数字孪生+工业互联网发展历程

来源：《数字孪生系统设计与实践》

丁盈 朱军 王晓征

工业数字孪生发展经历了三个阶段，其发展背后是数字化技术在工业领域的演进与变革。

第一阶段，概念发展期。2003年，美国密歇根大学MichaelGrieves教授首次提出了数字孪生概念，该概念提出的基础是当时产品生命周期管理（PLM）、仿真等工业软件已经较为成熟，为数字孪生体在虚拟空间构建提供支撑基础。

第二阶段，应用于航空航天行业。数字孪生最早应用于航空航天行业，2012年美国空军研究室将数字孪生应用到战斗机维护中，而这与航空航天行业最早建设基于模型的系统工程（MBSE）息息相关，能够支撑多类模型敏捷流转和无缝集成。

第三阶段，向多类行业拓展应用。近些年，数字孪生应用已从航空航天领域向工业各领域全面拓展，西门子、GE等工业巨头纷纷打造数字孪生解决方案，赋能制造业数字化转型。数字孪生蓬勃发展的背后与新一代信息技术的兴起、工业互联网在多个行业的普及应用有莫大关联。工业数字孪生是多类数字化技术集成融合和创新应用，基于建模工具在数字空间构建起精准物理对象模型，再利用实时IOT数据驱动模型运转，进而通过数据与模型集成融合构建起综合决策能力，推动工业全业务流程闭环优化，如图所示。

     

图1 工业数字孪生功能参考架构

第一层，连接层。具备采集感知和反馈控制两类功能，是数字孪生闭环优化的起始和终止环节。通过深层次的采集感知获取物理对象全方位数据，利用高质量反馈控制完成物理对象最终执行。

第二层，映射层。具备数据互联、信息互通、模型互操作三类功能，同时数据、信息、模型三者之间能够实时融合。其中，数据互联指通过工业通信实现物理对象市场数据、研发数据、生产数据、运营数据等全生命周期数据集成；信息互通指利用数据字典、元数据描述等功能，构建统一信息模型，实现物理对象信息的统一描述；模型互操作指能够通过多模型融合技术将几何模型、仿真模型、业务模型、数据模型等多类模型进行关联和集成融合。

第三层，决策层。在连接层和映射层的基础上，通过综合决策实现描述、诊断、预测、处置等不同深度应用，并将最终决策指令反馈给物理对象，支撑实现闭环控制。

全生命周期实时映射、综合决策、闭环优化是数字孪生发展三大典型特征。

一是全生命周期实时映射，指孪生对象与物理对象能够在全生命周期实时映射，并持续通过实时数据修正完善孪生模型；二是综合决策，指通过数据、信息、模型的综合集成，构建起智能分析的决策能力；

三是闭环优化，指数字孪生能够实现对物理对象从采集感知、决策分析到反馈控制的全流程闭环应用。本质是设备可识别指令、工程师知识经验与管理者决策信息在操作流程中的闭环传递，最终实现智慧的累加和传承。

所周知数字孪生（Digital Twin）来源于军事领域，发展于工业领域，Gartner的数字孪生技术发展曲线中，也明确了工业和制造领域将达到实用该技术的顶峰。从某种意义上说数字孪生是工业数字化的一种思路、方法论，是一种技术体系和技术能力。

（1）作为基本概念，数字孪生的核心是利用传感数据和计算，实现对物理实体的深度认知和智能决策，有效地控制和管理这些物理实体，更好地服务人类。

（2）作为技术概念，数字孪生是在计算机中，对物理实体实现映射，属于计算机工程的问题，也属于软件工程的范畴，要对物理实体进行映射，就要对它的状态进行模式判定、根因分析、状态预测等计算，可以有多种实现方法。

（3）作为方法论，面向对象编程范式（OOP）可以为数字孪生的设计所借鉴和引用。数字孪生的设计可以把面向对象编程范式推广到物理世界的实体，在软件中以对象的方式表征物理实体，对每一个物理实体建立相应的软件对象。

在数字孪生中以数据表征物理实体的属性及状态，以算法模型模拟其行为。除此以外，对象化的设计方式，可以支持利用单元对象，以搭积木的方式构建越来越复杂的系统，从组建数孪体开始，构建设备、机组、产线、车间，以至整个工厂的数字孪生体，成为整个工厂的数字表征。以这种方式构建数字孪生，结构性地反映物理实体的属性、状态与行为，屏蔽了现场的复杂性，简化了数字化工业应用的构建。

