江苏龙网

  1. 首页 > 人文 > >

|根叔新作！浅说数字孪生


炙手可热的数字孪生诚然已成为智能制造以及其它相关领域的“现象级”技术！
“现象级”技术？
数字孪生的概念出现是最近10多年的事 ， 但近3年来关于数字孪生的论文数井喷式增长[1] 。
各行各业都在谈论数字孪生 ， 制造业自不待言 ， 建筑、建造、智慧城市、物流……
近期国内多有关于数字孪生的文章问世 ， 如黄培[2]、赵敏和宁振波[3]等 ， 不乏真知灼见 。
尤其是有些软件公司、工业互联网公司极力渲染其数字孪生应用（不排除有推销自己的因素） ， 使数字孪生成为当今智能制造或企业数字化/智能化的特别“现象” 。 炙手可热的数字孪生诚然已成为智能制造以及其它相关领域的“现象级”技术！
谁用？干什么？
1.设计开发者
在产品设计开发阶段所形成的数字模型 ， 就是产品最初的数字孪生模型 。 数字孪生技术逐渐成为优化整个制造价值链和创新产品的重要工具 。 数字孪生功能最初是设计工程师工具箱里的一种选择工具 ， 它可以简化设计流程 ， 削除原型测试中的许多方面 。 通过使用3D仿真和人机界面 ， 如增强现实和虚拟现实,工程师可以确定产品的规格、制造方式和使用材料 ， 以及如何根据相关政策、标准和法规进行设计评估 。 数字孪生可以帮助工程师在确定设计终稿之前 ， 识别潜在的可制造性、质量和耐用性等问题 。 因此 ， 通过数字孪生模型的应用 ， 传统的原型设计速度得以提升 ， 产品以更低成本 ， 更有效地投入生产[4] 。 可以认为:
设计阶段的数字孪生
是产品（物理实体）“孕育”阶段的数字模型 。
产品形态展示设计者想象的产品形态特别适宜于在虚拟空间中展示 。 如VR家装设计分别帮助家装设计师和家装公司解决其关心的家装设计作品呈现、客户引流和签单等问题 。 家装设计师需要让客户认可自己的设计才华；广大家装公司更看重VR+家装软件能否吸引更多业主前来咨询 ， 以有效提升签单率 。 VR家装设计除了高效便捷展现真实的场景式整体家居效果外 ， 还能对企业用户提供诸如人员管理、供应链管理以及沉浸式效果体验等方面的服务 。 VR家装设计软件是类似CAD、3DMax的室内设计软件 ， 但不同的是 ， 它不仅能做室内设计效果图 ， 还能实现VR交互 ， 实时渲染 ， 让业主身临其境地体验室内装修的效果 ， 如果不喜欢还可自主定制或一键更换 。 VR家装设计直接让顾客看到虚拟空间中的场景 ， 同时还可通过录视频、拍照等方式 ， 将体验的“真实”场景带回家中与家人朋友一起参考 ， 实现社会化营销 。 因此 ， VR家装设计可大大缩短销售周期 ， 顾客感知装修效果后 ， 可以加快顾客购买决策 ， 让成交变得更简单 。 VR+家装一方面吸引有家装需求的业主 ， 通过多产品、不同套系、不同主题的一键切换 ， 业主可随时查看到“真实”的装修效果 。 [5]至于一些个性化定制产品的设计更需要类似的手段呈现给用户和设计者自身 。 可以认为 ， 这样的“真实”场景或形态就是潜在的物理实体的数字孪生 。
