据"分开来看。

几何数据:CAD 里有什么

打开一个 CAD 文件,你能看到的典型内容:

  • 三维几何体(实体、曲面、曲线)

  • 尺寸和公差标注(GD&T)

  • 装配关系(配合面、约束)

  • 材料属性(密度、弹性模量,仅部分 CAD 支持)

  • 工程属性(质量、体积、重心,自动计算)

这些是 CAD 系统很擅长管理的东西。你给一个机械工程师一个 SolidWorks 文件,他能精确还原出这个零件的几何形态,甚至做有限元分析、干涉检查等。

但这个 CAD 文件不知道:

  • 这个零件是 EBOM 里的哪个节点

  • 对应 ERP 里的哪个物料编码

  • 装配到哪条产线的哪个工位

  • 历史上出现过哪些质量问题

  • 上一次工程变更是什么时候,改了什么

  • 适用哪些行业标准和合规要求

这些是语义数据——描述业务关系、历史状态、规则约束的知识,CAD 系统没有,也不该有。

现在的做法:靠人工"翻译"

目前很多企业的处理方式是靠人工拼接。设计工程师从 CAD 里导出 BOM,手工录入 PLM(当然也有做了CAD和PLM集成,自动生成BOM的情况);PLM 里的 EBOM 节点和 ERP 里的物料编码靠接口同步(或者靠 Excel 手工对齐);维修记录在 EAM 里,质量数据在 MES 里,CAD 文件还是 CAD 文件。

每次需要"看全貌"——比如新品发布前评审,或者客户投诉时的质量追溯——都要有人把这几个系统的数据拉出来,手工整合,生成一份"临时报告"。

这件事费时、容易出错,而且极度依赖特定的"老员工"。

STEP 和 IFC:工程界早就在琢磨这件事

本体论的思想在工程领域并不是新鲜话题,只是很多人没意识到而已。两个典型例子。

STEP:产品数据交换的"语义契约"

STEP(Standard for the Exchange of Product model data)是 ISO 10303,一个制造业用了三十年的产品数据交换标准。

STEP 的设计思路是:产品数据不只是几何,还包括形状之外的所有工程知识——材料、公差、制造工艺、检测要求、产品生命周期各阶段的状态。STEP 定义了一套"应用协议"(Application Protocol),用形式化语言描述产品对象的类型和关系。

从今天的视角看,这其实就是一套针对工程领域的本体模型。只不过它是在本体论这个词流行之前就发展起来的,用的是 EXPRESS 语言而不是 OWL。

有趣的是,后来 ISO 的 STEP 工作组确实把部分应用协议翻译成了 OWL 本体,因为大家意识到两者解决的是同一类问题。

IFC:建筑里的本体论实践

如果 STEP 还比较抽象,建筑行业的 IFC(Industry Foundation Classes)更直接。

IFC 是 BIM(建筑信息模型)领域的开放数据标准,定义了建筑对象的语义模型:柱子是什么(IfcColumn)、墙是什么(IfcWall)、一扇门有哪些属性(位置、尺寸、材质、开启方式),以及对象之间的关系(IfcRelContainedInSpatialStructure、IfcRelConnects...)。

一个完整的 IFC 模型不只是一堆几何体,而是包含完整业务语义的建筑知识图谱:每个构件是什么、在哪里、和谁相连、归哪个系统管理、生命周期状态如何。

建筑行业的实践证明了这件事是可行的——CAD 几何加上语义本体,才能叫真正的工程信息模型,而不只是"好看的 3D"。

制造业的 IFC 等价物还没有完全统一,但 STEP、ISO 10303-242(带有 PMI 的制造产品模型数据)、以及各主要 CAD 厂商正在推进的 3D Annotation 标准,都在往这个方向走。

本体论怎么让 CAD 模型"懂业务"

理论够了,来说具体的做法。

本体层如何与 CAD 数据对接,核心是三个绑定关系。

绑定一:几何对象 ↔ 业务对象

CAD 里的零件 shaft_001.stp,需要绑定到本体层里的业务对象节点。业务对象节点记录的是:

  • 这是零件,类型是"传动轴"

  • 对应 PLM 中的编号:P-EC-2301-001(EBOM)

  • 对应 ERP 中的物料:MTR-CS-88820(MBOM)

  • 在产品层级上隶属于"减速器组件"