从工业数字孪生技术体系架构中可以看出（如图2所示），工业数字孪生涵盖了数字支撑技术、数字线程技术、数字孪生体技术、人机交互技术四大类型。其中，数字线程技术和数字孪生体技术是核心技术，数字支撑技术和人机交互是基础技术。

数字支撑技术具备数据获取、传输、计算、管理一体化能力，支撑数字孪生高质量开发利用全量数据，涵盖了采集感知、执行控制、新一代通信、新一代计算、数据模型管理五大类型技术。未来，集五类技术于一身的通用技术平台有望为数字孪生提供“基础底座”服务。其中，采集感知技术的不断创新是数字孪生蓬勃发展的原动力，支撑数字孪生更深入获取物理对象数据。一方面，传感器向微型化发展，能够被集成到智能产品之中，实现更深层次的数据感知。如 GE 研发嵌入式腐蚀传感器，并嵌入到压缩机内部，能够实时显示腐蚀速率。另一方面，多传感融合技术不断发展，将多类传感能力集成至单个传感模块，支撑实现更丰富的数据获取。如第一款 L3 自动驾驶汽车奥迪 A8 的自动驾驶传感器搭载了 7 种类型的传感器，包含毫米波雷达、激光雷达、超声波雷达等，以保证汽车决策的快速性和准确性。

     

图2 工业数字孪生技术体系参考架构

数字线程技术是数字孪生技术体系中最为关键的核心技术，能够屏蔽不同类型数据、模型格式，支撑全类数据和模型快速流转和无缝集成，主要包括正向数字线程技术和逆向数字线程技术两大类型。其中，正向数字线程技术以基于模型的系统工程（MBSE）为代表（如图5-4所示），在用户需求阶段就基于统一建模语言（UML）定义好各类数据和模型规范，为后期全量数据和模型在全生命周期集成融合提供基础支撑。当前，基于模型的系统工程技术正加快与工业互联网平台集成融合，未来有望构建“工业互联网平台 +MBSE”的技术体系。如达索已经将 MBSE 工具迁移至 3DEXPERIENCE 平台，一方面基于 MBSE 工具统一异构模型语法语义，另一方面又可以与平台采集的 IOT 数据相结合，充分释放数据与模型集成融合的应用价值。

逆向数字线程技术以管理壳技术为代表，依托多类工程集成标准，对已经构建完成的数据或模型，基于统一的语义规范进行识别、定义、验证，并开发统一的接口支撑进行数据和信息交互，从而促进多源异构模型之间的互操作。管理壳技术通过高度标准化、模块化方式定义了全量数据、模型集成融合的理论方法论，未来有望实现全域信息的互通和互操作。中科院沈自所构建跨汽车、冶金铸造、3C、光伏设备、装备制造、化工和机器人七大行业的管理壳平台工具，规范定义元模型等标准，可支撑进行模型统一管理、业务逻辑建模及业务模型功能测试。

从技术框架体系来看，数字孪生对现实世界中的实体进行映射，对其状态进行模式判定、根因分析、状态预测等计算。从这个目的来看，一般不宜把支撑性的技术，甚至可以构建为这些应用架构中的中间件。数字孪生要映射生产现场的设备的状态和行为，需要在软件中建立相应的镜像对象。如果借鉴OOP，我们需要在数字孪生体中设定与设备对应的参数，这些参数包括属性、状态、指令等类型。在这个基础上，把这些参数与从设备采集的数据一一对应连接，如果设备的某个运行参数变化了，在相应数字孪生体上也几乎实时地得到反映。这是一个对设备数据梳理的过程，也是工业知识沉淀到软件的过程。在此之后，利用算法模型对这些数据进行分析计算，对物理实体的行为进行映射。比如，对设备的运行状态进行模式判定或预测，是否属于运行异常、是否符合工艺要求、是否符合能效要求等，如果判定了异常，对异常的根因分析，还有解决的策略会用到机理模型和数据算法的模型。

     

图3　MBSE技术分析试图参考

然而，最终的解决方案必须把数字孪生体所映射的设备的运行特征和行为作为输入，结合生产运营管理的业务逻辑和生产规则，特别是精益管理的原则和方法论，做出的适合的决策，并得以执行，这些逻辑一般可用App的方式实现。

这就是数字孪生作为一种技术框架体系，作为数字化工业应用架构的中间件的作用：它可以下启物联数据，连接现场；上承工业App，输送对现场状态和行为的洞察认知，支撑管控现场的决策。