特别状态模拟 在产品的设计过程中 ， 自然需要尽可能考虑产品运行中的某些特别状态 ， 如汽车行驶中可能发生的碰撞 。 良好的设计也应该基于对特别状态有尽可能准确认识的基础之上 ， 为此需要在仿真的虚拟空间中模拟特别状态 。 在汽车被动安全性研究中 ， 其安全评价的主要目的是确保乘员的生存空间 ， 缓和冲击 ， 防止火灾等 。 汽车碰撞是瞬态大变形非线性问题 ， 碰撞过程极为复杂 。 如利用ANSYS LS-DYNA程序进行汽车碰撞仿真 ， 具备模拟汽车碰撞时结构破损和乘员安全性分析的全部功能 ， 其内置安全带、传感器等单元 ， 以及气囊和假人模型 ， 可高效仿真汽车在发生碰撞或紧急制动时安全带系统和安全气囊系统对乘员的保护情况 ， 从而优化安全保险装置的设计 ， 提高汽车的安全性能 。 [6]
协同设计 在产品或生产单元的设计开发过程中 ， 也需要建立其数字孪生体的虚拟空间 ， 尤其是融合VR技术的数字孪生体 。 在虚拟空间中 ， 设计者更容易获得直观体验 ， 又便于设计者之间的协同交流 。 此外 ， 还能进行某种仿真验证 。 [7]
虚拟调试验证 虚拟调试是使用模型驱动的数字孪生体实现整机级集成测试 ， 物理调试前的设备选型和验证 。 产品开发的早期论证 ， 是数字孪生技术最基本的应用 。 数字孪生体是一个物理实体（也可能是想象中、设计中的实体）的数字表达 ， 除最基本的三维结构外 ， 还应该能够对产品的性能和物理过程进行表达 。 绝大多数产品的过程是多物理过程 ， 因此还需要多领域物理统一建模 。 只停留在三维表达不是真正意义上的数字孪生体 。

|根叔新作！浅说数字孪生
本文插图

△ 图源：ANSYS
借助数字孪生技术大大加快拥有全新产品的工厂设计 。 应用数字孪生技术对机器和工厂进行仿真能够使全新一代的产品在12个月上市 ， 而通常需要18～24个月 。 [8]
虚拟调试技术用于生产线、车间/工厂的设计特别有效 。 在数字化环境中建立生产线的三维布局 ， 包括工业机器人、自动化设备、PLC和传感器等设备 。 对于已有的新设备 ， 在现场调试之前 ， 可以直接在虚拟环境下 ， 对生产线的数字孪生模型进行机械运动、工艺仿真和电气调试 ， 让设备在未安装之前已经完成调试 。 在虚拟调试阶段 ， 将控制设备连接到虚拟站/线；完成虚拟调试后 ， 控制设备可以快速切换到实际生产线 。 对于运行中的生产线 ， 还可随时切换到虚拟环境 ， 分析、修正和验证正在运行的生产线上的问题 ， 避免长时间且昂贵的生产停顿 。 [2]Maplesoft在数字孪生应用于虚拟调试方面颇具特色 ， 他们与一些自动化公司建立了合作伙伴关系 ， 包括B&R、Rockwell、Beckhoff ， 以便有更好的工具接口和工作流；另外 ， 三维CAD模型文件可直接导入 ， 使用友好——数小时即可获得结果 ， 而不是数周或数月 。 [9]
数字孪生支持从创新概念开始到得到真正的产品的过程 。 从产品设计、工艺设计验证、生产线设计优化 ， 到生产运行、质量检测和产品提交 。
加速试验 武田制药（Takeda）开发了一套指导制造商生产的流程 。 医药行业的质量把控和监管十分严格 ， 任何创新都必须在开发实验室进行全面的合规性测试之后才可投入正式生产 。 一种新药的问世可能需要长达15年的时间 。 因此 ， 他们一直都在寻找能加速试验进程和业务流程的方法 。 即使在数字时代 ， 医药制造流程仍包含人工操作 。 例如 ， 生产生物制品、疫苗和其它从活体中提取的医药产品都涉及生化反应 ， 这些反应多变且难以测量 ， 因此实现自动化无疑是一大挑战 。 迄今为止 ， 还没有实现这些生产步骤的自动化 。 他们认为 ， 真正的端到端的生产自动化就是这个行业的最高目标 ， 其中数字孪生技术彰显了重要的作用 。 孪生技术可帮助团队加速试验进程 ， 开发新的生产方法并生成数据以便做出更明智的决策和预判 ， 从而实现复杂化学和生化过程的自动化 。 制药行业真正的驱动因素是围绕整个流程建立的控制架构 ， 并且其基础是在发展过程中逐渐成熟的复杂的数字孪生体 。 最终目标是建立一个无需人工干预即可控制并引导自动化流程的数字孪生体 。 在武田制药的开发实验室里 ， 这种生态系统已经建成并运用于生物制剂上 。 [4]
