智能_工业_随笔+笔记

最新推荐文章于 2025-05-05 19:30:25 发布

xingshanchang

最新推荐文章于 2025-05-05 19:30:25 发布

阅读量628

点赞数 1

文章标签：笔记人工智能

本文链接：https://blog.csdn.net/xingshanchang/article/details/126307201

版权

如何进一步理解数字孪生

【原文：郭朝晖】
最近，某位专家去一家企业，把数字孪生讲得头头是道，企业的人却普遍表示没有听懂。这种现象并不奇怪：对学术界来说，原理清楚就清楚了；但对企业界来说，则需要把创造价值的逻辑讲清楚。讲不清楚价值，就是没有道理。

数字孪生的定义有许多种。在工信部发布的2020版《数字孪生白皮书》中提到的一种比较典型：数字孪生是以数字化方式创建物理实体的虚拟实体，借助历史数据、实时数据、以及算法模型等，模拟、验证、预测、控制物理实体全生命周期过程的技术手段。我想，人们对概念的困惑往往源于“见树木不见森林”：每段话都明白，放在一起就糊涂了。人们会问：为什么要全生命周期？没有数字孪生也可以做仿真、模拟、预测啊？

“日光之下无新事”。几乎所有的概念都会有历史的发展脉络。理解复杂新概念的办法之一，是从简单的老概念开始。然后把场景逐渐深入，直到引出新的概念。下面我们从两条线索分析数字孪生的诞生。

理解数字孪生的线索之一是模型。模型是人们非常熟悉的概念。需要提醒的是：科技界常见的模型有两种。一种是描述各种自然规律的数学模型，如牛顿定律、勾股定理、化学反应方程式等。这种模型本质是一种知识，可以帮助人们从对象的部分信息获取另外一部分信息：从容易得到的信息推知不易得到的信息、从现在的信息推知未来的信息；从可能发生的信息推知对应发生的结果。最后一种情况就做仿真。仿真的目的往往是对模型的反向应用：从已知或期望的结果，寻找对应的原因或者手段。另外一种模型则是对对象属性和结构的描述。设备的3D数字化模型就是典型。从第一性原理看，这种模型的本质优势，在于既便于人类分析和理解、又便于计算机处理，给人机协同打开了方便之门。

理解数字孪生的另外一条线索是控制论。这个理论是自动化的基础，也是信息化、智能化的基础。决策是控制论的核心问题之一，而决策的关键是获取完整、及时、准确的信息和知识。从传统自动化开始，模型就得到了广泛的应用。人们设计控制器时往往首先需要给控制对象建模，并在此基础上设计并测试控制器。但自动化理论针对的模型非常简单，重点是用线性常微分方程组描述的模型。从某种意义上说，这种局限性与工具条件有关：控制理论产生之初，控制器往往是由电感、电容、电阻等电子元件搭建而成的。

“数学是宇宙的语言，是上帝书写世界的符号”。理论上讲，计算机可以给任何客观对象建模。而数字化时代为计算机参与的决策创造了前所未有的条件。决策所需的信息其实包括两个部分：静态信息和动态信息。以设备系统为例。设备的3D 模型、额定功率等属于静态信息，温度、转速等运行参数则是动态信息。在互联网时代，人们不仅能用模型获得系统内部的信息，还可以通过互联网获得系统之外的信息，真正做到了“知己知彼”。再用第一性原理看，其意义在于打开了智能决策之门。

把设备的静态信息存在计算机中、把动态信息传给计算机，同时计算机的控制指令也可以通过网络传给设备。这样就构成了一个典型的智能体CPS——Cyber Physical System。这时，只要有了充分的知识，就可以进行决策。所以，CPS有两种：一种是借助于人的知识、人类参与决策，一种则是自动决策。

从CPS到数字孪生，关键之一是要抓住“全生命周期”的概念。

在数字孪生中，存储的不仅是当前的静态和动态数据，还包含了全生命周期的数据，如历史数据。同样以设备为例，数字孪生不仅包含设备本身的设计数据、制造或安装过程的数据、使用和维护过程的历史数据。

数字孪生的建立理念与模型不同：一般的模型是为了特定目的而建立的。这意味着，模型往往并不包含与特定目标无关的属性。但人们建立数字孪生的目的往往有很多个，甚至可能包含不确定、开放性的目标。数字孪生中的数据，往往是把生命周期过程中产生的数据“顺便”收集起来，而不像过去那样丢弃或保存在数据产生的环节。这样，人们需要这些数据的时候，用起来就方便了。

数字孪生与信息的“端到端集成”有类似之处。传统的信息集成强调把数据联系起来、能够访问到。而数字孪生却倾向于把某个对象生命周期的数据集中起来、统一管理。这种做法显然更加有利于数据的管理和复用。信息集成主要作用是促进业务的协同，重点在跨越空间区域；而数字孪生的优势则是系统调试、投运、持续改进等，重点是跨越时间段。

