Michael Grieves：数字孪生演进与发展

Digital twin phases and futures

Michael Grieves

译文：

数字孪生正日益深刻地变革着工业流程与人类日常生活。通过在数字/虚拟环境中实现对物理资产的模拟、预测、响应与控制以及优化，数字孪生能够提升运行效率、降低成本并支持智能决策。历经二十余年的发展，依据其发展重点，数字孪生主要经历了三个重要阶段。

1. 阶段一：概念起源
历史上，人类在建造实体前后常会制作不同比例的物理复 制品。至20世纪，随着电子技术的兴起，这些物理复 制品甚至具备了动态特性。进入21世纪（我常称之为第三个千年，因其技术进步之巨大），随着计算与通信技术的飞速发展，复 制品的概念演化为利用虚拟/数字表征来监测、预测并控制物理系统的行为。

2002年，我提出了一个三要素模型来描述数字孪生的概念模型。该数字孪生模型的三个要素分别是：物理环境中的物理对象、数字环境中的对应数字对象，以及物理与数字对象之间的连接。数据流入虚拟/数字环境，并以某种形式将数据和信息返回物理环境。2002年提出的原始模型名称颇为拗口，称为“产品全生命周期管理（PLM）的基本前提”。2011年，我在美国国家航空航天局（NASA）担任顾问期间的同事John Vickers，在一份NASA路线图中将该模型命名为“数字孪生”。我十分青睐此名称，遂在2014年一篇被高度引用的白 皮书中将我的模型更名为“数字孪生模型”。然而，直至2017年，由John Vickers与我共同撰写的一章内容才提出了一个全面的数字孪生模型信息框架[4]。该框架详细定义了上述三个要素以及涵盖全生命周期的数字孪生类型：数字孪生原型（Digital Twin Prototype, DTP）、数字孪生实例（Digital Twin Instance, DTI）和数字孪生聚合体（Digital Twin Aggregate, DTA）。

自那时起，数字孪生概念几乎被所有可想象的行业和学科所采纳，甚至包括一些我未曾预见的领域。由于这一包罗万象的概念由用例驱动，实践中存在大量不同的定义。近期我参与的一项针对学术文献的研究工作梳理出了358种不同定义。其中约三分之一的定义仅描述了数字模型，其余定义均包含上述数字孪生的三个要素。然而，由于不同应用场景的差异，这三分之二的定义侧重于描述数字孪生的不同方面。因此，相较于单纯依赖文字定义，采用图1所示广为接受的视觉化数字孪生模型进行描述更为有效。

2. 阶段二：理论与技术发展

自我提出三要素数字孪生模型以来，该模型已被全球研究者公认为基础性概念。在此模型基础上，涌现了大量针对特定领域的理论和技术框架与模型，通常融入了必要的调整以应对不同应用领域的独特特征与需求。

例如，在医学和医疗保健领域，人为因素至关重要；因此，在提出用于患者护理或医疗干预的数字孪生框架时，需审慎考虑人体特征。在城市规划领域，包含人类活动与城市进程的社会特征是主要关注点；故而这些社会因素被系统地纳入城市数字孪生模型。为支持制造业领域的数字孪生应用，Tao等人将我的三要素模型扩展为五维数字孪生模型，该模型已广泛应用于复杂装备的数字化设计、制造、测试/验证、运行/维护与服务阶段；五维数字孪生模型已成为理论基础，并为复杂装备全生命周期的数字化开辟了新路径。为提升地球科学领域的气候预测能力，研究者们甚至正尝试开发“地球数字孪生”——一个前所未有地精确模拟大气、海洋、冰盖和陆地的高保真仿真系统。

在评估现有数字孪生理论与技术发展的相关工作时，可将重要成果归纳为以下领域：

模型与仿真构建： 构建代表物理世界对应物的数字孪生及其环境是数字孪生实施的基石。本世纪初，随着计算机辅助设计（CAD）从二维图纸演进至三维模型，这一构建成为可能。模型迅速从静态发展为利用仿真预测未来结果的动态模型。现实捕捉技术的出现使得不仅能够构建物理对象，还能构建其周围的物理环境。当前研究正致力于定义并实现数字孪生的“数字孪生元宇宙”（DT Metaverses）[9]。建模方法已从单一维度发展为能捕捉几何、物理、行为及基于规则特征的多维方法。我们不仅利用基于物理的模型，也利用由人工智能（AI）驱动的大数据模型。

感知与通信： 感知与通信技术构成了物理世界与其数字对应物之间的关键纽带。这些技术利用物联网（IoT），实现了实时运行数据的采集与数据获取网络的建立。研究也聚焦于基于采集数据准确评估物理实体的状态或状况，并在数字孪生内部实现预测性、响应性及类智能的行为。

同步： 数字孪生的一项定义性特征是物理空间与数字空间之间的同步。根据用例不同，同步可以是周期性的，或日益普遍的持续同步。在初始数字孪生构建并验证后，由于对物理系统认知的不完备性或物理系统固有的动态复杂性，随着时间的推移仍可能出现偏差。为解决此问题，必须利用实时数据对数字孪生进行迭代更新。此同步过程通常被视为一个优化问题，旨在最小化实际系统行为与预测仿真输出之间的偏差。先进算法（如机器学习和元启发式算法）已被采用以提升模型保真度并维持一致性。