驱动产品创新 从新产品开发的角度 ， 产品创新一定要收集产品的运行和服务相关的历史数据 ， 在此基础上判断是否需要提升产品的基本功能和服务环境 。 在系统孪生数据及其仿真的基础上 ， 通过分析可以发现某些需要进一步改进或提升的地方 ， 例如是否需要收集新的数据 ， 是否需要提升云支持环境中的某些软件（包括App）的功能等 。 产品创新的关注点不仅在于物理本体 ， 而且也包括基于云的支持环境 ， 所有这些创新内容都需要孪生数据驱动 。
2.用户
数据透明 数据透明不仅提高数字化系统的效率 ， 而且能创造更大价值 。 Phoenix Contact是一家德国制造商 ， 专门提供工业自动化解决方案 。 它在最大程度上实现了数据的互联互通 ， 并提升了数据的透明度 。 因此 ， 它所创造的价值要远高于价值链上每个步骤创造的价值总和 。 Phoenix Contact借助多个RFID标签收集信息 ， 同时建立数字孪生模型 ， 确保数据在流程所有阶段都保持透明可见且易于获取 。 这种互通性确保了生产线的全天候运转 ， 不仅提升了40%的绩效 ， 还将生产时间缩短了30% 。 最终 ， Phoenix Contact以批量生产的成本实现了定制化产品的生产 。 该公司有效利用了数字化测试和数据共享 。 数字孪生包含所有测试参数 ， 所有测试数据也都会被记录下来 ， 供生产团队参考 。 此外 ， 生产团队也能直接对接客户 。 他们可以获取客户信息 ， 向客户实时传达订单状态和交付细节 。 Phoenix Contacts利用RFID信息标签 ， 确保数据在流程所有步骤中透明、可访问 。 [10]
【|根叔新作！浅说数字孪生】运行优化控制 产品的数字孪生体不是仅仅在设计阶段产生的 ， 对于一个运行中的产品 ， 其数字孪生体的作用恰恰表现在它对运行的指导作用 。 既如此 ， 产品在运行过程中所收集的各种数据就成为其数字孪生体的一部分 。 在一个设备的运行过程中 ， 通过对加工状态 ， 如工艺参数、生产环境数据的监控 ， 建立状态改变对于加工质量影响的数学分析模型 ， 通过趋势分析预测加工质量的异常 ， 并能够迅速采取措施 ， 调整设备工艺参数 ， 形成监控-分析-调整-优化的闭环 ， 防止废品、残次品产生 。 如某酵母企业 ， 对原料发酵过程的温度、湿度、酒精含量、pH值等指标进行采集 ， 一个工段上设置1000多个数据采集点 ， 每5ms采集一次 ， 一个生产批次的发酵周期为15小时 ， 数据量多达上亿条 ， 该企业基于海量数据 ， 通过大数据分析确定“黄金批次”的最佳工艺参数 ， 以还原生产的最佳工艺条件 ， 用以控制和优化工艺 。 [11]这些采集的数据及其分析和仿真结果都是形成设备数字孪生模型的基础 。
上面的数字孪生模型均是反映实际的物理实体的运行情况 。
一个设备之完美的数字孪生体应该能够生成基于实际物理过程数据的虚拟过程 ， 能够展示其性能数据 ， 并且能够向物理系统反馈优化控制的参数 。
