数字孪生背后的关键技术是什么？

作者：西门子，与子同袍

次浏览

次

2021-12-6

编辑推荐:

在本文中主要讨论了什么是数字孪生，数字孪生的关键技术，以及典型的数字孪生的解决方案。
来自于知乎,由火龙果软件Alice推荐。

内容摘要：数字化双胞胎并不局限于单纯的数值仿真或者机器学习技术。相对于传统的数值仿真方法，数字化双胞胎可以应用物理实体反馈的数据进行自我学习和完善；另一方面，相对于机器学习，数字化双胞胎可以通过对物理过程的仿真和领域知识提供更加准确的理解与预测。

数字化双胞胎的概念与其背后的技术简述

根据西门子对数字化双胞胎技术的定义，数字化双胞胎是实际产品或流程的虚拟表示，用于理解和预测对应物的性能特点。在投资实体原型和资产之前，可使用数字化双胞胎在整个产品生命周期中仿真、预测和优化产品与生产系统。通过结合多物理场仿真、数据分析和机器学习功能，数字化双胞胎不再需要搭建实体原型，即可展示设计变更、使用场景、环境条件和其他无限变量所带来的影响，同时缩短开发时间，并提高成品或流程的质量。

手动给上面这段可能“不明觉厉”的定义画两个和本问题相关的小重点：

整个产品生命周期

这里产品的生命周期特指设计阶段，生产装配阶段和使用维护阶段三个部分。这三个阶段分别面对设计人员、制造人员与用户等不同的对象，涉及和产生的数据类型也各有不同，同时这些数据信息又存在着以产品为核心的紧密关系。西门子将数字化双胞胎在这三个阶段的应用分别称为：产品的数字化双胞胎、生产的数字化双胞胎和性能的数字化双胞胎，这三种数字化双胞胎涵盖了产品和生产生命周期的所有阶段产生的信息与数据。

结合多物理场仿真、数据分析和机器学习

数字化双胞胎并不局限于单纯的数值仿真或者机器学习技术。相对于传统的数值仿真方法，数字化双胞胎可以应用物理实体反馈的数据进行自我学习和完善；另一方面，相对于机器学习，数字化双胞胎可以通过对物理过程的仿真和领域知识提供更加准确的理解与预测。

作为一个正在不断发展的进化的概念，实现数字化双胞胎需要数值仿真、机器学习等多个领域内的多种技术。本回答内将针对数字化双胞胎在产品生命周期内三个阶段的应用，简要叙述它们背后的一部分主要技术，并在最后放飞自我，做一个简要的总结和展望。

1.产品的数字化双胞胎

产品的数字化双胞胎内包含有产品所有设计元素的信息，如产品的三维几何模型，系统工程模型，BOM表，一维至三维、多学科的仿真模型，电气系统设计，软件与控制系统设计等。它可以在产品的设计阶段预测产品的各项物理性能及整体性能，并在虚拟环境中对产品进行调整或优化。

产品的数字化双胞胎

产品的数字化双胞胎背后的关键技术涉及以下几个方面：

数字建模

这里的数字建模不仅指代对产品几何机构和外形的三维建模。对产品内部件的运动约束，接触形式，电气系统，软件与控制算法等信息进行全数字化的建模技术同样是建设产品数字化双胞胎的基础技术。

一体化的仿真验证

对单个维度物理性能或系统性能进行数值仿真的技术在当前已经比较成熟。然而，对于复杂的实际产品，其运行时的性能涉及到多物理场、多学科的综合作用。举例而言，对海上漂浮的风力发电平台进行产品数字化双胞胎开发，就需要同时集成涡轮叶片的空气动力特性、浮体的水动力特性、浮体的结构变形特性，发电系统的响应特性，控制系统的逻辑与算法等多个方面的一体化仿真验证技术。

为此，在数字化模型的基础上，基于单个系统或多个系统的联合仿真对产品的性能进行预测分析同样是实现产品数字化双胞胎的重要技术。

其他技术

实现完备的产品数字化双胞胎，还需要建模和仿真之外的其他技术，如创成式设计技术，基于历史数据的仿真结果校准技术等等。

2.生产的数字化双胞胎

生产的数字化双胞胎针对于生产装配的过程，在产品实际投入生产之前通过仿真等手段验证制造流程在各个条件下的实际效果，最终达到加快生产速度与稳定性的目的。

生产流程的数字化双胞胎

生产执行阶段的数字化双胞胎

生产的数字化双胞胎背后包括以下几个方面的关键技术：

生产规划建模与仿真

对各个生产单元及其在一起共同工作时的生产流程进行建模与仿真，是建立生产的数字化双胞胎的基础。这其中包括对各个生产单元的数字化建模与展示，也包括对物料流、排程排产逻辑、自动引导车（AGV）控制算法等生产流程的数值仿真。

