| 编辑推荐: |
本文主要讲解了数字孪生到底是什么，能做什么，边界在哪里，它和建模仿真是什么关系等等。
本文来自于微信公众号 工业软件行业观察 ，由火龙果软件Linda译、推荐。 |
|
近年来，数字孪生一词迅速蹿红，成为一个炙手可热的概念。但随着工业界和学术界对数字孪生的不断解读，其含义却越发扑朔迷离，和其他一些相关概念的界限也越来越模糊。数字孪生到底是什么，能做什么，边界在哪里，它和建模仿真是什么关系等等问题令很多人困惑。
下面首先看几个典型的数字孪生定义：
1) 数字孪生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
——《美国国防采办大学的术语》
2) 数字孪生是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策
——《赛迪集团：2019年数字孪生白皮书》
3) 数字孪生以数字化的方式建立物理实体的多维、多时空尺度、多学科、多物理量的动态虚拟模型来仿真和刻画物理实体在真实环境中的属性、行为、规则等
——北京航空航天大学陶飞教授
4) 数字孪生是物理对象的数字模型，该模型可以通过接收来自物理对象的数据而实时演化，从而与物理对象在全生命周期保持一致。基于数字孪生可进行分析、预测、诊断、训练等（即仿真），并将仿真结果反馈给物理对象，从而帮助对物理对象进行优化和决策。物理对象、数字孪生以及基于数字孪生的仿真及反馈一起构成一个信息物理系统
(cyber physical systems)。面向数字孪生全生命周期（构建、演化、评估、管理、使用）的技术称为数字孪生技术(Digital
Twin Technology)
——北京航空航天大学张霖教授
从上述定义可以看出，无论从哪个角度去理解数字孪生，数字孪生技术都与仿真技术密切相关。数字孪生的概念虽然已经普及挺长时间了，但很多人还是很难区分数字孪生跟仿真，甚至错误地认为数字孪生其实就是仿真，在此需要简单说明一下数字孪生与仿真的区别和联系。
单从数字孪生的定义就可以知道，仿真只是实现数字孪生的诸多关键技术中的一部分，万不可盲目的把数字孪生跟仿真混为一谈。通过数字孪生系统的通用参考架构可以更清晰地明白这一点。
图1 数字孪生系统的通用架构
还可以从另一个角度来理解数字孪生与仿真的关系：
按照前述的定义，若将数字孪生定义为物理对象的一个数字化模型，那么数字孪生和信息物理系统之间的关系就比较容易理清，即数字模型、仿真（基于数字模型的各种活动）、数据及仿真结果（物理对象以及数字模型和物理对象之间的连接）形成一个信息物理系统。如下图2所示，图2中是第1节定义4中所提到的数字孪生的各个部分：
1）物理对象；2）数据；3）模型；4）仿真；5）仿真结果。
图2 数字孪生和信息物理系统之间的关系
数字孪生体不仅仅是物理世界的镜像，也要接受物理世界实时信息，更要反过来实时驱动物理世界，而且进化为物理世界的先知、先觉甚至超体。
针对数字孪生体紧密相关的四个关键场景一一制造、产业、城市和战场，梳理其中所涉及到的仿真技术如下：
1) 在制造场景下，可能涉及到的仿真包括产品仿真、制造仿真和生产仿真等大类，包括：
a.产品仿真：系统仿真、多体仿真、物理场仿真、虚拟试验等；
b.制造仿真：工艺仿真、装配仿真、数控加工仿真等；
c.生产仿真：离散制造工厂仿真、流程制造仿真等。
2) 在产业场景下，可能涉及到的仿真包括仓储仿真、物流仿真、组织仿真、业务流程仿真等；
3) 在城市场景下，可能涉及到的仿真包括城市仿真、交通仿真、人群仿真、爆破仿真、气体扩散仿真等；
4) 在军事场景下，可能涉及到的仿真包括体系仿真、战场仿真、爆轰仿真、毁伤仿真等。