3.运行维护者
运行维护 荷兰皇家壳牌公司（Royal Dutch Shell)启动了一项为期两年的数字孪生计划 ， 以帮助石油及天然气运营商更加高效地管理海上资产 ， 加强工人安全保障 ， 及探索可预见的维护时机 。 数字孪生有助于优化供应链、分销和运营 。 全球快消产品制造商联合利华（Unilever)启动了一个数字孪生项目 ， 旨在为旗下数十家工厂创建虚拟模型 。 在这些工厂内 ， 物联网传感器被嵌入到机器内部 ， 向AI和机器学习应用程序反馈机器性能数据 ， 并进行分析 。 分析后的操作信息再输入到数字孪生体中 ， 从而帮助工人预测机器维护的时机、优化产出并提高产品合格率 。 [4]
4.管理人员
数字孪生技术亦可用于管理 ， 下面举两例说明 。
驱动商业模式创新 普利司通的团队正在开发更复杂的数字孪生 ， 以期最终在整个价值链上提供洞察 ， 其目标是提升利润率、维持竞争优势、减少上市时间 ， 并提供先进的轮胎即服务（As-a-service）产品 。 欧洲车队正逐渐转向一种按公里数计费（PPK）的订购模式 ， 以帮助车队运营商优化现金流 ， 减少整体成本 。 尽管商业模式很简单 ， 但为每公里设定合适的价格却绝非易事 。 轮胎的生命周期受各种因素的影响 ， 包括负重、速度、路面情况以及驾驶行为 。 数字孪生可以通过模拟不同的驾驶条件 ， 洞悉这些相互关联的条件是如何影响轮胎性能的 。 但是 ， 如果没有数字孪生体的真实数据输入 ， 想要确定一个令人满意且具有竞争力的PPK价格——并且期望这一价格能够持续为企业带来利润——即使有可能性存在 ， 也将十分困难 。 数字孪生能够让人们从多个维度看到轮胎性能 ， 也可以在尚无可用数据的时候应用于产品的开发 。 输入的传感数据被增强、净化和处理；而后应用数字仿真和分析获得洞察 ， 从而为维护、更新等其它因素的决策提供依据 ， 这些依据可以为普利司通及其客户带来更多价值 。 如今 ， 普利司通正使用数字技术为其车队客户带来更多价值 。 随着时间的推移 ， 企业计划扩大数字孪生技术的使用范围包括从驾驶员、到车队经理、到零售商、分销商、制造商等的整个价值链 。 企业管理者表示 ， 鉴于未来可能使用无人驾驶汽车 ， 可能还会涉及安全协议 。 他们确定已经抓住了引领走向未来的驱动因素 ， 这便是数字孪生技术的用武之地 。 [4]
物流管理 应用数字孪生于供应链系统 ， 就应该使人（供销管理、物流管理人员）或供应链数字系统能够“感知”传统上被人忽略或无法获取的数据 ， 尤其要注意下面几种数据：[12]
（1）实体的观测数据 。 如来自资产的传感器、日志或仪表数据 ， 或从其他主要输入计算出的虚拟传感器等数据；从其他来源收到的数据 ， 如卡车上所载货物的信息、设备所有者的姓名、设备序列号和历史维护记录等 。
（2）衍生数据 。 由数字孪生内的逻辑衍生之数据 ， 如有关事物环境（例如环境温度、当地天气条件）或与事物间接相关的对象（例如所有者的姓名和地址以及所有者身份之外的其他细节）的数据 。 这些数据不属于数字孪生本身 ， 但属于数字孪生中的逻辑 ， 或者使用孪生的应用程序中的逻辑 ， 必要时可能需要访问这些数据 。
（3）操作数据 。 操作数字孪生系统内的输入数据或存储在数字孪生系统外的数据 。 例如 ， 数字孪生可以通过对卡车观察到的燃油水平、油箱尺寸和平均速度 ， 应用公式来计算并存储卡车耗尽燃油前的剩余时间 。 此剩余时间是操作后获得的数据 。