这个绑定关系一旦建立,CAD 文件就有了"身份证"——它不再是一个孤立的几何文件,而是整个产品知识体系里有坐标的节点。

具体实现方式多样:可以在 CAD 文件的属性字段里写入本体对象的 URI,也可以在本体数据库里维护一张映射表。两种方式各有利弊,通常大型企业会用 PLM 系统来做这个桥接(PLM 里的零件 Item 同时关联了 CAD 文件和 BOM 节点)。

绑定二:几何语义 ↔ 工程语义

CAD 里的几何语义(孔、槽、螺纹、配合面)需要映射到工程语义(加工工序、公差要求、配合关系)。

举例:CAD 里标注了一个 φ50H7 的轴孔配合。本体层知道:

  • H7 公差等级 → 对应精密加工工序(磨削,IT7 精度)

  • 轴孔配合 → 这个孔和另一个零件的轴是"配合关系"

  • 加工工序 → 对应 MES 里的工序号 OPS-GRD-007

这个映射让"几何配合精度"和"车间工序"之间建立了语义连接,而不是靠工艺工程师每次人工查对应关系。

这个层次的建模是工作量最大的部分,也是工业本体落地里最有价值的部分。

绑定三:几何版本 ↔ 知识版本

这是容易忽略但极其重要的一个绑定。

CAD 文件有版本(Rev A、Rev B、Rev C...),对应工程变更历史。本体层里的业务对象也有版本(对应 PLM 的工程变更单 ECN)。这两个版本需要同步绑定。

否则,你可能在 ERP 里查到的是 Rev B 的物料参数,但 CAD 里还是 Rev A 的几何,而 MES 里的工艺已经按 Rev C 在生产——三套系统的"版本"根本不在同一时间线上,变更影响分析就失效了。

本体层维护的版本关联,相当于一条跨系统的"时间线",确保"这个零件"在某个时间点的研发状态、制造状态、采购状态、服务状态是一致的。

AI + CAD + 本体:三者叠加之后

三个绑定关系建立之后,加上 AI,能做什么以前做不到的事情?举三个场景。

场景一:智能设计审查

传统设计审查:工程师手工检查 CAD 模型是否符合设计规范,翻厚厚的设计规范文档,依赖经验。

有了本体 + AI:

  • 本体层描述了设计规范(哪类零件需要满足哪些几何约束、材料要求、公差等级)

  • AI 模型分析 CAD 几何,自动识别特征(孔、螺纹、薄壁、配合面)

  • 将几何特征和本体规范对比,自动生成"设计合规性报告",标出不符合点和建议修改方式

这不是猜想。西门子、达索等 CAD 厂商都在这个方向做产品,国内也有几家创业公司在做基于 LLM 的设计规范审查工具。

场景二:自然语言问设备历史

维修工程师拿着设备编号问 Agent:"这台泵上个季度有几次非计划停机,每次停机前的振动传感器数据有什么规律?"

以前的回答过程:从 EAM 找停机记录,从 SCADA 找传感器数据,从 CAD 找设备结构图,三个系统三次手工查,合并分析。

有了本体层的 Agent:

  • 本体知道"这台泵"的设备对象 URI,关联到 EAM 记录、SCADA 数据点和 CAD 文件

  • Agent 调三个系统的 API,自动取数

  • LLM 汇总分析,给出"上季度非计划停机 3 次,每次前 24h 振动频率均出现 12-15Hz 异常峰值,建议检查轴承游隙"

关键是:这个查询不需要人知道"这台泵"在三个系统里叫什么——本体层维护了这个对象的全部身份标识。

场景三:参数化设计的语义自动标注

更前沿一点的方向。

参数化 CAD 设计里,工程师改一个参数(比如轴径从 φ50 改到 φ55),会触发关联参数的自动更新(轴承规格、配合孔径、键槽尺寸...)。这是几何层的参数联动。

如果加上本体层,这个"参数变更"可以自动触发语义层的联动:

  • 更新本体层里该零件的关键特性(轴径 φ55)

  • 检查是否影响配合零件的公差要求

  • 检查是否影响相关工艺参数(新轴径需要不同的磨削参数)

  • 推送提醒给工艺工程师:"轴组件 EC-001 几何参数变更,以下工艺参数可能需要复核"

几何变更 → 语义联动 → 跨系统通知,形成闭环,而不是几何变了、业务没跟上。

落地方向:从哪里开始

讲完了为什么和能做什么,回到最现实的问题:普通制造企业怎么起步?

