摘要

本文系统概述数字孪生技术, 包括数字孪生技术的内涵、研究方向、应用领域等。

作为一种快速发展的新兴技术, 学术界针对数 字孪生的建模、数据采集、传输与处理、数据驱动与 模型融合控制、安全性等方面开展了广泛的研究。

Part 1数字孪生的定义及内涵

数字孪生 (Digital twin, DT) 是一种实现物理系统向信息空间数字化模型映射的关键技术, 它通过充分利用布置在系统各部分的传感器, 对物理实 体进行数据分析与建模, 形成多学科、多物理量、多时间尺度、多概率的仿真过程, 将物理系统在不同真实场景中的全生命周期过程反映出来.

借助于各种高性能传感器和高速通信, 数字孪生可以通过集成多维物理实体的数据, 辅以数据分析和仿真模拟, 近乎实时地呈现物理实体的实际情况, 并通过虚实交互接口对物理实体进行控制.

数字孪生的基本概念模型如图 1 所示：

它主要由三部分组成:

物理空间的物理实体;

虚拟空间的虚拟实体;

虚实之间的连接数据和信息.

就数字孪生的概念而言, 目前仍没有被普遍接受的统一定义.

数字孪生在发展过程中随着认知深化, 主要经历了三个阶段:

1、数字样机阶段：

数字样机是数字孪生的最初形态, 是对机械产品整机或者具有独立功能的子系统的数字化描述;

2、狭义数字孪生阶段：

由 Grieves 教授提出, 其定义对象就是产品及产品全生命周期的数字化表征;

3、广义数字孪生阶段：

在定义对象方面广义数字孪生将涉及范围进行了大规模延伸,从产品扩展到产品之外的更广泛领域.

世界著名咨询公司 Gartner 连续三年将数字孪 生列为十大技术趋势之一，其对数字孪生描述为: 数字孪生是现实世界实体或系统的数字化表现. 因此,数字孪生成为任何信息系统或数字化系统的总称.

Part 2 数字孪生的研究现状

1模型与建模方法

数字孪生建模的首要步骤是创建高保真的虚拟 模型, 真实地再现物理实体的几何图形、属性、行为和规则等，这些模型不仅要在几何结构上与物理 实体保持一致, 而且要能够模拟物理实体的时空状态、行为、功能等。

由于数字孪生包含多种多样的子系统, 传统的建模方法可能无法精确地对整个数字孪生系统进行描述, 同时, 对于整体数字孪生 系统的建模, 还没有一致的结论. 当前, 数字孪生建模通常基于仿真技术, 包括离散事件仿真、基于有限元的模拟等 , 通常基于通用编程语言、仿真语言或专用仿真软件编写相应的模型 . 但是, 仿真对于实际系统运行过程仅具有指导作用, 因此, 数字 孪生建模的主要思想是以数据补充和完善仿真模型, 实现对物理实体的实时、高置信度仿真预测.

基于现存方法，已经产生了一些数字孪生模型，按照其模式可以分为通用模型和专用模型, 其中,专用模型是当前研究的热点。

数字孪生模型的研究内容主要涉及概念模型和模型实现方法, 其中, 概 念模型从宏观角度描述数字孪生系统的架构, 具有一定的普适性; 而模型实现方法研究主要涉及建模语言和模型开发工具等。

表 1 对一些数字 孪生模型进行了总结, 未来, 数字孪生模型还需要 在对接行业标准架构、建立统一描述方法和规范等 方面加强研究。

2传输与处理

数据是连接物理空间和虚拟空间的桥梁, 是实 现 CPS 的关键基础。数据采集主要通过可靠传感 器及分布式传感网络对物理设备数据进行实时准确 的感知获取, 是实现数字孪生的一项重要技术.

数字孪生数据采集的基本要求是：

实时性

数字 孪生精准建模和精确控制需要根据采样数据进行, 因此, 对于信息传输和处理的时延具有较高的要求; 同时, 完整系统的数字孪生往往需要很多传感器单 元, 它们之间的时间同步也非常重要.

分布式

基于大量的传感器采集和处理信息, 需要协调各传 感器的任务, 实现分布式的信息汇总.