传递函数、状态方程等自动化理论主要解决相对正常的问题，CPS等智能化手段往往用来解决相对异常的问题。这两类技术主要用于解决预料之中的事情，而数字孪生往往针对预料之外的事情。特别需要说明的是：人类在设计、制造、生产、维护等过程中的错误或不足，就是典型的意外。

以机械设备为例。设计出来的产品，在加工、安装阶段可能会出现各种意外。这时，设计数据就可以用来分析问题出现的根源，有针对性地改进和优化设计、加工或安装工艺。设备的调试和投运阶段是数字孪生最典型的应用场景。这两个阶段是最容易出现意外的。由于数字孪生的静态和动态参数都与物理对象一致，就可以通过仿真的手段去分析各种处置策略的优劣。

这种仿真结果不同于传统的仿真：传统的仿真一般用于设计优化，而这种仿真用于控制或处置策略优化。而这里的控制策略优化也不同于CPS或各种模型控制：CPS或模型控制的策略往往相对简单、往往有预案、甚至是可以自动执行的。数字孪生的处置策略一般要复杂得多，也不一定有预案，可能是人类专家根据当时的情况临时想出来的。同样，在生产、维护等过程中，也可能会出现各种意外，需要人们调出数字孪生的信息加以分析、解决。而上述所有的信息，都可以用于新一代设备的设计过程中，从而提高产品研发的水平。

编过高可靠度程序的人都知道：编程序不难，调试很难；编程要规范，主要是为了便于调试。因为调试中遇到的问题，往往是思维的漏洞导致的。如果能减少程序的错误、缩短调试时间，意义将会非常大。数字孪生的一个重要作用，就像帮助软件工程师调试程序。

数字孪生还可以用于生产过程的优化。这种优化，往往跨越空间、跨越部门、跨越人机，常常属于管控融合的范畴。管理问题和知识的特点之一往往是碎片化的，往往是在长期的生产过程中才遇到的。人们要解决这些问题时，或者把相关知识数字化时，事先很难想清楚需要准备什么样的数据。而数字孪生则把能够准备的数据都准备好了，从而降低持续改进的工作量、尤其是数据整理工作的工作量。所以，数字孪生的一个重要作用，仍然是支持持续优化。日本的IVRA模型，高度强调PDCA持续改进对智能化的作用。

智能化可能是人机共同决策、也可能是机器决策，而数字孪生的应用过程，则往往存在人机互动或协同决策的过程。而人机协同的一个重要原因，是发挥人类智慧和灵活性。在设计、改进过程中，人类智慧就是主导性的。

很多人不理解数字孪生的价值。笔者发现：导致这种现象的一个重要原因是我国多数企业长期依靠国外的技术，从而导致理念上的局限性。如前所述：数字孪生最重要的作用之一，就是提升研发能力和持续改进能力。而我国企业研发设计能力弱、持续改进的意识不强，过度依赖国外技术。这就好比，在牛拉车的时代，人们就很难想象交通灯的重要性。

工业界有种说法：“引进、落后，再引进、再落后”。导致这种现象的一个重要原因，就是我们的引进之后，国外的技术又发展了。换句话说，我们在持续改进的环节上出了问题。特别地，高科技往往是持续改进的结果，飞机发动机、芯片、光刻机、碳纤维都是这样。然而，这些产品中国都是能生产的，问题是质量不如别人。我们被国外卡脖子的技术，往往是在持续改进的过程中失败的。

数字化时代的一个重要作用，是提升企业的管理能力、研发能力和持续改进能力。中国要用数字化方法建立起这样的一种能力，未来就不愁技术落后了。反之，如果我们没有建立这种能力而国外建立了这种能力。我们和国外的竞争，就会像用两条腿和汽车赛跑，差距只会越来越大。

昨天，笔者有幸受邀到中国商飞设计研究院座谈。发现这家企业的年轻人已经清醒地意识到了数字孪生的作用和持续改进的价值，让我非常高兴。

数字孪生与工业机理

人们对数字孪生的困惑，一定程度上源于对一些工业常识的理解不到位。我们对工业常识认识的盲点，又往往在于我们的研发创新环节薄弱、质量意识差。而数字孪生的价值，往往与研发创新、极端高的质量要求有关。很多人对相关知识意识比较肤浅。

现代工业的一个基本常识是：高科技的本质往往是高质量，高科技产品是持续改进的结果。所以，高科技非一日之功。那么如何发展我国的高科技发展呢？本质上就是加快持续改进的速度，最终速度快的战胜速度慢的。对高科技的认识不清，则对持续改进的意义认识不清。数字孪生把需求、设计、制造、使用、维护过程联系起来，把前一代产品与后一代产品的研发设计联系起来，可以有效地促进全生命周期的持续改进。数字孪生可以有效地促进持续改进。在我看来，这应该是数字孪生最重要的作用之一。