从数字孪生的特征和作用来看，在数字化生产运营的层面，制造业企业经过二十多年的信息化发展，在产品和工艺设计过程中采用了各式设计软件，各种的CAD，在原有的自动化生产的基础上，实现了业务管理流程的自动化和信息化。但是，大部分工业软件大多用于管理业务流程，以及正常状况下的计划生产。在生产过程中，充分利用生产现场的大量设备数据，进一步降低设备的故障率、提高整体设备效率、提升产品质量、降低能耗和物耗、保障生产过程的合规性等，因此还有大量的工作需要做。现阶段，对于生产异常判定、根因分析以及应对策略，大多还是依赖操作经验，靠手工作业完成。在新一轮数字化发展中，不管是在产品与工艺设计，还是在生产过程中，如何利用来自物理世界的数据，对实况做出精准的判定、智能化的决策、及时的执行，成为企业关注的重点。

企业需要打通生产工序上下游多设备的高效协同运行，并能将精益管理的原则和方法，融入数字化生产运营管理中，追求生产过程的标准化、稳定性和持续改善。数字孪生技术的诞生，恰好能利用物理实体的数字化虚拟复 制，以计算解决现实问题。

因此，当我们利用数字孪生的方法论，建立一种新的技术框架时，在结构上从OT的角度，以设备作为主体对象进行建模，定义设备的特征数据，建立算法模型判定或预测设备的行为。这样能够轻松地让设备专家定义设备的特征数据，让懂设备运行和生产工艺的专家与算法工程师合作建立算法模型，双方得以通过数字孪生的结构融合在一起。以这种方法对各类设备建立数字孪生体，把数据定义和算法封装成可以在多处以插件方式重复用的软件组件。熟悉设备的设备供应商或熟悉工艺过程的工业设计院所，也可独立构建和提供某类设备或生产过程的数字孪生，并可以支持多个场景。

此外，数字孪生本身在软件结构与其他业务性的软件组件（如生产规则或用户界面）代码解耦分离。当数字孪生的算法迭代提升，比如提高了某种计算的准确性，只需独立更新数字孪生体，不需要重新修改更改业务性的软件代码。

发展工业数字孪生意义重大。当前，全球积极布局数字孪生应用，2020 年美、德两大制造强国分别成立了数字孪生联盟和工业数字孪生协会，加快构建数字孪生产业协同和创新生态。

从国家层面来看，随着我国工业互联网创新发展工程的深入实施，我国涌现了大量数字化网络化创新应用，但在智能化探索方面实践较少，如何推动我国工业互联网应用由数字化网络化迈向智能化成为当前亟须解决的重大课题。而数字孪生为我国工业互联网智能化探索提供了基础方法，成为支撑我国制造业高质量发展的关键抓手。

如图4所示，在智能制造标准体系结构中，数字孪生被作为智能赋能技术标准范畴。该部分主要包括人工智能、工业大数据、工业软件、工业云、边缘计算、数字孪生和区块链等 7 个部分，主要用于指导新技术向制造业领域融合应用，提升制造业智能化水平。

从产业层面来看，数字孪生有望带动我国工业软件产业快速发展，加快缩短与国外工业软件差距。由于我国工业历程发展时间短，工业软件核心模型和算法一直与国外存在差距，成为国家关键“卡脖子”短板。数字孪生能够充分发挥我国工业门类齐全、场景众多的优势，释放我国工业数据红利，将人工智能技术与工业软件结合，通过数据科学优化机理模型性能，实现工业软件弯道超车。

     

图4　智能制造标准体系结构参考

从企业层面来看，数字孪生在工业研发、生产、运维全链条均发挥重要作用。在研发阶段，数字孪生能够通过虚拟调试加快推动产品研发低成本试错。在生产阶段，数字孪生能够构建实时联动的三维可视化工厂，提升工厂一体化管控水平。在运维阶段，数字孪生可以将仿真技术与大数据技术结合，不但能够知道工厂或设备“什么时候发生故障”，还能够了解“哪里发生了故障”，极大提升了运维的安全可靠性。

总而言之，利用数字孪生，用户有机会建造一种可以有效支持数字化技术和工业知识融合的技术框架，促进工业知识的沉淀、积累与持续提升，推动生态型工业知识的广泛重用共享。要实现数字孪生的价值，需要多种技术和知识的融合，特别是数字化技术（IT）和工业知识（OT）的融合。对于制造业企业来讲，经常遇到IT技术资源薄弱，OT知识积累单薄的窘境，要单独利用数字孪生推进数字化生产运营管理的障碍重重。