容错性

数据采集过程中需要传输, 会带来数据丢失等问题, 同时, 传感器采集过程中也会带来一定的噪声, 因 此, 数据采集过程必须具有一定的容错性, 才能保 证数据的真实可靠. 传统的传感器网络缺乏实时 性、同步性和容错性, 难以满足数字孪生系统的要 求. 当前, 数据传输的研究重点是传输协议、拥塞控制和服务质量 (Quality of service,QoS) 管理。

目前通用的网络传输协议 (如 TCP/IP) 基于尽力传输的思想, 对于高实时性要求 的数字孪生系统, 很难保证传输效果, 不可预测的 传输时间将影响虚拟实体的可靠性, 甚至导致整个 系统不稳定.

在实际中, 数字孪生系统处于复杂的环境中, 外界环境对传感器精度的影响、数据传输过程中的 数据丢失等使得获取的数据存在一定的误差,因此需要进一步的数据处理.

通常,数字孪生传感数据具有多源、异构、多尺度、高噪声等特点, 因此,首先需要对数据进行清洗, 通过机器学习、规则约 束等算法对数据缺失、数据冗余、数据冲突与数据 错误等问题进行处理。

接着, 需要对多种传感器采集的数据进行融合，以提升孪生数据的鲁棒性和可靠性, 拓展虚拟实体的建模维度, 常用的多传 感器融合方法包括模糊集理论、神经网络、小波分析、支持向量机等。

在数字孪生中, 通常基于物 联网中间件、特征提取、信息融合等方法将传感器 数据与模型进行融合映射.

3数据驱动与模型融合协同控制

复杂的物理系统往往很难建立精确的数理模 型, 无法通过解析数理模型的方式对其进行状态评估和控制优化, 数字孪生采用数据驱动的方式利用 系统的历史数据和实时运行数据, 对数理模型进行更新、修正、连接和补充 , 融合系统机理和运行数 据, 能够更好地实时动态评估系统.

数字孪生中 数据驱动与解析模型相结合的方式主要有两种, 一 种是以解析模型为主, 基于数据对解析模型进行修 正; 另一种是将两种方法并行, 基于对两者结果的 组合评估得出最终的结果. 常用的解析模型包括 3D 结构模型、流程模型、多物理场模型、 GIS 模型、力学模型等, 常用的数据分析方法包括 神经网络、强化学习、迁移学习、遗传算法 等.

4交互与协同

交互与协同是数字孪生的关键环节, 虚拟实体通过传感器数据监测物理实体的状态, 实现实时动态映射, 再在虚拟空间通过仿真验证控制效果, 并 通过控制过程实现对物理实体的操作 .

数字孪生中的交互与协同包括物理 − 物理、虚拟 − 虚拟、物理 − 虚拟等形式, 涵盖人、机、物、环境等多种要素. 其中, 物理 − 物理交互与协同可以使物理设备间相 互通信、协调与协作, 以完成单设备无法完成的任 务 ; 虚拟 − 虚拟交互与协同可以连接多个虚拟模 型, 形成信息共享网络 ; 物理 − 虚拟交互与协同使虚拟模型与物理对象同步变化, 并使物理对象可以根据虚拟模型的直接命令动态调整 .

当前, 数字孪生深层次交互与协同方面的研究还比较少 , 仅在实时数据采集、人机交互等理论上有部分研究.

“物理融合、模型融合、数据融合、服务融合”四个维度的融合框架，可以为实现数字孪生的交互与协同提供参考框架, 其中：

物理融合能够基于物联网 智能互联协议实现系统异构要素的智能感知与互联, 并精准控制复杂动态环境下系统异构资源的行为协同, 相关技术包括智能感知与互联技术、数据传输与融合技术、分布式控制技术等, 能够为物理 − 物理层面的交互与协同提供支撑;

模型融合主要涉及多维模型的构建、评估与验证、关联与映射、 融合等过程, 从而形成一个完整的、高保真的虚拟 实体映射模型, 进而为虚拟 − 虚拟层面的交互与协 同提供支撑;

数据融合基于清洗、聚类、挖掘、融合 等方法对实时传感数据、模型数据、仿真数据等进 行挖掘, 真实刻画系统运行状态、要素行为等动态 演化过程和规律；

服务融合基于孪生数据分析驱动并影响物理实体和虚拟实体的运行 , 为系统 的智能管理和精准管控提供决策支持. 因此, 数据融合与服务融合共同实现物理− 虚拟双向交互与协同过程.