数据选择： 数据是驱动数字孪生动态运行的核心力量。数字孪生的一项主要功能是复 制物理对象及其环境。复 制意味着我们不再需要靠近物理对象和环境，无论身处物理世界的何处，均可即时访问。这要求从物理世界无限可用的数据中选择必需的数据。随着数据多样性和体量的增长，有效的数据处理、存储与管理变得至关重要。该领域的研究致力于应对大规模数据选择与处理的挑战，进而提取可指导行动的见解以支持基于数字孪生的决策。数据融合，尤其是异构高维数据源的整合，仍是主要挑战。量子计算和大型语言模型（LLMs）等新兴技术有望克服当前在实时处理与计算能力方面的局限。

信息开发与部署： 虽然复 制或获取物理对象及其环境所发生事件的数据至关重要，但我们也需要预测不利事件并执行相应行动以避免其发生。此即信息的开发，即消除目标导向任务中的资源浪费[10,11]。利用数字孪生和前置仿真（Front Running Simulations, FRS），我们在每个时刻点（t0）接收复 制数据并模拟未来。随后，我们可生成最优信息以避免不利事件。研究挑战在于确定复 制的频率以及为开发并维护知识库信息而需在数字孪生聚合体（DTA）中存储的数据。所需的计算能力可能令人望而却步，但人工智能（AI）和大型语言模型（LLMs）的应用在此领域大有裨益。

尽管数字孪生的理论与技术发展已取得重大进展，持续的研究与开发仍然至关重要。一方面，当前数字孪生技术面临成熟度限制，例如大型复杂场景的快速精确建模。另一方面，大型语言模型（LLMs）和6G等新兴技术有望增强数字孪生的关键能力，包括数字模型构建、数据/物理融合以及智能决策，最终拓展数字孪生应用的范围、规模和复杂度。

3. 阶段三：多领域应用
数字孪生发展的第三阶段标志着从理论向实际应用的转变，数字孪生已开始在智慧城市、智能制造、个性化医疗等诸多领域获得广泛应用。借助日益精密的数字模型和对海量数据的访问，数字孪生如今在监测、预测、优化与控制方面展现出强大能力，有效满足了各行业日益增长的数字化与智能化需求。因此，数字孪生正在变革传统运行范式中扮演着关键角色。

数字孪生部署的核心在于数字孪生软件平台，它构成了开发与实施的核心基础设施。多家工业企业基于其技术储备与优势，开发了与数字孪生相关的平台。这些平台通常强调云基础设施、实时数据集成和快速应用开发，提供从设备连接到数据分析的端到端解决方案。然而，现有平台在全面提升开发效率、技术创新及加速全行业采纳方面仍显不足。

尽管取得上述进展，数字孪生应用仍存在若干挑战。首先，当前大多数实施范围有限，常局限于特定场景，难以满足大规模或复杂系统的需求。随着社会进步，更复杂、互联性更强的系统不断涌现，对互操作性、可扩展性和系统集成提出了更高要求。其次，平台与工具间缺乏互操作性持续造成孤立的“信息孤岛”，数据与模型无法无缝交换。这种碎片化问题在跨领域或企业间协作中尤为突出，系统不兼容性严重阻碍了全球创新工作的效率。

4. 数字孪生未来趋势
随着理论、技术、应用的持续进步以及用户需求的不断增长，数字孪生即将进入新的发展阶段。未来的数字孪生阶段将以市场快速扩张、技术融合与应用多元化为特征。为加速这一演进并确保数字孪生的持续影响力，利益相关方需在以下关键领域加强协作：

解决内聚性与互操作性问题： 在物理世界中，内聚性（即物体遵循物理宇宙的所有规则）由原子层面的物理定律强制执行。例如，加长钢梁会自动增加其重量。不同物体间的互操作性主要由标准和规范实现。数字孪生因其位级（bit-level）的粒度，需要解决潜在的内聚性与互操作性缺陷。制定标准只能解决其中有限的问题。为数字对象和环境制定全面详尽且忠实反映物理世界保真度的标准，任务艰巨甚至可能实际不可行。其他潜在解决方案包括开发规定数字孪生必须遵守规则的平台。对需要协同工作的所有数字孪生进行集中编程是另一种方案，但其成本高昂且耗时。我提出人工智能（AI）作为一种潜在解决方案，可嵌入不同数字孪生内部（组件级）或之间（系统级），以强制实现内聚性与互操作性。数字孪生元宇宙的开发将同时需要这两项属性。

融合新兴技术： 传统数字孪生系统仍面临诸多挑战，包括复杂的建模要求、有限的适应性以及在数据处理和决策中自主性不足。采用新兴技术为克服这些障碍提供了重大机遇。特别是人工智能（AI）的快速发展正推动数字孪生系统向更智能、更自主的方向演进。将人工智能融入数字孪生工作流可显著提升建模效率、强化预测能力，并支持从“人在回路”（Human-In-The-Loop, HITL）决策支持向完全或智能决策转变。

发展成熟的数字孪生工业软件： 未来的数字孪生平台将具备模块化架构、以人为本的界面、面向服务的基础设施和创新驱动的生态系统集成等特征。这些特性将使各行业能够优化工作流、加速决策进程并更灵活地适应动态运行环境。因此，数字孪生软件有望成为智能化、韧性化及以用户为中心的工业转型的基石。为跨领域数字孪生应用提供通用工具，我们需要数字孪生领域的“MATLAB”，例如“makeTwin”。