产品持续改进是需要“载体”的。这个载体往往是飞机、机床、轧机这样的物质产品。如果这个载体不是自己的、或者不是自己原始设计的，知识就很难沉淀下来，持续改进也就很难。我注意到一种现象：在中国的企业中，华为等从山寨产品起家的企业往往能发展成高科技企业；而直接从国外引进高科技产品的企业最终往往难以成为高科技企业。差别就在于：前者虽然起步较低，但“载体”更给力。缺乏自主设计能力，我们是成不了制造业强国的。自主设计能力弱远比没有要强。我们国家总要求超越国外才能享受创新的待遇。但在我看来，按照这种要求考核，结果常常是拔苗助长：老实人活不下去、活下去的往往是会吹牛皮的。

在推进数字孪生的时候，从设计单位直接推是最容易的。如果产品不是自己设计的或者没有用数字化设计，推动起来自然就困难了。我国研发能力普遍较弱，推动数字孪生的难度自然也就较大。这样就导致了我们对数字孪生的理解容易出现偏差。

改革开发以来，我们的工业企业以引进技术、进行加工制造为主；而我们的产品定位，以中低端为主；我们所谓的创新，以解决具体问题为主。从工业体系来说，这会带来很多盲点。比如，重制造轻研发和服务、重解决问题轻知识积累、重成本轻质量。但是，当我们的国家发展到今天，工业企业面临全面的转型升级。过去轻视的问题，现在需要重视起来了。不重视设计、质量和持续改进的工业，永远都只能是低端的。

数字孪生与工业互联网

在我看来，无论是数字孪生、工业互联网还是CPS，我们过去的20年都接触过类似的想法和观念，甚至做过很多相关和类似的工作。那么，现在提出这些概念和说法的意义到底何在？

为了理解这些技术的意义，我对比了大学里学过的三门课程：计算机语言、程序设计方法学和软件工程。这三门课都是培养软件人才的。学了计算机语言是不是就可以编程了呢？可以的。但是编出程序的质量可能很差、也很不规范。程序设计方法学就是解决这类问题的。接着，随着软件规模的扩大、参与人数的增多、用户需求的复杂，我们会发现：我们往往要学会协同工作、善于采用工程化的思想，才能开发出真正高水平的软件。于是，我们需要学习软件工程。

类似数字孪生、工业互联网、CPS的工作我们都做过。但过去的工作就像学习“计算机语言”，至多算是进入“程序设计方法”的层次。而今天我们遇到的问题，则要进入“软件工程”的层次。

听到一个故事，说中国计划制造某个型号的军用飞机前，举行了一次研讨会。会上，有个即将退休的专家说：我今天不谈怎么造飞机，我们就谈谈将来怎么作战吧。报告引发了极大的轰动。会议结束后，人们发现：需要重新考虑飞机设计的思想。

同样，要理解未来的工业互联网，也要知道未来是怎么用的。

我们知道：工业互联网强调的是大尺度的资源配置和实时协同。空间尺度突破以后，相关问题的复杂性会急剧增加。我们还知道：智能制造基于精益化、标准化，智能制造常常要把人的知识变成计算机的代码。这意味着，针对系统的改变和维护将会成为日常的工作。如果是过去的软件体系，这会对系统的安全稳定性带来极大的冲击，工作量也会暴增。如果这些问题不解决，工业互联网的应用就一定会遇到瓶颈。而这些困难又会进一步反映到对工业互联网架构的要求。所以，工业互联网需要分层结构、来完成类似阿里数据中台和业务中台的功能，还需要数字孪生等等技术来支撑复杂系统的设计。

我给别人讲创新的时候，曾经把A380和玩具飞机放在一起：同样都是造飞机，难度相差极大。未来，同样是工业互联网，性能差别可能也会非常巨大。我们要弄清楚：到底是面向工业的产品，还是“玩具级”的东西。我们国家的科技进步的天花板，很大的原因就是：我们常常喜欢跟随别人的概念，而具体工作一直停留在“玩具级”的东西上，而不是认真地把产品做成工业级。

时培昕 | 第三种数字孪生

原链接：https://mp.weixin.qq.com/s/2lnqOLHIGZq3kjAP6WsRpg

原创时培昕知识自动化 2021-09-09 00:06

全文字数

5700

字

阅读时间

分钟

起源和定义

如果追溯“数字孪生”源头，最初其实只有“物理孪生”（Physical Twin）。

在上世纪六七十年代美国宇航局的阿波罗计划中，建造了多艘相同的太空飞行器，就像“孪生体”。在飞行准备过程中，孪生体被广泛用于训练；在飞行任务期间，它被用来模拟地球模型上的备选方案，其中可用的飞行数据被用来尽可能精确地反映飞行条件，从而在危急情况下协助宇航员做出正确判断。这一方法后来也用于飞机制造业，通过飞机孪生体来优化和验证飞机系统的功能。