数字孪生体是仿真应用新巅峰。在数字孪生体的成熟度的每个阶段，仿真都在扮演者不可或缺的角色:“数化”的核心技术——建模总是和仿真联系在一起,或是仿真的一部分；“互动”是半实物仿真中司空见惯的场景；“先知”的核心技术本身就是仿真；很多学者将“先觉”中的核心技术——工业大数据视为一种新的仿真范式；“共智”需要通过不同孪生体之间的多种学科耦合仿真才能让思想碰撞，才能产生智慧的火花。
数字孪生下的物理实体、数字化模型、孪生数据、仿真等关键元素需要多种技术支持。对于物理实体，对物理世界的充分理解是数字孪生的前提。在此基础上将物理实体和过程映射到虚拟空间，以使模型更准确，更接近实际；对于数字化模型，各种建模技术至关重要。数字模型的准确性直接影响孪生的有效性。因此，必须通过验证和认证技术对模型进行验证，并通过优化算法对其进行优化。
此外，仿真技术可以实现活动推演和可行性验证。由于虚拟模型必须随着物理世界中的不断变化而进行动态的更新，因此需要模型演化技术来驱动模型的更新。在孪生的实际进行阶段，传感器会生成大量数据。为了从原始数据中提取有用的信息，高级数据分析和融合技术是必要的，该过程涉及数据收集、传输、存储、处理、融合和可视化。
如下图所示，数字孪生强调用实时监测的数据消除模型的不确定性，用精确的模拟代替真实场景，从而优化实际系统的操作和运维。
图3 数字孪生实现的关键技术流程
实现数字孪生，应大力发展以下关键技术及其在数字孪生的落地应用：
1) 感知与监测技术
数字孪生系统的基础在于：能够实时感知系统性能状态并收集系统周围的环境信息，这就需要借助感知与监测技术来实现。通过安装在系统结构表面或嵌入结构内部的分布式传感器网络，获取结构状态与载荷变化、操作以及服役环境等信息，实时监测系统的生产、制造、服役以及维护过程。持续获取的传感数据不仅能够用于监测系统当前状态，还能借助大数据、动态数据驱动分析与决策等技术用于预测系统未来状态。
2) 数据连接技术
在物理实体与数字模型和相关服务的数据连接中，对物理实体的识别、感知和跟踪是至关重要。因此，就需要运用RFID、传感器、无线传感器网络和其他物联网技术。数据交换需要运用通信技术、统一通信接口和协议技术等。由于人类在物理和虚拟世界中进行交互，因此需要人机交互技术（例如VR、AR
、MR）以及人机交互和协作技术支持。给定许多不同的模型，需要通信、接口、协议和标准技术，以确保虚拟模型和数据之间的平滑数据交互。同样，服务与数字模型以及数据之间的连接也需要通信接口、协议、标准技术和协作技术。最后，必须采用安全技术（例如，设备安全、网络安全、信息安全）来保护孪生的安全。
3) 孪生大数据管理技术
对于一个大型复杂系统，其基本几何和组件装配本身就已经囊括了海量的数据，而服役过程中不断加入的载荷、环境、维修等数据，最终将生成现有数据分析技术无法处理的大数据，这就需要利用数字主线技术对所有数据进行统一管理，同时借助大数据分析技术，从这些规模巨大、种类繁多、生成迅速、不断变化的数据集中挖掘价值。从数据出发增强对问题的认识，发掘多源异构数据之间潜藏的相关关系，从而实现更好地诊断、预报并指导决策。
数据驱动的数字孪生可以感知、响应并适应不断变化的外部环境。整个数据生命周期包括数据收集、传输、存储、处理、融合和可视化，数据存储用于存储传感器收集的数据，以进行进一步的处理、分析。数据存储与数据库技术密不可分。但是，由于多源数据的数量和异构性不断增加，传统的数据库技术已不再可行，大数据存储技术，例如分布式文件存储（DFS）、NoSQL数据库、云存储等越来越受到关注。