（4）调用外部数据 。 基于数字孪生在外部（物理上）实现的逻辑 。 孪生逻辑可以向外部决策服务调用API ， 例如计算卡车预期到达时间的地理空间映射服务 。 这可以使用卡车当前位置和计划路线（下一个目的地的标识）上的数字孪生数据 ， 并获取不在孪生中的外部信息（地图和其他系统中保存的实时交通信息） 。
从上面的介绍可见 ， 需要把数字孪生技术与实体及其过程充分融合 ， 以达到优化的目的 。
数字孪生的支撑技术
从前述的例子可以看出 ， 某种意义上数字孪生是一种技术理念 ， 其实现需要多种基础技术 ， 如传感、物联网、大数据、CAD/CAE、仿真、VR/AR/MR/XR（虚拟现实/增强现实/混合现实/泛现实）、AI等 ， 此处不专门介绍 。
促成数字孪生技术应用所需基础要素的部署一直在加速[4]：
（1）仿真 。 构建数字孪生技术所需工具的能力和成熟度都在不断提高 。 现在 ， 人们可以设计复杂的假设仿真情景 ， 从探测到的真实情况回溯 ， 执行数百万次的仿真流程也不会使系统过载 。 而且 ， 随着供应商数量的增加 ， 选择范围也在持续扩大 。 同时 ， 机器学习功能正在增强洞察的深度和使用性 。
（2）新的数据源 。 实时资产监控技术如激光探测及测距系统（light detection and ranging ， LIDAR）与菲利尔（FLIR）前视红外热像仪产生的数据 ， 现在已经可以整合到数字孪生体内 。 同样地 ， 嵌入机器内部的或部署在整个供应链的物联网传感器 ， 可以将运营数据直接输入到仿真系统中 ， 实现不间断的实时监控 。
（3）互操作性 。 过去10年里 ， 将数字技术与现实世界相结合的能力已经得到显著提高 。 这一改善主要得益于物联网传感器、操作技术之间工业通讯标准的加强 ， 以及供应商为集成多种平台集成做的努力 。
（4）可视化 。 创建数字孪生体所需的庞大数据量可能会使分析变得复杂 ， 如何获得有意义的洞察就变得更具挑战性 。 先进的数据可视化可以通过实时过滤和提取信息来应对该挑战 。 最新的数据可视化工具除了拥有基础看板和标准可视化功能之外 ， 还包括交互式3D、基于VR和AR的可视化、支持AI的可视化以及实时媒体流 。
（5）仪器 。 无论是嵌入式的还是外置的物联网传感器都变得越来越小 ， 并且精确度更高、成本更低、性能更强大 。 随着网络技术和网络安全的提高 ， 可以利用传统控制系统获得关于真实世界更细粒度、更及时、更准确的信息 ， 以便与虚拟模型集成 。
（6）平台 。 增加功能强大且价格低廉的计算能力、网络和存储的可用性和访问是数字孪生技术的关键促成要素 。 一些软件公司在基于云平台、物联网和分析技术领域进行了大量投资 ， 紧跟数字孪生潮流 。 其中部分投资正在用于简化行业特定数字孪生应用的开发工作 。
需要注意的是 ， 在不同场景下的数字孪生体所用到的技术是不一样的 。
似， 是 ， 与不是
现实中关于数字孪生尚存在模糊认识 。 从前述例子中可以悟出数字孪生的是与不是 。