虚拟的生产调试

在生产的执行阶段，对各个生产单元内的工作流程与效率进行的过程建模与仿真，也是生产的数字化双胞胎的重要基础。这其中可以包括机械设备自动化操作过程的仿真，例如在汽车的装配过程中，对多个协同工作的机器手臂控制算法进行虚拟调试，是验证总体结果，保证生产顺利进行的重要步骤。另一方面，在自动化运行的设备之外，对生产单元内人机交互过程的仿真和调试也是生产的数字化双胞胎的背后技术之一。

3.性能的数字化双胞胎

性能的数字化双胞胎，既包括实际生产产品的生产执行阶段的生产性能数字化双胞胎，也包括产品投入使用时的产品性能数字化双胞胎。前者面向的是工厂与制造商，基于生产线的实际情况与运行信息反馈对生产的数字化双胞胎进行调整与优化；后者面向的是产品的使用客户，基于物理传感器等信息对具体产品的实际特性进行提取与分析，实现预测性维护等功能，也可以通过产品的实际运行信息反馈指导产品的设计方案。

性能的数字化双胞胎

总体而言，性能的数字化双胞胎将从物理实体中获得数据输入，并通过数据分析将实际结果反馈到整个数字化双胞胎体系中，产生封闭的决策循环。下面这个视频就是性能的数字化双胞胎应用的一个实例：

实现性能的数字化双胞胎需要以下几类关键技术：

快速仿真，实时预测

在生产的实际执行阶段或者产品的运行阶段，原材料、设备、流程、人员或者环境参数、运行状态等系统信息随时会出现调整与变动，而性能的数字化双胞胎需要将这些变动实时的在数字空间内进行更新。为此，结合物理传感器输入的数据进行快速、实时的仿真与预测是性能的数字化双胞胎的重要技术。

举例而言，在产品投入运行后，基于数据输入与快速仿真技术可以对重要但难以测量的性能参数进行实时的仿真计算，实现对产品的预测性维护等功能。视频内就是电机运行过程中，对电机内部温度应用性能的数字化双胞胎进行分析的例子。

大数据分析，数据闭环

生产线或产品的各个物理传感器会产生大量的数据，对这些实际数据应用机器学习等方法进行分析是实现主动响应，事故溯源，预测性维护等数字化双胞胎信息反馈功能的重要技术。例如，生产性能的数字化双胞胎可以对生产过程中出现的事故等实际情况进行数据提取，通过机器学习与数值模拟验证等方式实现原因分析，并针对事故原因提出产品设计、生产流程设计中针对性的改进方案。

总结而言，数字化双胞胎背后的关键技术涉及数值建模与仿真、机器学习以及将信息连接起来的物联网、云平台等领域，对这些领域内的数据和应用的集成能力同样是数字化双胞胎的关键技术。当前，数字化双胞胎的应用领域与范畴还在不断发展，以上各个领域的突破都可能会提高数字化双胞胎的实际能力，成为未来数字化双胞胎概念的关键技术。

在科幻的世界中，人类终有一天会将自己的意识上传到数字世界，实现“永恒”。而在更实际的未来世界中，我们可以应用数字化双胞胎的概念，将各个物理产品实体内包含的全部信息进行数字化、关联化，从它的设计方案、加工过程、运行状态等信息内，发掘信息内深藏着的价值。在作者看来，这些物理实体的数字化双胞胎，将是未来物联网的重要基础之一，也将对工业制造业的发展产生革命性的影响。

工业互联网领域数字孪生的分类和案例综述

根据不同行业的案例，我把数字孪生大致分为如下十个大类：

通用的工程技术仿真软件，如ansys matlab fmi altair modelica。
面向行业的仿真类软件。如西门子可视化生产仿真。安德里兹的工厂仿真软件。车联网交通仿真软件等。
基于知识图谱的数字孪生，用于物联网的上下文环境感知后的自动推理。
洛克希德马丁这种工厂的cax的数字主线。
制造业基于自动化金字塔的横向纵向的信息化集成的数字孪生。
基于公有云图数据库分析引擎。如azure aws智能空间图、阿里云的数字孪生也是类似的。
可视化展示软件，包括gis、bim、webgl之类的。
基于区块链的数字孪生。如bigchaindb等。
基于chatbot的数字孪生。比如罗克韦尔的工厂设备的聊天机器人。比如微软的healthbot，它可以智能的进行疾病方面的聊天，相当于医生的数字孪生。