在数据处理阶段，需要从大量不完整、异构、嘈杂、模糊和随机的原始数据中提取有用的信息。首先，对数据进行预处理，以删除冗余、无关、干扰、重复和不一致的数据。相关技术包括数据清洗、数据压缩、数据平滑、数据约简、数据转换等。此外，深度学习为处理和分析海量数据提供了先进的分析技术。数据融合通过合成、过滤、关联和集成来应对多源数据。数据融合包括原始数据级融合、特征级融合和决策级融合。数据融合方法包括随机方法和人工智能。随着数据量的不断增加，现有数据技术必将发展。对于数据收集，未来的数据采集技术应专注于实时状态数据收集。因此，有必要探索智能识别技术、先进的传感器技术、机器视觉技术、自适应访问技术等。
4) 动态数据驱动与分析决策技术
实时交互性与动态演化性是数字孪生体的两个重要特性，而动态数据驱动应用系统（Dynamic Data
Driven Application System，DDDAS）这种全新的仿真应用模式，能够将模型与物理系统有机的结合起来，在实际服役过程中，利用实时监测的数据动态更新模型，更新后的模型可以得到许多测量无法直接输出的数据，从而驱动更准确地分析与预测系统状态，以及更有效地指导决策者实施对系统的动态控制。
5) 复杂系统建模技术
数字孪生体是由传统模型发展而来，因此建立高精度的复杂系统模型是首要前提，是数字孪生的基石，现在建模依然面临着环境、载荷、材料性能等众多不确定因素，力、热、电等不同物理场之间的强耦合作用等各类问题，这些复杂性都将导致模型无法准确模拟系统的真实情况。与孪生相关的建模涉及几何建模、物理建模、行为建模和规则建模。建模针对多目标和完整性能进行优化，以达到高精度、可靠性并重现动态和静态特性。此外，结合历史数据的使用，各种模型（例如结构分析模型、热力学模型、产品故障以及寿命预测和分析模型等）可以通过贝叶斯、机器学习算法等逐步优化。当前的建模技术着重于几何和物理模型的构建，缺少可以从不同空间比例的不同粒度表示行为、特征和规则的“多空间比例模型”，缺少可以表征不同时间尺度的物理实体的动态过程“多时间尺度模型”。从系统角度来看，集成具有不同粒度、不同维度、不同空间比例和不同时间比例的各种模型仍然是一个挑战。
6) 仿真技术
仿真是将包含了确定性规律和完整机理的模型转化成软件的方式来模拟物理世界的一种技术。只要模型正确，并拥有了完整的输入信息和环境数据，就可以基本正确地反映物理世界的特性和参数。如果说建模是模型化我们对物理世界或问题的理解，那么仿真就是验证和确认这种理解的正确性和有效性。所以，数字化模型的仿真技术是创建和运行数字孪生体、保证数字孪生体与对应物理实体实现有效闭环的核心技术。
数字孪生最诱人的地方，是数字模型和物联网的结合，而这种结合的最终目的是为了将模型打磨得更加接近真实系统。物联网技术为建模提供了一种新的强有力的手段，而且在对复杂系统机理缺乏足够认识的情况下，还可基于所采集的数据利用人工智能技术对系统进行建模。这是对建模技术的发展和补充。而基于模型的分析、预测、训练等活动，本来就是仿真要做的事。事实上，在仿真领域，利用动态实时数据进行建模和仿真的方法和技术已经研究多年，如动态数据驱动的仿真、嵌入式仿真、硬件在回路的仿真等。
另外，建模和仿真技术体系中很多可以直接用于数字孪生的研究和应用，包括理论、方法、标准、工具和平台，而没有必要在数字孪生的名义下重复开发。这也是NASA虽然提出2027年实现数字孪生的目标，但后续并没有就数字孪生本身再建立新的技术体系的原因。因为所需要的技术、标准、工具和平台等，在其建模和仿真技术体系里大多都已经存在了。换个标签，再搞一套类似的东西，既浪费资源，又浪费时间，完全没必要。
7) 数字孪生软件平台技术
数字孪生的实现需要发展新的工具平台，集成数字仿真、数据管理、大数据分析、动态数据驱动决策等多个功能模块，同时借助虚拟现实VR或增强现实AR等可视化技术，使决策者能够快速准确地了解系统实际状态，从而指导对系统的操作，实现效能更高的控制与优化。 | 