CPS似乎是一个工作系统 ， 但它只是一个理念 。 数字孪生似乎是一种技术 ， 其实更大程度上是一种技术理念 。 工业4.0的核心理念乃CPS（cyber-physical systems ， 数字物理系统 ， 赛博物理系统） ， 强调数字世界与物理世界的深度融合 。 制造业中人们普遍关注的智能制造之核心技术理念亦是CPS 。 若问最能反映CPS理念的核心是什么？笔者认为非数字孪生莫属 。 实现CPS需要诸多数字-智能技术 ， 如智能感知、物联网、大数据、工业互联网、仿真、VR/AR、AI等 ， 但其中每一项技术都不可能成为反映CPS理念的核心技术 。 而数字孪生乃是集前述支撑技术之大成 。 因此可以言 ， 数字孪生更大程度上是一种技术理念 ， 与CPS之理念高度契合 。 如果说数字孪生是技术的话 ， 并非一种单一的技术 ， 而是多种技术的集合 。 数字孪生也是数字世界与物理世界深度融合的具体表现 。
不只是几何的 ， 更是物理的 。 虽然数字孪生体包含对象的几何信息 ， 但真正显示数字孪生意义的是其物理信息 ， 如产品在运行过程中的状态 ， 物理过程的仿真等 。
不只是静态的 ， 更是动态的 。 数字孪生的意义本来就不是基于处理静态问题 。 产品的运行过程都是动态的 ， 只有在对动态问题更深刻认识并施与相应控制 ， 这才是数字孪生最重要的意义所在 。
不只是对象的 ， 更是环境的、系统的 。 很多人尚未意识到 ， 数字孪生技术可以仿真人在实际问题中感知不到的某些环境 。

|根叔新作！浅说数字孪生
本文插图

例如 ， 特斯拉对每一个售出的车都建立数字孪生体 。 [13]未来 ， 特斯拉和其它汽车公司还会继续发展自动驾驶汽车 。 不难想象 ， 驾驶条件的数据（白天/黑夜、天气等） ， 道路性质（弯道、上下坡等）和驾驶者行为 ， 以及事故发生情况等数据都将被聚合起来进行分析 ， 从而驱动某一型号汽车性能的提升与改善 。 来自单个汽车的数据被分析后可用来微调车辆行为 。
又如 ， 风电系统的运行优化和风场的维护非常复杂 ， 尤其是建设在海上的风场 ， 维护需要调用船舶、直升机、海洋工程船等特殊设备 ， 成本更加高昂 ， 且维修周期更长 。 由于风机运行环境较恶劣、风资源的随机性 ， 以及风场多地处偏远地区等客观因素 ， 进行人工的状态监控和维护排程难以实现风能利用的最大效率 。 风场的运维策略和排程的优化需要综合考虑许多的因素 ， 包括风机的当前健康状态、维护机会窗口、对未来几天内风资源的预测、维护资源的可用性、维护人员的数量和技能、船舶的路径和成本、海上天气状况等多个维度的因素 。 [14]这都是建立其数字孪生体时需要考虑的因素 。
不只是针对产品 ， 还有针对使用者的 。 对于常规的非自动驾驶模式 ， 除了车的数字孪生模型 ， 还需建立驾驶者数字孪生模型 ， 以便在困难情况下基于特定的驾驶者行为反应 ， 能使驾车效果进一步微调 。 在汽车的新产品开发中 ， 公司可通过其正在运行的具有千千万万里程的汽车数据去模拟汽车性能和驾驶者反应 ， 以评估设计改变的效果 。 更一般地 ， 收集产品使用数据和用户行为及反应数据可建立仿真模型 ， 辅助设计决策 ， 平衡不同设计方案的优劣 ， 且预测市场接受的程度 。 总之 ， 通过对各种情况下的车辆数据和驾驶者数据的聚集融合 ， 并进行仿真 ， 能够驱动汽车的新产品开发或创新设计 。
孪生数据不只是产生在设计中 ， 且产生在产品全生命周期内 。 孪生数据不仅产生于产品的设计 ， 而且在产品的制造、运行、维护等全生命周期过程中 ， 都不断地产生孪生数据 。 有必要进一步深刻理解孪生数据：
切勿认为孪生数据只是产品设计中的几何、制造、物理等信息 ， 孪生数据在产品的全生命周期内而不断丰富 。