随着计算机技术的发展，最初始于“孪生” 的物理实体，越来越多的物理部件被数字模型取代，并扩展至产品生命周期的各个阶段，直至形成与物理实体完全一致的虚拟数字模型，称为“数字孪生”。早在2003年，一直从事产品生命周期管理PLM的Michael Grieves教授，在产品生命周期管理课程中提出镜像空间模型：与物理产品等价的虚拟数字化表达。而到了2010年，美国宇航局NASA首次提出了“数字孪生”的概念，通过虚拟化、仿真技术以及飞行器的实时状态、历史维护、健康管理等数据，利用数字技术对各种物理孪生对象进行替代，以适应现阶段深空探索的需要。随后，NASA发布“建模、仿真、信息技术和处理”路线图，这也使得数字孪生概念正式进入公众视野。2013 年，美空军发布《全球地平线》顶层科技规划文件，将数字主线（digital thread）和数字孪生并列视为“改变游戏规则”的颠覆性机遇，并从 2014 财年起组织美国军火商洛马、波音、诺格、通用电气、普惠等公司开展了一系列应用研究项目。就此，数字孪生理论与技术体系初步建立，美国防部、NASA、西门子等公司开始接受这一概念并对外推广。

当前，数字孪生在工业界和学术界有多种不同的定义和理解，但从根本上讲，数字孪生是以数字化的形式对某一物理实体过去和目前的行为或流程进行动态呈现和反馈。它的真正功能在于能够在物理世界和数字世界之间全面建立准实时关系，这也是它的价值所在。

表1 数字孪生定义

（Source：《数字孪生应用及安全发展综述》）

图片
基于工业界及学术界对数字孪生的定义，《智能制造术语解读》将数字孪生技术定义为：是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生概念包含了几个关键要素：首先是物理实体：即真实存在的产品系统；其次是物理实体的虚拟数字模型: 通过数字化的手段所产生的产品系统的模型和镜像；最重要的是，物理实体和虚拟模型之间的数据和信息交互系统。包括从真实空间到虚拟空间的数据传输:研发阶段的样机和制造、运营阶段的产品向虚拟模型反馈数据从虚拟空间到真实空间的信息和流程:在研发和生产阶段。与此同时，也包括虚拟模型驱动样机和产品的生产;在运营阶段，虚拟模型可以反映和预测真实产品的运营状态，也可以驱动真实产品的更新(包括软件的更新)。

目前行业内对数字孪生的应用场景主要有两大派系，即仿真派和运行派。仿真派主要是指利用计算机辅助仿真(CAE)实现对设计原型在虚拟环境下工作状态的模拟；而运行派则主要是指通过工业物联网技术实现物理设备在真实运行环境中的状态监测和分析。

国外也有人称为产前数字孪生(Pre-Natal Digital Twin)和产后数字孪生(Post-Natal Digital Twin)，说的也是在产品设计仿真阶段和真实运行阶段。

仿真一派（机理模型驱动）仿真派属于机理模型驱动派，主要是由设计仿真软件公司主导，代表性的有达索、西门子、Ansys、Matlab Simulink、AspenTech和国内的安世亚太等厂商。对于仿真软件公司来说，数字孪生往往指的是结合机械、流体力学、光学、热力学、电子等设计原理，利用基于数字化的计算机辅助设计和仿真工具，将现实世界中的物理实体（设备、建筑、交通等），在计算机软件定义的信息空间中通过虚拟的孪生体映射出来，一方面可以让设计阶段有直观的感知和测量能力，而另一方面，结合预设的运行环境和自定义条件的输入参数，结合各种物理模型，可以预测和验证虚拟实体在模拟环境和输入下的系统表现，进而保障设计质量，提高设计的鲁棒性。

仿真技术是实现工业产品及制造过程模拟仿真与优化的核心技术，是支持工程师进行产品创新设计最重要的工具和手段，在保证产品质量的同时能大幅度缩短产品研发周期，节省产品研发成本。

如今，仿真技术已经成为对人类社会发展进步具有重要影响的一门综合性技术学科，种类繁多，例如对流场、热场、电磁场等多个物理场的仿真，对振动、碰撞、噪声、爆炸等各种物理现象的仿真，对产品的运动仿真和材料力学、弹性力学和动力学仿真，对产品长期使用的疲劳仿真，对整个产品的系统仿真，以及针对注塑、铸造、焊接、折弯、冲压等各种加工工艺的仿真，装配仿真，帮助产品实现整体性能最优的多学科仿真与优化，还有针对数控加工和工艺机器人的离线编程与仿真（其中数控仿真又可以分为仅仿真刀具轨迹，和仿真整个工件、刀具和数控装备的运动），以及面向车间的设备布局、产线、物流和人因工程仿真等。

在数字化设计技术和仿真技术发展和集成应用的过程中，产生了 Digital Mockup（DMU，数字原型）、Digital Prototyping（数字样机）、Virtual Prototype（虚拟样机）、Functional Virtual Prototype（全功能虚拟样机）等形态的数字孪生，用于实现复杂产品的运动仿真、装配仿真和性能仿真。

这种数字孪生的定义方式能够将概念或者物理世界中的实体，通过精准的物理模型，映射到计算机的可视化空间中，不仅可以通过可视化形成直观的设计，还可以形成可制造或者工程化的设计资料，并且还能借助计算机软件的数字仿真能力，对设计进行多样化的、可重复的、持续的验证，保证设计原型和制造成果的一致性。