下面我针对每一大类介绍典型的数字孪生的解决方案。

1. 基于仿真软件的数字孪生

仿真软件本来是用于对实际设备进行建模仿真。现在数字孪生概念火起来之后，仿真界突然发现数字孪生这个框用仿真软件去套简直完美。

这类软件的数字孪生的实质是运行设备的仿真模型，然后通过物联网采集的数据喂给仿真模型，让模型进行实时仿真，这样就可以实现故障诊断、性能预测、控制优化等功能。

仿真软件有许多种，面向机械、电磁学、流体力学、工厂、交通等。

Anays作为仿真软件巨头，肯定不会错过数字孪生这波行情。Ansys提供了twin builder工具，用于数字孪生仿真建模。

下面是用Ansys实现水泵数字孪生的例子。水泵的设备数据实时发送到PTC 的Thingworx物联网平台，然后Thingworx通过Ansys Twin Builder的工业互联网IIoT连接功能，将设备实时数据发送到Ansys的水泵的仿真模型中运行，然后仿真结果再返回给Thingworx平台。Thingworx平台再将仿真优化过的控制参数下发给水泵。

Matlab作为工程领域的最流行的工具之一，在数字孪生领域也有解决方案。

下面是Matlab的数字孪生的例子。

使用MATLAB，可以使用来自连接资产的数据定义模型。还可以使用Simulink的多域建模工具创建物理模型。数据驱动模型和物理模型都可以使用来自运营资产的数据进行调优，从而训练数字孪生模型。

下面是Matlab对三缸泵进行故障分类的例子。三缸泵的传感器数据实时传送到微软Azure云平台。传感器数据先发送到Azure云上的Kafka消息中间件服务，Kafka然后将传感器数据转发给Matlab的故障分类算法模型，模型根据传感器数据给出故障类型。

2.面向行业类仿真类软件

前面介绍的第一类数字孪生是工程仿真软件，主要解决机械、电子、液压、电源、数字逻辑、电力等专业的工程技术问题。

第二类数字孪生则是面向行业的行业化的仿真软件。行业有很多，这里我们就简单介绍工厂仿真（Plant Simulation）软件和车联网交通仿真软件。

工厂仿真软件可以通过建立虚拟化的工厂，在软件中进行仿真。

西门子的Tecnomatix 是一套全面的数字化制造解决方案组合，能够对制造，以及将创新构思和原材料转化为实际产品的流程进行数字化改造。借助 Tecnomatix 软件，能够在产品工程、制造工程、生产与服务运营之间实现同步，从而最大限度地提高总体生产效率，并实现创新。

Tecnomatix Intosite™ 能够助创建基于云的生产设施（呈现在其地理位置上下文中）二维/三维/全景表现形式。这就能以简单而熟悉的方式浏览该设施，进而直观地访问任何 IT 系统中的信息。

利用 Tecnomatix 物流与物料流仿真解决方案，可以借助离散事件仿真与统计分析功能，优化物料处理、物流、设备利用率以及人力需求。可以借此快速查找瓶颈、验证已运送的物料，并了解多个流程替代方案的长期资源利用率。具有面向对象的三维建模功能的随机工具可帮助您提高制造精度和效率，同时增加生产量并改善整体系统性能。

交通仿真软件的例子有SUMO。SUMO其实是一个开源的交通仿真软件，它可以生成逼真的交通轨迹场景。Veins是将OMNet++和SUMO整合起来，用于车联网仿真。

3.基于知识图谱的数字孪生

知识图谱自上世纪60年代从语义网络发展起来以后，分别经历了1980年代的专家系统、1990年代的贝叶斯网络、2000年代的OWL和语义WEB，以及2010年以后的谷歌的知识图谱。谷歌目前的知识图谱已经包含了数亿个条目，并广泛应用于搜索、推荐等领域。

知识图谱的存储和查询语言也经历了历史的洗涤，从RDF到OWL以及SPARQL查询，都逐渐因为使用上的不便及高昂的成本，而被工业界主流所遗弃。图数据库逐步成为目前主要的知识图谱存储方式。

