老码农眼中的数字孪生
数字孪生，自2016年起连续４年被Gartner列为十大战略科技发展趋势之一。数字孪生技术作为解决数字模型与物理实体交互难题，践行数字化转型理念与目标的关键使能技术，在支撑产品研制业务全流程、助力科研生产和管理的融合创新方面将发挥重要作用。
那么什么是数字孪生呢？
与物联网又有什么关系呢？
与企业的数字化转型又有什么关系呢？
1. 什么是数字孪生
数字孪生的雏形 “镜像空间模型” 最早由美国密歇根大学Michael Grieves于2003年在产品全生命周期管理（PLM）课程中提出，随后在与NASA以及美国空军的合作过程中对该概念进行了富，强化了基于模型的产品性能预测与优化等要素，并将其定义为 “数字孪生”。
数字孪生是一种旨在精确反映物理对象的虚拟模型，需要给研究对象配备与重要功能方面相关的各种传感器。这些传感器产生与物理对象性能各个方面有关的数据，例如，能量输出、温度和天气条件等等，然后将这些数据转发至处理系统并应用于数字副本。一旦获得此类数据，虚拟模型便可用于运行模拟、研究性能问题并生成可能的改进方案；所有这些都是为了获取富有价值的洞察成果，然后将之再应用于原始物理对象。
数字孪生是物联网里面的一个概念，通过集成物理反馈数据，辅以人工智能、机器学习和软件分析，在信息化平台内建立一个数字化模拟。这个模拟会根据反馈，随着物理实体的变化而自动做出相应的变化。理想状态下，数字孪生可以根据多重的反馈源数据进行自我学习，几乎实时地在数字世界里呈现物理实体的真实状况。数字孪生的反馈源主要依赖于各种传感器，如压力、角度、速度传感器等。数字孪生的自我学习( 或称机器学习) 除了可以依赖于传感器的反馈信息，也可以是通过历史数据，或者是集成网络的数据学习。
2. 数字孪生的技术架构
数字孪生技术架构可以按技术特性分解为专业分析层、虚实交互层和基础支撑层 ，以安全互联和高性能并行计算作为数字孪生技术的基础，利用基于ＰＬＭ 的数据管理技术支撑产品全生命周期的数据管理，通过精细化建模与仿真技术实现对产品的精细化数字表达，基于信息物理系统对数据进行实时采集，结合数据模型融合技术和交互与协同技术进行虚实交互，从而实现智能决策、诊断预测、可视监控、优化控制等。
精细化建模与仿真指从几何、功能和性能等方面对产品进行精细化建模与跨领域多学科耦合仿真，连接不同时间尺度的物理过程构建模型，从而精确地表达物理实体的形状、行为和性能等。数据模型融合指基于数据对多领域模型进行实时更 新、修正和优化，实现动态评估。基于信息物理系统的数据实时采集一般指基于CPS通过可靠传感器及分布式传感网络实时准确地感知和获取物理设备数据。基于PLM的数据管理指以平台架构为基础， 形成集成产品信息的框架，使所有与产品相关的 数据高度集成、协调、共享。交互与协同指利用虚拟现实 、增强现实 、混合现 实等沉浸式体验人机交互技 术，实现数字孪生体与物理实体的交互与协同。安全互联技术指对数字孪生模型和数据的完 整性、有效性和保密性进行安全防护、防篡改的技术。高性能并行计算指通过优化数据结构、算法结 构等提升数字孪生系统搭载的计算平台的计算性能、 传输网络实时性、数字计算能力等。
与物联网的技术架构类似， 数字孪生也可以按照应用实现的视角形成4层以及5层架构。
从基础数据采集层到顶层应用层,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。
3. 数字孪生的能力模型
从过程演化角度可以建立数字孪生的“定义、展现、交互、服 务、进化”五维度能力模型,如下图所示：
-
定义是通过软件的方式定义客体；
-
展现是多维度的客体可视化；
-
交互是与物理客体的紧密融合；
-
服务是为物理客体增值赋能；
-
进化是基于数据的迭代优化。
数据是整个能力模型的基础，五大能力围绕数据来发挥作用和效能,数据与五大能力之间的联系主要由高性能传感器数据采集、高速数据传输和全寿命周期数据管理3个部分支撑。高性能传感器数据采集中采用先进传感器技术及分布式传感技术使整个数字孪生体系能够获得更加准确、充分的数据源支撑;高速数据传输中采用高带宽光纤技术使得海量传感器数据的传输不再受带宽的限制;全寿命周期数据管理中采用分布式云服务器存储技术提供了平台保障,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快速可靠得完成。
4. 数字孪生的技术集成
下图引自 NASA OCT的技术路线图，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中不断发展。
该范例通过集成多种先进技术，实现多物理、多尺度的集群仿真，利用高保真建模和仿真技术以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。
5. 数字孪生的产品生命周期管理
通过构建与实物产品完全对应的数字孪生体， 在安全互联技术、高性能并行计算技术提供支撑的基础上，利用基于ＰＬＭ 的数据管理技术对产品全生命周期的数据进行管理，可以从设计、生产、试验、培训、运维５个方面推进面向产品全生命周期开展数字孪生技术的研究与应用，如下图所示。