一个物理实体不是仅对应一个数字孪生体 ， 可能需要多个从不同侧面或视角描述的数字孪生体 。 人们很容易认为一个物理实体对应一个数字孪生体 。 如果只是几何的 ， 这种说法尚能成立 。 恰恰因为人们需要认识实体所处的不同阶段、不同环境中的不同物理过程 ， 一个数字孪生体显然难以描述之 。 如一台机床在加工时的振动变形情况、热变形情况、刀具与工件相互作用的情况……这些情况自然需要不同的数字孪生体进行描述 。
不同的建模者从某一个特定视角描述一个物理实体的数字孪生模型似乎应该是一样的 ， 但实际上可能有很大差异 。 前述一个物理实体可能对应多个数字孪生体 ， 但从某个特定视角的数字孪生体似乎应该是唯一的 ， 实则不然 。 差异不仅是模型的表达形式 ， 更重要的是孪生数据的粒度 。
如在所谓的智能机床中 ， 通常人们通过传感器实时获得加工尺寸、切削力、振动、关键部位的温度等方面的数据 ， 以此反映加工质量和机床运行状态 。 华中数控的做法显然更进一步 ， 他们获取的数据有：[15]
● 运动轴状态：电流、位置、速度等；
● 主轴状态：功率、扭矩、速度等；
● 机床运行状态数据：PLC、I/O、报警和故障信息等；
● 机床操作状态数据：开机、关机、断电、急停等；
● 程序数据：程序名称、工件名称、刀具、加工时间、程序执行时间、程序行号等 。
显然 ， 这里收集的数据细目多 ， 粒度细 。 不同的建模者对数据的取舍肯定不一样 。 一般而言 ， 细粒度数据有利于人们更深刻地认识物理实体及其运行过程 。
数字孪生的关键不仅在于孪生数据的粒度 ， 更在于孪生数据的特别关联 。 如华中数控认识到 ， 数控机床工作状态大数据与加工G代码指令密切相关 ， 与零件加工质量、精度和加工效率之间也存在关联关系 。 基于大数据分析和深度学习技术 ， 将从G代码中提取的切削参数、刀具信息和对应的车床加工过程指令域功率数据作为神经网络的输入和输出 ， 建立数控车床工艺系统的神经网络模型 。 请注意 ， 这里不只是满足于收集的数据更多更细 ， 而且要把这些数据融合起来解决问题 。 这里融合是关键 ， 意指数据的关联 。 数据之间缺乏关联 ， 再多再细亦枉然 。
其实 ， 数字孪生应用的程度体现企业数字化的深度 。
企业数字化的深度
主要体现在数字孪生技术对企业活动刻画的程度 ， 也就是孪生数据的粒度及其关联程度 。
数字孪生尚无固定的技术体系、模式和方法 。 到目前为止 ， 数字孪生体的构造方式五花八门 。 反映物理实体的各种数字模型似乎均可视为数字孪生模型 。 尽管如此 ， 未来关于数字孪生建模的规律与方法还需众多的实践者去完善和丰富 。
数字孪生体不能只是物理实体的镜像 ， 而是与物理实体共生 。 有一些学者或专家或许认为数字孪生只是物理实体在数字空间的镜像 。 此说只能算部分正确 。 在产品设计开发阶段 ， 设计者在数字空间中进行设计时 ， 还没有对应的物理实体 ， 但此时的数字模型依然可视为一种数字孪生模型 。 最终确认的数字模型可“生”出物理实体 。 可以认为 ， 这时的数字孪生体是物理实体在“孕育”阶段的“胚胎” 。 在物理实体（产品）系统（包括特定的环境）的运行过程中 ， 各种过程数据又不断地丰富数字孪生模型 。 在产品运行过程中 ， 孪生模型对获得的数据进行分析或仿真而获得的衍生数据反过来又能够优化控制产品的运行 。 所以“共生”发生在产品的全生命周期 。 此外 ， “镜像”说容易使人误解成数字孪生体只是物理实体外观或几何在数字空间中的映射 。