下图是西门子的基于工业本体建模、工业数据采集和图数据库的工业知识图谱。

4.基于模型的企业MBE

照理基于模型的企业MBE不应该放在数字孪生里面。但是既然仿真也能算数字孪生，MBE应该也算。西门子有MBE的全套软件解决方案。我们这里只介绍下实际的应用案例。

对于生产F-16和F35的洛克希德马丁来说，战斗机结构异常复杂，生命周期从概念构思、设计、原型、设计到测试、生产和维修保养，整个周期跨度可达30年以上。因此如果不把这个生命周期的信息全部数字化，那么整个生命周期的成本和难度将急剧上升。在这么漫长的周期内，BOM是贯穿PLM产品生命周期管理的黄金线索。

产品数据管理(PDM)系统通过包含产品结构信息的物料清单(BOM)，来进行设计、工艺、制造等环节数据的组织和管理，由此产生了设计BOM(EBOM)、工艺BOM(PBOM)和制造BOM(MBOM)等。

5.自动化金字塔数字孪生

工厂里自动化金字塔的层级化结构，类似建筑领域的层级化结构。这个以后再展开说。

当然除了工厂，石油行业也可以有数字孪生。以后我会介绍埃森哲实施的哈里伯顿海上油田数字孪生的案例。

6.基于公有云图数据库的数字孪生

这块的话，典型的例子就是微软Azure云提供的基于数字孪生对象模型和空间图数据库的数字孪生服务。

Azure数字孪生对象模型包括：

空间Spaces是虚拟或物理的位置，比如租户、客户、区域和场地。
设备Devices虚拟或物理的设备，比如网关、树莓派、PLC。
传感器Sensors检测事件的对象。温度传感器、人体探测存在传感器。
用户Users识别是否有人以及人的特征有哪些。

其他模型还包括：

资源Resources空间上附加的资源，通常是Azure云服务资源比如Azure的物联网云服务IoT Hub。
块Blobs绑定到空间、设备、传感器和用户的文件，支持多种MIME类型和元数据。例如地图、图片和文档。
扩展类型Extended types可扩展的枚举类型，可以用来增强对象模型的属性。比如SpaceType 和SpaceSubtype。
本体Ontologies代表一组扩展类型，例如Default，Building, BACnet, EnergyGrid。
属性键值对Property keys and values空间、设备、传感器和用户的自定义属性。可以与内置的属性一起使用。如DeltaProcessingRefreshTime 作为键10作为值。
角色Roles赋予用户和设备的一组权限。例如Space Administrator, User Administrator, 和 Device Administrator.
角色分配Role assignments角色和空间图中对象的关联关系。如用户可以被赋予一个角色用于管理某个空间。
安全密钥存储Security key stores存储某个给定的空间对象下的所有设备的安全密钥，用于安全通讯。
用户定义函数User-defined functions(UDFs) 在空间图中创建自定义的传感器数据处理函数。UDF可以用JavaScript编写。用户定义函数可以：

设置传感器的值
根据传感器读数执行自定义逻辑，并将输出保存到空间。
对某个空间绑定元数据
当预设条件满足时发送通知。

匹配器Matchers用来决定对于给定的传感器消息执行哪个用户定义函数。
端点Endpoints传感器数据进入的入口。如Event Hub, Service Bus, Event Grid.

图数据库支持

Azure的空间图是根据上述数字孪生对象模型创建的空间、设备和人的层次化图。Azure空间图支持图的继承、过滤、遍历。可以通过调用Azure空间图的RESTful API创建符合业务需求的图，并在上面进行各种图的操作。

从下图我们可以看出，这个图数据库服务支持多租户，也就是说我们如果有10个园区或者建筑或者物业公司需要实现数字孪生，那么，创建不同租户来隔离就可以了。层级关系是客户-区域-建筑-楼层-楼层内房间或区域-房间内子区域或设备或传感器-桌子-灯。iot hub将传感器、设备数据上传到云端，然后lambda函数可以根据不同节点上的数据的变化，自动触发lambda函数执行相应的代码逻辑反向控制该区域的设备。从而实现物联网数据驱动的空间内的人与图上的这些层级的建筑空间进行交互互动。

比如某个厕所有人刚上完厕所，屁股一撅，红外传感器就自动冲马桶，然后红外传感器的感应事件通过网关的设备影子同步到边缘计算网关或云端，然后在边缘计算网关或云端的lambda函数就可以根据预先定义的代码逻辑，启动厕所抽风机排除臭味。