在设计过程中形成的各类精细化数字仿真模型是构建后续生产、 试验、培训和运维数字孪生体的核心。通过面向生产过程的模型， 结合生产过程中采集的数据，形成生产过程的数字孪生体，并采用数据模型融合技术，开展智能化加工检测及虚实映射的装配对接，从而实现生产过程数字孪生技术的应用。通过构建试验产品模型、试验设备模型、试验场景模型、试验环境模型等面向试验过程的模型，采用分布式控制、流程建模仿真等技术，形成试验数字孪生体。开展流程规划仿真、应急处理演练仿真和数字合 练仿真等，实现产品使用性能和操作流程预示， 为提升产品使用效率提供辅助优化手段。通过构建产品故障诊断模型和寿命预测模型等面向运维过程的模型，采用机器学习、VR/AR等交互协同技术，开展虚实结合维修保障，从而实现运维过程数字孪生技术的应用。
6. 数字孪生的成熟度模型
从物理实体、数字孪生模型、数字孪生数据、连接交互和功能服务出发，根据连接交互方式与自动化程度的不同，以数字孪生所能提供的功能服务为主线，可以将数字孪生分为六个成熟度等级，如下图所示。
具体而言，以虚仿实指利用数字孪生模型对物理实体描述和刻画，具有该能力的数字孪生处于其成熟度等级的第零等级（L0），满足此要求的实践和应用可归入广义数字孪生的概念范畴。以虚映实指利用数字孪生模型实时复现物理实体的实时状态和变化过程，具有该能力的数字孪生处于其成熟度等级的第一等级（L1）。以虚控实指利用数字孪生模型间接控制物理实体的运行过程，具有该能力的数字孪生处于其成熟度等级的第二等级（L2）。以虚预实指利用数字孪生模型预测物理实体未来一段时间的运行过程和状态，具有该能力的数字孪生处于其成熟度等级的第三等级（L3）。以虚优实指利用数字孪生模型对物理实体进行优化，具有该能力的数字孪生处于其成熟度等级的第四等级（L4）。虚实共生作为数字孪生的理想目标，指物理实体和数字孪生模型在长时间的同步运行过程中，甚至是在全生命周期中通过动态重构实现自主孪生，具有该能力的数字孪生处于其成熟度等级的第五等级（L5）。
7. 数字孪生的实现示例
数字孪生技术是对原有建模设计技术的优化和提升，通过建立虚拟环境与现实环境间的映射关系，对虚拟环境进行模拟分析，大幅度降低现实环境操作的难度和制约。下面以现场网络为例，看一下具体与物联网相结合的实现。
现场网关键技术包括：
-
a）RFID、NFC（近场通信）等新型无源物联技术，主要应用场景包括出入库管理和资产盘点等；
-
b）Wi-Fi、IrDA（红外数据传输）和 D2D（设备到设备）等超低时延、超高可靠新型短距离通信技术，主要应用场景包括 AGV（自动导引车）控制和机械臂管理等；
-
c）PLC（电力线通信）、工业总线和工业以太网等确定性传输技术， 主要应用场景包括数控机 床和机器人等 ；
-
d）NB-IoT（窄带物联网 ）、LTE、ZigBee、eMTC（增强型机器类通信）、LoRa、SigFox等中 低速通信技术，主要应用场景包括环境监测、控制开 关和音频设备控制等；
-
e）RTT（往返时间）、AoA（到达角度）、POA（到达相位）等精确定位技术，主要应用场景包括定位终端和定位信标等。
5G 具有高速率、低时延、大连接和高可靠等特点，非 常契合数字孪生的数据传输需求， 能够有效保障物 理实体与虚拟实体之间的海量数据交互、 低时延数 据传输、多设备互联互通，从而更快、更好地实现数字孪生的应用落地。6G 的目标是充分利用低中高全 频谱资源，构建空、天、地一体化全球覆盖网络，提供完全沉浸式交互场景，支持精确的空间互动，实现物理世界的智能互联和数字世界的实时互动， 精确映射物理世界的真实状态， 在虚拟世界仿真推演并科 学预测结果， 助力人类走进虚拟与现实深度融合的 全新时代，进而实现数字孪生的美好愿景。
数字孪生作为物理世界映射到数字时间的技术，是物联网技术的具体发展趋势之一。
【参考资料与关联阅读】
-
https://www.ibm.com/cn-zh/topics/what-is-a-digital-twin
-
朱惠斌.国内外数字孪生技术研究进展与实践展望[J].信息通信技术, 2022, 16(5):75-80.
-
郎为民,田尚保,李宇鸽,等.数字孪生技术架构研究[J].电信快报, 2022(8):6.
-
陶飞,张辰源,戚庆林,等.数字孪生成熟度模型[J].计算机集成制造系统, 2022(005):028.DOI:10.13196/j.cims.2022.05.001.
-
刘大同,郭凯,王本宽,等.数字孪生技术综述与展望[J].仪器仪表学报, 2018, 39(11):10.DOI:CNKI:SUN:YQXB.0.2018-11-002.
-
李海峰,王炜.数字孪生智慧学习空间:内涵,模型及策略[J].现代远程教育研究, 2021.DOI:10.3969/j.issn.1009-5195.2021.03.009.
-
闫晴.数字孪生:风险,溯源及规制[J].国家图书馆学刊, 2022, 31(5):104-112.