但这种形态的数字孪生，提供的是设计阶段的仿真验证能力，并不涉及到设备真实运行状态的监测和评估。这类数字孪生，大部分是一个开环的设计和仿真，很少考虑到制造出来的设备或者系统，也很少使用到真实环境中的动态数据。而在真实的运行过程中，由于环境的动态、多变和复杂的本质，很多难以在设计和仿真中预计的情况都会发生，往往会造成设备或者系统的实际运行偏离了设计的目标，而产生严重的质量问题，厂商往往不得不被动的一遍一遍根据表现出来的结果修改设计，来满足真实环境的要求，但这种努力往往由于环境和输入的多变性而收效甚微。同时，在高维度下的仿真模型，需要非常大的计算量，因此也很难满足实时分析的要求。

同时，在真实运行环境中，由于传感器本身的安装、部署和成本限制，设备或系统的很多状态数据是难以采集和测量的，因此很多运行状态并不能采集到仿真环境中的各种状态，因此也无法验证是否达到设计目标。

另一方面，在场景非常复杂的时候，特别是输入变量维度多且非线性的复杂场景下，很难用单一的纯机械、化学或者电子类的机理模型来实现对真实场景的精准模拟，这时候传统的仿真工具就难以给出准确的仿真结果。

运行一派（数据模型驱动）

另一类数字孪生，也叫产后数字孪生，指的是通过传感器的数据采集，实现设备状态的实时监控和分析，对设备的性能进行监测、评估和预警。

提供这类数字孪生解决方案的厂商包括GE、西门子、耐德电气、浙大中控、和利时、PTC Thingworx、Software AG Cumulocity、微软Azure以及寄云科技在内的自动化厂商和工业物联网厂商。

这类数字孪生，指的是从设备或者系统的实际运行状态出发，通过传感器的实时采集，将物理设备的实时表现，结合设备或系统的设计文件，将3D设计文件、工艺组态和传感器的数据绑定在一起，通过直观的方式反映当前系统的运行状况，供操作人员进行监视。同时，基于预设的运行条件限制，设置相应的告警，一旦系统的实时指标跳出预设的限制，就产生相应的告警或者自动的控制动作。

同时，基于实时数据的采集，结合机器学习和人工智能的建模分析能力，通过对历史数据的建模和分析，可以构建对特定运行状态的自动识别、特定故障的自动诊断、异常状态的检测、工艺稳定性控制，并且通过神经网络和人工智能技术，基于历史数据实现对未来运行状态的预测能力。

这种数字孪生，实现的是实际运行设备的数字孪生，能够很好的实现对物理设备或者系统实时运行状态的采集和直观的监视，能够提供实时的诊断、预测能力，并且能够在系统偏离监测目标时提供预警和人工干预的能力。

图片
图1 GE数字孪生模型

（Source：GE数字孪生白皮书）

如GE采集大量燃气轮机产生的实时状态数据，并集成一系列包括气象、运营、维护、事件的数据，结合一系列异常监测分析、相似度对比、热力学模型的分析，可以对燃气轮机运行的关键指标进行实时计算、评估、诊断和预测，实现了设备可靠性、运营性能和效率以及安全的提升。

图片
图2 AI加速器

（Source：应用材料公司官网）

再比如全球半导体装备领导者美国应用材料公司，最近刚发布了新一代的智能平台AIx，可以结合设备采集的数百万点的实时数据和基于人工智能的分析，创建设备运行阶段的数字孪生，不仅可以实现对半导体生产过程的实时监测，还可以通过虚拟实验实现对每台设备数千个关键工艺参数虚拟调试和模拟，以满足半导体市场对指标如PPACt(Performance, Power, Area Cost, time-to-market)的持续优化。

但是，由于缺少设计原理和机理模型的导入，这类数字孪生对系统工作状态的解释是不准确的，数字孪生本身无法定义什么是正常的工作状态、什么是异常的工作状态以及运行的目标是什么，只能大量依赖于人工的规则设定，而监测的门限往往都是固定、一成不变的，无法适应动态的工作环境要求；而对运行状态的预测也是跟机理无关的，只能基于历史数据的采集和关联关系进行预测。

同时，由于传感器技术发展、部署条件和成本的限制，不是所有的关键运行状态都能够通过传感器来采集，传感器往往只能采集很少一部分可直接测量的状态，无法全面反映设备的各种关键状态。特别是一些老旧的非自动化的设备，无法配备传感器，就无法实现实时的状态监测。

总的来说目前数字孪生主要是以上两类定义，各自都有应用场景，但都不完整。我们要看到，这两类数字孪生，实际上是产品在生命周期不同阶段的应用，并没有冲突。我们也可以看到，如果能够将这两种数字孪生融合起来，一方面能够在设计仿真阶段就得到更全面的、基于运行数据的模拟和验证，另一方面又能够结合设计原理在运行阶段自动验证是否偏离设计模型定义的目标，同时还能够形成数据和知识的闭环，必定能够为设计、仿真、运行监测和产品优化提供巨大的帮助，构建真正意义上全生命周期的数字孪生。