虚拟现实 (Virtual reality, VR)、增强现实 (Augmented reality, AR)、混合现实 (Mixed reality, MR) 称为 3R 技术, 是一类以沉浸式体验为特 征的人机交互技术 , 被视作是一类实现数字孪生 交互与协同的有效手段, 得到了广泛的研究.

然而, 当前的研究仅仅局限在将 3R 作为人机交互的手段或视觉呈现的接口, 没有将 3R 与数字孪生有效结合. 未来, 如何将 3R 技术结合到数字孪生架构中, 为虚拟实体、物理 实体和人的深度信息交互与协同提供支持还需要进 一步研究. 同时, 3R 技术应用到数字孪生还存在大 量高精度传感器布置等技术难点, 此外, 3R 技术本身发展还不成熟, 存在实时三维建模、精准定位等技术瓶颈也亟待突破和提升.

5安全性技术

数字孪生具有虚实交互、泛在互联、开源共享 等特点, 一方面, 传统设备多为长期处于封闭环境 下的简单设备或分布式的云计算设备等, 本身存在 一定的安全漏洞, 容易受到攻击或篡改; 另一方面, 数字孪生需要实现物联网、大数据等的大融合, 安 全问题更加复杂.

同时, 数字孪生系统相比于传 统信息系统其虚拟系统与物理系统的联系更加紧 密, 数字孪生的安全性一旦被破坏, 将导致物理系 统受到严重影响, 因此, 数字孪生的安全性研究至 关重要.

然而, 当前针对数字孪生系统安全的研究 较少, 针对 CPS 安全保护的研究相对较为充分. 通 常, 对 CPS 安全保护的研究主要针对系统可能遭 受的攻击进行设计, 常见的攻击类型如拒绝服务攻击 (Denial of service, DoS)、重放攻击和恶意软 件注入等, 对 CPS 中数据的完整性、有效性和保 密性等进行破坏. 针对以上问题, 通常结合主动防 御和被动响应的安全机制, 利用博弈论等设计主动/ 被动的 CPS 防御算法和体系.

6服务应用

数字孪生服务的相关理论包括服务封装、服务 匹配与搜索、服务质量建模与评估、服务优化与集成、容错管理等。

服务封装使数字孪生按照统一的 接口调用不同的函数实现相应的功能; 服务匹配与 搜索使数字孪生能够根据客户需求选择合适的服 务; 服务质量建模与评估包括定量评估算法和动态 更新技术, 使数字孪生能够对服务质量进行评估; 服务优化与集成帮助选择最优的服务或服务组合; 服务容错管理包括故障检测、故障确定等. 基于服 务理论的研究使数字孪生能够为客户提供最优的服务.

目前, 对数字孪生在故障检测、寿命预 测、运行状态监测等方面的服务应用已经 开展了一定的研究, 不仅催生了许多新的服务类型 和服务模式, 而且通过数字孪生加强了已有服务的 能力。相关研究通过建立标准接口或模型为数 字孪生服务提供支持,但是, 服务搜 索与匹配、服务质量建模与评估、容错管理等问题 还没有得到深入研究, 这些将是驱动未来数字孪生 服务研究的重要范式.

Part 3 数字孪生的应用

基于对上述数字孪生研究方向的研究, 本文总结了数字孪生在供应链管理、智能车间、装备制造、 产品研发、故障诊断、智慧城市等场景的应用.

1供应链管理

在传统的供应链管理中,经常因信息掌握不及 时而导致决策失误,供应链系统复杂、效率低、响应速度慢, 存在不可预测的风险. 近年来, 随着信息化技术的应用, 供应链管理技术取得了较大的进步. 随着物联网技术的深入发展和广泛应用, 供应链不 断产生数据, 如何利用这些数据不断优化完善供应链网络, 提升流程的灵活性同时满足用户的多元化需要, 是决定企业在竞争中成败的关键因素.

