数字孪生概念及其在智慧城市、智慧工厂的应用
共 3119字，需浏览 7分钟
·
2021-02-16 13:49
“孪生”的概念起源于美国国家航空航天局的“阿波罗计划”，即构建两个相同的航天飞行器，其中一个发射到太空执行任务，另一个留在地球上用于反映太空中航天器在任务期间的工作状态，从而辅助工程师分析处理太空中出现的紧急事件。当然，这里的两个航天器都是真实存在的物理实体。
2003 年前后， 关于数字孪生（Digital Twin） 的设想首次出现于Grieves 教授在美国密歇根大学的产品全生命周期管理课程上。但是，当时“Digital Twin”一词还没有被正式提出，Grieves 将这一设想称为“Conceptual Ideal for PLM（Product Lifecycle Management）”。尽管如此，在该设想中数字孪生的基本思想已经有所体现，即在虚拟空间构建的数字模型与物理实体交互映射，忠实地描述物理实体全生命周期的运行轨迹。
直到2010 年，“Digital Twin”一词在NASA 的技术报告中被正式提出，并被定义为“集成了多物理量、多尺度、多概率的系统或飞行器仿真过程”。
2011 年，美国空军探索了数字孪生在飞行器健康管理中的应用，并详细探讨了实施数字孪生的技术挑战。2012 年，美国国家航空航天局与美国空军联合发表了关于数字孪生的论文，指出数字孪生是驱动未来飞行器发展的关键技术之一。在接下来的几年中，越来越多的研究将数字孪生应用于航空航天领域，包括机身设计与维修，飞行器能力评估，飞行器故障预测等。
数字孪生相关概念在近年来得到越来越广泛的传播。同时，得益于新一代信息技术的发展，数字孪生的实施已逐渐成为可能。现阶段，除了航空航天领域，数字孪生还被应用于电力、船舶、城市管理、农业、建筑、制造、石油天然气、健康医疗、环境保护等行业。特别是在智能制造领域，数字孪生被认为是一种实现制造信息世界与物理世界交互融合的有效手段。许多著名企业（如空客、洛克希德马丁、西门子等）与组织（如Gartner、德勤、中国科协智能制造协会）对数字孪生给予了高度重视，并且开始探索基于数字孪生的智能生产新模式。
数字孪生城市是指通过对物理世界的人、物、事件等所有要素数字化，在网络空间再造一个与之对应的“虚拟世界”，形成物理维度上的实体世界和信息维度上的数字世界同生共存、虚实交融的格局。物理世界的动态，通过传感器精准、实时地反馈到数字世界。数字化、网络化实现由实入虚，网络化智能化实现由虚入实，通过虚实互动，持续迭代，实现物理世界的最佳有序运行。
数字孪生城市将推动新型智慧城市建设，在信息空间上构建的城市虚拟映像叠加在城市物理空间上，将极大地改变城市面貌，重塑城市基础设施，形成虚实结合、孪生互动的城市发展新形态；借助更泛在、普惠的感知，更快速的网络，更智能的计算，一种更加智慧化的新型城市将得以创建。
在工业互联网的数据功能实现中，数字孪生已经成为关键支撑，通过资产的数据采集、集成、分析和优化来满足业务需求，形成物理世界资产对象与数字空间业务应用的虚实映射， 最终支撑各类业务应用的开发与实现。
在数据功能原理中，感知控制层构建工业数字化应用的底层“输入− 输出”接口，包含感知、识别和控制、执行四类功能。感知是利用各类软硬件方法采集蕴含了资产属性、状态及行为等特征的数据，例如用温度传感器采集电机运行中的温度变化数据。识别是在数据与资产之间建立对应关系，明确数据所代表的对象，例如需要明确定义哪一个传感器所采集的数据代表了特定电机的温度信息。控制是将预期目标转化为具体控制信号和指令，例如将工业机器人末端运动转化各个关节处电机的转动角度指令信号。执行则是按照控制信号和指令来改变物理世界中的资产状态，既包括工业设备机械、电气状态的改变，也包括人员、供应链等操作流程和组织形式的改变。
数字模型层强化数据、知识、资产等的虚拟映射与管理组织，提供支撑工业数字化应用的基础资源与关键工具，包含数据集成与管理、数据模型和工业模型构建、信息交互三类功能。数据集成与管理将原来分散、杂乱的海量多源异构数据整合成统一、有序的新数据源， 为后续分析优化提供高质量数据资源，涉及到数据库、数据湖、数据清洗、元数据等技术产品应用。数据模型和工业模型构建是综合利用大数据、人工智能等数据方法和物理、化学、材料等各类工业经验知识，对资产行为特征和因果关系进行抽象化描述，形成各类模型库和算法库。信息交互是通过不同资产之间数据的互联互通和模型的交互协同，构建出覆盖范围更广、智能化程度更高的“系统之系统”。
决策优化层聚焦数据挖掘分析与价值转化，形成工业数字化应用核心功能，主要包括分析、描述、诊断、预测、指导及应用开发。分析功能借助各类模型和算法的支持将数据背后隐藏的规律显性化，为诊断、预测和优化功能的实现提供支撑，常用的数据分析方法包括统计数学、大数据、人工智能等。描述功能通过数据分析和对比形成对当前现状、存在问题等状态的基本展示，例如在数据异常的情况下向现场工作人员传递信息，帮助工作人员迅速了解问题类型和内容。诊断功能主要是基于数据的分析对资产当前状态进行评估，及时发现问题并提供解决建议，例如能够在数控机床发生故障的第一时间就进行报警，并提示运维人员进行维修。预测功能是在数据分析的基础上预测资产未来的状态，在问题还未发生的时候就提前介入，例如预测风机核心零部件寿命，避免因为零部件老化导致的停机故障。指导功能则是利用数据分析来发现并帮助改进资产运行中存在的不合理、低效率问题，例如分析高功耗设备运行数据，合理设置启停时间，降低能源消耗。同时，应用开发功能将基于数据分析的决策优化能力和企业业务需求进行结合，支撑构建工业软件、工业ΑΠΠ 等形式的各类智能化应用服务。
自下而上的信息流和自上而下的决策流形成了工业数字化应用的优化闭环。其中，信息流是从数据感知出发，通过数据的集成和建模分析，将物理空间中的资产信息和状态向上传递到虚拟空间，为决策优化提供依据。决策流则是将虚拟空间中决策优化后所形成的指令信息向下反馈到控制与执行环节，用于改进和提升物理空间中资产的功能和性能。优化闭环就是在信息流与决策流的双向作用下，连接底层资产与上层业务，以数据分析决策为核心，形成面向不同工业场景的智能化生产、网络化协同、个性化定制和服务化延伸等智能应用解决方案。
数字孪生概念来源于产品开发环节，应用非常广泛。数字孪生本身的实施过程，需要将实体信息转化为数字信息，这个过程工作量是非常繁杂，庞大的。现在在产品开发过程中，各种CXD技术已经将这个部分进行了数字化，所以在产品开发过程中，采用数字孪生概念及技术，能够有效的提高效率，并且为数字化工厂提供技术基础。
但是将数字孪生概念应用于城市以及社会管理的时候，其数据采集以及同步的工作量将会变的异常庞大，实施成本高，运行维护成本高。如果使得数字孪生体能够稳定运行下去，还是需要耗费比较大的精力的。