融合一派：机理模型和数据模型融合

如前所述，如果能够将机理模型和数据模型结合起来，将设计模型和运行的传感器数据结合起来，构建全生命周期的数字孪生，那将融合两种数字孪生的优势，不仅能够极大的提高产品设计的鲁棒性、准确性，降低产品的研制成本，加快产品研发进度，更能有效的提高设备状态监测的有效性，实现性能的精准预判。

在这里，国外的仿真厂商Ansys和物联网厂商PTC Thingworx在电机、泵等设备上的合作，已经提供了很好的参考。

图片
图3 使用ThingWorx将实际的泵与其数字孪生体相连接（Source：《Creating a Digital Twin for a Pump》）

首先通过Ansys专业的仿真工具，对泵、电机等设备基于机理构建起来仿真模型，并通过Ansys Twin Builder开发数字孪生模型，形成轻量级的输入、输出的数值对照表，这个表将作为一个黑盒模型的输入、输出，导入到PTC Thingworx物联网平台中。基于物联网采集的输入参数的传感器数据，查找表中对应的输出结果，就可以得到在特定的真实输入下的预期输出。这种预期输出，可以作为虚拟传感器，进而指导状态监测；同时，也可以作为评判特定传感器（预期输出）的依据，进而实现动态门限的监控，改变传统状态监测固定门限、无法适应动态环境的局限性。

再比如，全球工艺仿真领导者AspenTech宣布已将工业人工智能扩展到其领先的解决方案中，以提高客户运营的盈利能力和可持续性。此外AspenTech提供的AIWorkbench将使数据科学家能够与领域专家合作，基于企业范围的全量数据开发工业智能应用。基于机理模型和数据模型融合的混合模型，AspenTech将AI直接嵌入到 Aspen HYSYS 和 Aspen Plus 过程模拟中，使工程师能够轻松构建工厂的仿真模型，并使用相关工厂数据进行校准。降阶的混合模型可以在工程、规划和动态优化解决方案之间共享，进而提高了这些应用程序的准确性和可预测性。同时，AspenTech开发了基于深度学习的先进过程控制(Advanced Process Control, APC)，可以提供更准确和可持续的运行控制模型，满足更广泛的运行和操作环境。

国内杰出的仿真厂商安世亚太和工业互联网平台厂商寄云科技，也构建了类似Ansys与PTC Thingworx的合作联盟。通过将电机的仿真模型与真实采集的运行数据结合，构建多个基于仿真模型的虚拟传感器，实现更全面的状态监测、性能评估和预测性维护的能力。

图片

图4 合作方案架构

可以看到，通过将物联网采集的数据与仿真模型进行结合，一方面可以在特定输入和既定输出的指导原则下评判真实设备在动态输入变化下设备运行性能的偏离，进而提高监控的有效性和经济性；另一方面，还可以根据仿真模型创建出更多的虚拟传感器，解决传感器部署的问题，实现更全面的测量和监测，降低产品成本。

小记：融合的力量

仿真模型与传感器的结合，不仅能够有效的提高状态监测、设备性能评估的有效性，更有助于改善和优化设计，加快研发进度，提高产品上线的进度。

从设计的角度来说，当前的复杂装备为了适应更广泛的应用场景，往往在设计过程中增加了很多的冗余设计，比如采用更高精度的传感器、增加容错设计、提高产品功率等。但是这些多余的设计成本，能否带来真实性能的提升，往往是没有办法评估的。如果能够将仿真模型和传感器数据结合，就可以有效的评判这些冗余的设计成本是否带来了性能的提升，进而降低产品的成本，加快研发进度。

同时，在很多机理模型受限的复杂运行场景下，基于设备运行的历史数据，结合深度神经网络的训练，可以构建起来基于历史经验数据的控制模型，并将此模型作为仿真模型，纳入到仿真环境中进行验证，也能够极大的加速原型的设计和仿真。

另一方面，复杂装备往往都有非常多的工艺控制参数，这些参数的设置往往需要结合现场的特点和要求进行反复调试，才能满足生产的需要。而在设计仿真阶段，往往只能在有限的场景下模拟真实环境，而无法实现最优配置。基于采集设备的历史传感器数据，结合人工智能对参数进行分析和寻优，构建设计验证阶段的虚拟实验能力，能极大的加快复杂装备在客户现场的调参和上线时间，更能基于持续采集的实时运行数据对设计参数进行调整和优化。

数字孪生正在数字化转型发挥重要的作用。无论是从设计端，还是运行端，二者不同类型的模型和数据的融合，将使得数字孪生更加丰满，给人们提供更好的洞察力。

（注：本文仅代表作者个人观点。）

图片

（点击上图，即可进入购书网页）

《灰度创新：无边界制造》广受企业家好评，同时被评为江苏省宣传部向社会推荐的2021年度12本好书之一。本书用生动的“兔耳朵曲线”探讨了制造业上下游如何打开天窗、推倒围墙，实现供应链伙伴间的协同作战。极具活力的灰度创新，就在40个行业100家企业之中。文字可读性强，理论自洽，具有卷袖子动手的实操性。