同前面几篇文章提到的类似,从"建完整的 CAD 本体模型"开始不是个好主意。给每一个 CAD 零件建语义模型,在企业有几万、几十万个零件的情况下,工作量会把你压垮。

更稳的起点是:从高价值的、变更频繁的核心零部件入手,具体走三步。

第一步,锁定高价值对象。选 20-50 个核心零件(通常是关键功能件、故障率高的件、或者变更最频繁的件),先给这些零件建语义绑定——PLM 节点、ERP 物料、MES 工序、EAM 备件,把四个系统里的 ID 关联到一起。

第二步,建设计-工艺关联知识。对这 20-50 个核心零件,整理关键几何特征(孔系、配合面、关键公差)和对应工艺参数的映射关系。这部分最适合用 Agent + 大模型来做——不需要完整的本体,用结构化文档加向量检索就能跑。

第三步,接变更通知链路。当这些零件发生设计变更(ECN),能自动触发工艺复核通知和跨系统影响评估。这是直接解决"设计变了、工艺没跟上"问题的最短路径。

三步做完,不需要"建完整的 CAD 本体",但你已经有了一个能用的"核心件知识闭环",业务价值看得见,然后可以继续扩展,让投资者看到价值。

一个现实预期

最后说一个坦诚的判断,避免大家对"CAD + 本体论"产生不切实际的期待。

当前阶段,CAD 语义本体的落地还有几个真实限制,说清楚比较好。

首先是 CAD 几何特征识别的 AI 能力还不成熟。自动从 3D 几何提取"孔系"、"配合面"、"焊接接头"等特征,技术上可行,但精度和泛化能力在复杂工业零件上还有差距。现在更多是辅助识别,最终判断还要人确认。

其次是 CAD 标准碎片化严重。SolidWorks、CATIA、NX、Creo——不同 CAD 系统的内部格式完全不同,导出的 STEP/JT 等中间格式会丢失部分语义信息。本体层要覆盖所有主流 CAD,集成成本不低。

还有一个容易被忽视的问题:几何版本和业务版本的同步。工程变更流程走得好的企业,CAD 版本和 PLM 版本是绑定的;走得不好的,CAD 文件夹里几十个 V3_1_A_确认版 文件和 PLM 里的版本完全对不上。本体层做不到神奇地解决这个基础数据管理问题。

这些不是否定这个方向,而是设定合理预期。先从基础数据健康度抓起,再叠加本体语义层,才是可持续的路。

写在最后

数字孪生这个概念被过度神化了。真正的数字孪生,不是一个漂亮的 3D 展示台,而是一个能回答工程问题的知识系统——它知道自己是什么、在哪里、和谁有关、受什么约束、历史上发生过什么。

CAD 数据提供几何基础,本体论提供语义结构,两者缺一不可。

不过不用着急把两者一步到位整合,工程界三十年来一直在摸索这件事(STEP 标准发布已经超过 30年了),这不是一个能靠一个项目解决的问题。可行的路是:从核心零件开始,建语义绑定,做设计-工艺知识闭环,逐步扩展。

   
3   次浏览       
相关文章

基于图卷积网络的图深度学习
自动驾驶中的3D目标检测
工业机器人控制系统架构介绍
项目实战:如何构建知识图谱
 
相关文档

5G人工智能物联网的典型应用
深度学习在自动驾驶中的应用
图神经网络在交叉学科领域的应用研究
无人机系统原理
相关课程

人工智能、机器学习&TensorFlow
机器人软件开发技术
人工智能,机器学习和深度学习
图像处理算法方法与实践

最新活动计划
UAF架构体系与实践 7-23[北京]
SysML和EA系统设计与建模 7-16[深圳]
Spec 驱动开发(SDD)实战 7-28[北京]
AI辅助软件测试方法与实践 7-31[在线]
AI智能体开发技术实践 8-6[上海]
基于UML和EA系统分析设计 8-20[上海]
 
 
最新文章
AIGC技术与应用全解析
详解知识图谱的构建全流程
大模型升级与设计之道
自动驾驶和辅助驾驶系统
ROS机器人操作系统底层原理
最新课程
人工智能,机器学习和深度学习
人工智能与机器学习应用实战
人工智能-图像处理和识别
人工智能、机器学习& TensorFlow+Keras框架实践
人工智能+Python+大数据
成功案例
某综合性科研机构 人工智能与机器学习
某银行 人工智能+Python+大数据
北京 人工智能、机器学习& TensorFlow
某领先数字地图提供商 Python数据分析
中国移动 人工智能、机器学习和深度学习