将数字孪生模型引入供应链管理中, 可以通过数字化表 示供应链管理中的实体或系统连接不同组织的流 程、技术、产品、服务等, 实时监测、预测供应链的变 化, 简化业务流程, 提升决策效率.

世界最大的轴承制造商斯凯孚 (Svenska Kullagerfabriken, SKF) 已经将数字孪生模型应用到其分销网络中 , 该模型包含 800 个库存量单位的主 要数据, 涵盖 5 个系统的 40 个安装单元, 使供应链 管理人员能够基于数字孪生的可视化和完整视图进 行全球化供应链管理决策.

将数字孪生引入供应链管理,可以实现:

1)实时在线响应。基于供应链实时数据可视化, 可以提高决策响应的速度;

2)通信与协作。供应链各参与方可以加强通信与协作;

3)智能优化。基于数字孪生对数据的分析预测, 可以实现有效的人机协同决策, 优化管理;

4)整体决策。通过对供应链参与方的全局视图, 企业可以进行全局决策.

但是, 数字孪生在供应链中的应用还面临着节点数据采集困难、建模环境复杂、缺少数字孪生标准、数据所有权及数据滥用和安全等问题.

2智能车间

全球性的产能过剩, 导致企业间的竞争越来越 激烈, 如何提升生产效率、缩短产品周期, 成为世界 各国关注的问题. 车间是制造业的基础组成部分, 如何提升车间的智能化水平, 实现生产流程数字化 是目前关注的焦点. 但是, 目前用传统的虚拟车间、 数字化车间设计的智能车间存在非实时交互、数据利用率低等问题.

基于数字孪生技术, 能够有效提升车间生产过程的透明度并优化生产过程.

Tao 等率先提出数字孪生车间的概念模型, 该模型主要包括物理车间、虚拟车间、车间服务系 统和车间孪生数据四部分, 通过物理车间与虚拟车 间的双向映射与实时交互, 实现物理车间、虚拟车 间、车间服务系统的全要素、全流程、全业务数据的 集成和融合, 在车间孪生数据的驱动下, 实现车间 生产要素管理、生产活动计划、生产过程控制等。在物理车间、虚拟车间、车间服务系统间的迭代运行, 从而达到车间生产和管控的优化运行.

构建数字孪生车间, 实现车间信息与物理空间的互联互通 与进一步融合将是车间的发展趋势, 也是实现车间 智能化生产与管控的必经之路。

3智能制造

制造设备是生产制造过程的基本单元, 数字孪生可以通过对制造设备、制造过程的虚拟仿真, 提 高制造企业设备研发、制造的效率, 为解决面向产品全生命周期的管理和升级提供支持.

数字孪生可以应用到制造过程的设备层、生产线层、工厂层等不同的层级 .

在设备层, 数字孪生可以在产品设计时就创建一个数字虚拟样机 , 在虚拟样机中同时构建其机械、电气、软件等模型, 在 虚拟环境中验证制造过程并提前发现可能出现的问 题.

在生产线层级, 可以通过数字孪生刻画生产线不同工序之间的装配流程 , 提前对生产线中的安 装、测试工艺进行仿真测试, 当虚拟生产线测试通过后, 实际生产线便可以直接安装使用, 进而大大 降低生产线安装成本.

在设备层和生产线层的基础 上, 可以建立整个制造工厂的数字孪生, 构建计划、质量、物料、人员、设备的数字化管理.

4故障预测和维护

数字孪生诞生之初的应用就是飞机的故障预 测, 故障预测和安全运维对飞机、船舶等大型设备 和基础设施至关重要, 通过高保真、实时更新的虚 拟模型进行产品的全生命周期管理，也是数 字孪生的重要研究方向. 大型设备的故障预测和健康管理是一项十分复杂的工作, 这一方面是由于该 类设备整体上结构异常复杂, 内部各组成部分之间 关联紧密, 另一方面受制于实时数据的缺乏.