世界上真的会有另一个“我”吗？数字孪生：我就是

原链接：https://mp.weixin.qq.com/s/kKm5w_f_Hg4Rh4cENOvHFQ

世界上真的会有另一个“我”吗？数字孪生：我就是
原创海里的咸鱼返朴 2022-06-18 08:00 发表于湖南

点击上方蓝字“返朴”进入主页，可关注查阅往期文章

出品 | 科普中国
作者 | 海里的咸鱼

监制 | 中国科普博览

你听过“扁鹊三兄弟”的故事吗？

据说，魏文王曾经求教于名医扁鹊：“你们家兄弟三人，都精于医术，谁是医术最好的呢？”扁鹊说：“大哥最好，二哥差些，我是三人中最差的一个。”魏文王表示不解，扁鹊说到：“大哥治病是在病情未发作前就下药铲除病根；二哥是在病情刚显现之前就解决症状；我是在病情十分严重之时，用大手术或者以毒攻毒使病人病情得到缓解或者很快治愈，所以我名闻天下，但其实我的医术是最差的。”

这个道理在工业界也是通用的，即在事故未发生之前排除隐患，能够最大程度保障人们的生命财产安全。

工业界有一个著名的海因里希法则，工业安全工程师海因里希在他的《工业事故预防》一书里提到：在1件重大的安全事故背后，必有29件轻度的事故，还有300件潜在的隐患。如果在事故发生之前，抓住时机，及时消除不安全因素，就能够避免许多重大的伤亡事故。

那么谁能在事故出现前解决隐患呢？数字孪生。

什么是数字孪生？

数字孪生（digital twin）技术出现的目的之一就是为了防患于未然，在事故发生之前就解决掉事故隐患。

2012年，NASA给出了数字孪生的概念描述：数字孪生是指充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程，它作为虚拟空间中对实体产品的镜像，反映了相对应物理实体产品的全生命周期过程。

这个概念看起来复杂难懂，但我们看看它的应用就能明白了。

航空发动机是飞机上的重要器件，它的稳定和正常运行，对于确保飞行安全极为重要。航空发动机制造商们，为了有效地检测发动机的运行状态，为其创建了数字孪生。

工程师首先会在电脑里创建发动机的精确虚拟副本。然后，他们在真实世界中为发动机安装各种传感器以收集数据，这些传感器收集到的数据会实时传输给计算机中的数字孪生。

这时只要在虚拟世界中运行发动机，就能模拟在真实世界中的情况。经过长时间的虚拟运行，工作人员就能收集发动机的运行方式并了解其在什么时候需要维护。

图片

正在测试中的发动机，真实世界中无法模拟所有情况，在电脑中却不成问题丨图片来源：The U.S. National Archives

这样，在现实中我们也就能预防性地对航空发动机进行维护，从而大大减少飞机常规的停机维护时间。

不仅如此，在计算机中的运行中，工程师还能测试各种极端、突发条件下的发动机运行情况，这些条件在真实世界中可能很难模拟。这样就能加深对机器的理解，并提高其在各种条件下的可靠性。

数字孪生从何而来？

数字孪生之前，在计算机里对真实世界的物体进行建模和分析的技术早就存在了，并且发展的非常成熟，在各领域得到了广泛的应用。

图片

数字孪生在各个领域都有广泛的应用，图中为海上石油平台的数字孪生丨图片来源：Wikipedia-SumitAwinash

比如在工程领域，如果要修一座桥，这座桥要怎么设计才能够达到最强的承重效果呢？先在仿真软件里建立模型，不断优化模型，然后根据优化好的模型在现实中修建桥梁。

计算机仿真技术是数字孪生技术出现的基础，数字孪生和仿真模型的区别在于数字孪生具有演化性。数字孪生会不断接收实际物体的各类信息，实时调整状态，努力达到与实际物体实时对应的状态。

图片

根据数字孪生提供的信息，电脑发出指令，实时调整物理世界机器的运行参数，以达到最佳运作状态丨图片来源：德勒大学出版社

再举一个与我们生活更相关一点的例子。每台汽车仪表盘上的发动机转速表有一个红区，它表示如果发动机的转速达到这个区间，很可能会出问题，这个红区在汽车的整个生命期间是不变的。

但实际情况是，每辆汽车的使用情况不同，有的汽车保养良好，发动机转速达到红区也没问题；有的汽车使用情况比较糟糕，发动机转速还没达到红区就已经出故障了。

如果汽车上的发动机能够有一个数字孪生，在虚拟世界和发动机同步运行，那么发动机的红区就能根据数字孪生运行的情况来实时做出改变，大大降低发动机出故障的可能性。

David Gelernter在1991年的著作Mirror worlds (《镜像世界》) 预见了数字孪生这一概念。2011年，美国空军研究室首次明确提到了数字孪生，他们希望把战斗机的维护工作进行数字化，而数字孪生就是他们提出的解决方案。