数字孪生不能只是物理实体的数字表达 ， 它应该是“物理生命体”的数字化描述 。 大多数关于数字孪生的定义都指向物理实体的数字化表达 ， 如GE Digital认为数字孪生是资产和流程的软件表示 ， SAP认为数字孪生是物理对象或系统的虚拟表示 ， Gartner在十大新兴技术专题中对数字孪生的解释是：数字孪生是现实世界实物或系统的数字化表达 。 [2]本文试图给出数字孪生体的极简定义 。
定义1：“物理生命体”是指“孕育”过程（即实体的设计开发过程）和服役过程（运行、使用）中的物理实体（如产品或装备） 。
“生命体”的含义不仅包括物理实体（如产品或装备）在服役过程中的运行活动 ， 也包括实体的“孕育”过程 ， 即产品的设计开发过程 。 如果一个物理实体不具备“使用”意义 ， 则不具备“生命”意义 ， 自然也不是工业过程中被关注的“物理生命体” 。 如 ， 没人使用的房子就不是“物理生命体” 。 生命体的模型包括几何、物理、环境、过程……
定义2：数字孪生体是“物理生命体”在其服役和孕育过程中的数字化模型 。
此定义中隐含了前述关于数字孪生的“是”与“不是” 。
一根主线
讲数字孪生不能不提数字主线（digital thread） 。 美国军方早期对数字主线有一个通俗的解释 ， 其目标是在系统全生命期内实现在正确的时间、正确的地点、把正确的信息传递给正确的人 。 数字主线是与某个或某类物理实体对应的若干数字孪生体之间的沟通桥梁 ， 这些数字孪生体反映了该物理实体不同侧面的模型视图 。
达索3D EXPERIENCE平台之上创建数字孪生体 ， 强调数据不受不同软件的束缚 ， 不受流程的影响 ， 可跨越不同工具、不同用户、不同系统 ， 这就需要数字主线的作用 。 埃森哲认为 ， 数字主线可端到端地在流程与系统间穿针引线 ， 助力在企业和其生态系统中构建一个互联的产品信息网络 ， 打破企业内部藩篱 ， 加强与外部供应商的协作 。 它能整合产品全生命周期数据资源 ， 为数字孪生应用创造条件 。 数字孪生也必须要有数字主线向其输送数据“血液” 。 如某企业设计某手机产品时创建了其数字孪生 ， 却在后续的生产物流、销售、维保等环节未能及时反哺数据 ， 则这个数字孪生是死的 ， 与传统的CAD与仿真没有实质区别 。 [16]
不妨在综合各家之言的基础上梳理一下数字主线的脉络 。 看不见的数字主线之主要目的是保证数据的流通、集成、融合 ， 主要表现在下面几个方面：
（1）一个物理实体之不同的数字孪生体（反映同一物理实体之不同状态、不同性能特征等）之间的数据流通和融合；
（2）一个物理实体在其生命周期的不同阶段 ， 其孪生数据的流通、融合；
（3）不同物理实体之间 ， 其孪生数据的流通、融合；
（4）产品生命周期的不同环节、企业不同部门乃至伙伴的相应部门之间 ， 所需孪生数据的流通和融合 。
造物主创造的宇宙中 ， 在我们所感知的空间之外或许还存在一个平行的空间；人类创造的工业世界中 ， 除了我们看得见和感知的物理空间 ， 一定还要有一个平行空间——数字孪生空间 。
让我们不仅从数字孪生的“是”中去认识那个虚拟空间 ， 还需要从那些似是而非中去体验那个平行空间！


    推荐阅读


    上一篇：“鲁斯兰”传奇续写，安124之后，又一代重型运输机即将问世

    下一篇：悬念|没悬念了！巴萨仅半场狂丢4球，穆勒梅开二度特尔施特根难救主