基于 数字孪生进行故障预测和设备维护, 能够基于动态实时数据快速捕捉故障, 准确定位故障原因, 同时 评估设备状态, 进行预测维修.

基于数字孪生进行装备设备的故障预测和维 护, 首先需要建立其电子、机械三维模型, 接着, 根据外场数据分析, 梳理典型高发的故障模式, 建 立产品典型的故障模式及原因分类库, 再综合考虑 产品中的机械、电子产品的多物理结构, 建立系统 级的多物理多应力下的仿真模型, 并根据各类试验 结果, 对设备的关键特征参数、应力及机理模型进 行修正, 最终形成数字孪生基准模型. 在使用过程 中, 通过传感器不断进行虚实数据交换, 并基于数 据修正虚拟模型, 最终实现对物理设备的精准描述, 同时, 通过对物理实体使用数据、故障数据、维修数 据的更新, 计算其损耗, 预测设备的剩余寿命, 并指 导维修决策.

5产品研发

产品设计是大部分产品在研发中耗时最长, 成 本最高的阶段, 因此早期产品设计的快速更新迭代 十分重要.

计算机辅助设计是当前产品设计研发的 主要辅助手段,但是,计算机辅助设计存在以下主 要问题:

1)缺乏完整有效的产品全生命周期数据,无法形成有效的数据库支持, 需要进行大量重复性工作;

2)模型复杂, 建模难度高且难以理解;

3)仿真验证方法不够精准, 产品原型验证困难, 周期长.

针对上述问题, 将数字孪生引入产品设计研发, 能够帮助用户以更少的成本和更短的时间将产品推向市场. 数字孪生能够在虚拟空间中复现产品和生产系统, 使产品和生产系统的虚拟模型和物理模型实时交互。

在数字孪生中, 产品的虚拟模型和物理模型实时交互大量的数字孪生数据, 能够支持建立相应的产品设计知识数据库, 并提供一定的设计辅助

同时, 基于对孪生数据的分析, 可以帮助解析部分 复杂的物理模型, 降低设计的难度. 最后, 虚拟实体 与物理实体精准映射、共同进化，通过对比虚拟 实体与物理实体之间的误差, 能够发现设计和实际 系统之间的误差, 帮助快速验证系统原型设计。

6智慧城市

2008 年, IBM 提出 “智慧地球” 的理念, 引发 了建设智慧城市的热潮. 近年来, 一些国家开始将 数字孪生应用到建设智慧城市中.

可以基于数字孪生五维模型构建数字孪生城市,其基本框架如图 3 所示：

通过数字化建模仿真构建城市的虚拟模型, 基于在城市各 个层面布设传感器采集物理城市的实时数据, 结合 虚拟城市的仿真数据和城市传感数据, 驱动数字孪 生城市的发展和优化, 最终实现为城市市政规划、 生态环境治理、交通管控等提供智慧服务.

7智慧医疗

随着近几年人工智能 (Artificial intelligence, AI) 及大数据技术的飞速发展, 诸多领域借助相关 技术取得重大突破, AI 技术正在逐步走进医疗领 域. 其中, AI 辅助医疗决策是一个研究的热点, 其 主要应用是通过大数据、机器学习和自然语言处理 等智能技术, 学习医疗知识、挖掘病历数据、分析医 学影像等, 从而帮助医生诊断疾病, 为患者治疗方 案的确定提供依据并推荐治疗方案。

虽然已有的智能决策系统取得了一定的成果, 但是在实际应用 中仍然存在一些问题:

1)现有智能诊疗系统过多需要医生参与,不利于医生诊疗效率的提高;

2)现有的智能诊疗系统覆盖医疗领域不够全面,对专科医生的意义不大;

3)对于慢性疾病的诊疗,需要对患者身体进行长期的监测和管理, 现有智能诊疗系统大多只限于医院门诊中.

8其他应用

除上述领域外, 数字孪生技术在卫星/空间 通信网络、石油天然气、能源、农 业、建筑、环境保护、军事作战等领域均有 应用潜力. 例如对石油勘探的远程管理, 对电厂的 健康管理和电网的规划运营维护, 对农作物和家畜的健康监护等。