美国空军在F35战斗机上布置大量的传感器，将传感器收集到的数据传输给预先建立的数字模型，模型将随着数据而实时的产生变化，精确的模拟出战斗机的实际状态。

图片

F35是现在世界使用广泛的新一代战机丨图片来源：Israeli Air Force

美国通用电气公司在帮助空军研制F35战机的数字孪生时，也对这一概念产生了极大的兴趣，并在后续不断投入资金进行研究。截至2018年，通用公司宣称他们已经为自己生产的每个引擎、每个涡轮、每台核磁共振都创造了对应的数字孪生。

计算机的快速发展，使得我们有能力去处理来自物理实体的海量数据，机器学习、AI的涌现使得建立极其复杂的虚拟模型从天方夜谭变为可能。传感器的海量应用、高精度数字模型的建立、物理实体与虚拟模型的数据交互是数字孪生的存在基础。

我们会拥有自己的数字孪生吗？

每个人都是独一无二的，不同于现代制造业流水线生产的产品，人类是极其复杂的。随着技术的发展，智慧医疗的概念被提出并受到了越来越多的关注。

最近几年，智能手表出现在了人们的手腕上，这些手表能够检测人的心率、血液中的氧气含量等基础信息。我们坐太久手表会提醒自己起来走动，运动的时候心跳太快手表也会发出预警。

现在借助机器学习，电脑能够通过人脸的图片判断我们的心情怎么样；在减肥过程中，拿手机拍照能知道食物有多少卡路里；智能手表会记录我们前一晚的睡眠数据。

从某种意义上来说，这算是人体数字孪生的最初级版本。

图片

智能手表等可穿戴智能设备能收集到人体的许多数据丨图片来源：pixabay

但是对于庞大且复杂的人体系统而言，仅采用上述的些许数据是不能实现对人体状况准确预测的。想要得到一个更加准确的数字孪生，需要收集大量的数据进行分析。其中包括人体所处环境的空气质量、光照条件、人体接种的疫苗、脑电图、心电图、摄入食物的种类数量等等。

创建一个能够和现实中的人同步成长的数字孪生，到今天依然是不可能的任务。

尽管如此，人们对数字孪生在医疗健康领域的美好前景仍然满怀信心。2014年，人们启动了名为“活心脏计划（LHP: live heart Project）”的数字孪生开发项目，来自各行各业的专家以及医学从业者希望创建一个人类心脏的数字孪生。

几年后，这个项目交付了第一个参考模型，在这个模型中，医生能够复现任何心血管疾病并安全地测试治疗方案，一些医院的医生会利用它来为不同的患者规划个性化的心脏手术程序。

某些新出现的医疗手段，在现实中进行实验可能会造成巨大的损害，在数字孪生里则可以避免。

图片

先建立一个通用的一般模型，在此模型的基础上，根据不同患者的信息建立对应的个性化模型丨图片来源：作者自制

随着新冠肺炎席卷全球，研究人员启动了一项新的数字孪生计划——活肺计划（LLP : Living Lung Project），用来了解病毒对人体肺器官的长期影响。在虚拟的时空中，我们可以加速时间的流动速度，分析疾病的长期影响。

图片

图片来源：Wikipedia

曾经人们认为不可能建造一架完整客机的数字孪生，现在已经是飞机制造商的家常便饭。人体数字孪生的搭建工作，在今天看来还存在许多独特的挑战，人们相信科学技术进步的速度会碾平这些挑战。

数字孪生是一个多学科交叉的复杂领域，数学、物理学、材料学、计算机科学、生物学都是必不可少的学科。越来越多的研究人员进入了数字孪生的研究领域，数字孪生也开始出现在城市规划、智能工厂、生物制药等领域。另一个“我”，或许就在不远的未来。

参考文献

[1] Wei S . Is Human Digital Twin Possible?[J]. 2021.

[2] Lv Q , Zhang R , X Sun, et al. A Digital Twin-Driven Human-Robot Collaborative Assembly Approach in the Wake of COVID-19[J]. Journal of Manufacturing Systems, 2021(12).

[3] Koen B , Filippo S D S , Jeroen V D H . Digital Twins in Health Care: Ethical Implications of an Emerging Engineering Paradigm[J]. Frontiers in Genetics, 2018, 9:31-.

[4] Barricelli B R , Casiraghi E , J Gliozzo, et al. Human Digital Twin for Fitness Management[J]. IEEE Access, 2020, 8:26637-26664.

[5] Glaessgen E , Stargel D . The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles[C]// Aiaa/asme/asce/ahs/asc Structures, Structural Dynamics & Materials Conference Aiaa/asme/ahs Adaptive Structures Conference Aiaa. 2012.

[6]陶飞, 刘蔚然, 刘检华, et al. 数字孪生及其应用探索[J]. 计算机集成制造系统, 2018, 24(1):18.

[7]陶飞, 张贺, 戚庆林,等. 数字孪生模型构建理论及应用[J]. 计算机集成制造系统, 2021, 27(1):15.

[8]https://zhuanlan.zhihu.com/p/99249900

[9]https://en.wikipedia.org/wiki/Digital_twin

[10]https://www.lockheedmartin.com/

[11]https://www.ge.com/digital/applications/digital-twin

图片