数字孪生(*Digital twin*)指可用于各种目的物理资产(物理孪生,physical twin)、过程、人员、场所、系统和设备的数字副本。

 

简介

数字孪生(Digital twin)指可用于各种目的物理资产(物理孪生,physical twin)、过程、人员、场所、系统和设备的数字副本。数字(digital)表示提供了物联网设备在其整个生命周期中如何运行的各个要素和动态。先前研究中使用的数字孪生技术(digital twin technology )的定义强调了两个重要特征:

  • 首先,每个定义强调物理模型和相应的虚拟模型之间的连接。
  • 其次,通过使用传感器生成实时数据来建立这种连接。

数字孪生是物联网里面的概念,它指通过集成物理反馈数据,并辅以人工智能、机器学习和软件分析,在信息化平台内建立一个数字化模拟。这个模拟会根据反馈,随着物理实体的变化而自动做出相应的变化。理想状态下,数字映射可以根据多重的反馈源数据进行自我学习,从而几乎实时地在数字世界里呈现物理实体的真实状况。数字映射的反馈源主要依赖于各种传感器,如压力、角度、速度传感器等。数字映射的自我学习(或称机器学习)除了可以依赖于传感器的反馈信息,也可以是通过历史数据,或者是集成网络的数据学习。后者常指多个同批次的物理实体同时进行不同的操作,并将数据反馈到同一个信息化平台,数字映射根据海量的信息反馈,进行迅速的深度学习和精确模拟。

在各个工业部门,数字孪生被用来优化物理资产、系统和制造过程的操作和维护。它们是用于工业物联网的成形技术,其中物理对象可以与其他机器和人类生活和交互。事实上,在物联网的背景下,它们也被称为“网络对象” "cyberobjects"或“数字化身” "digital avatars"。

实例:

使用数字双胞胎优化机器的一个例子是维护发电设备,如发电涡轮机、喷气发动机和机车(power generation turbines, jet engines and locomotives)。

数字双胞胎的另一个例子是使用3D建模来为物理对象创建数字对象。它可以用来查看实际物理对象的状态,这提供了一种将物理对象投影到数字世界的方法。例如,当传感器从连接的设备收集数据时,传感器数据可用于实时更新设备状态的“数字孪生”副本。(Twitter的术语“设备阴影”("device shadow" )也被用于数字孪生的概念。数字孪生意味着物理对象的属性和状态,包括形状、位置、姿态、状态和运动的最新和精确拷贝。

数字孪生也可用于监测、诊断和预测,以优化资产性能和利用率。在这一领域,感官数据可以结合历史数据,人类专业知识和车队和模拟学习,以改善预后的结果。因此,复杂的预测和智能维护系统平台可以使用数字双胞胎来找出问题的根源并提高生产力。

工业应用实例:

  • Aircraft engines 航空发动机
  • Wind turbines 风力涡轮机
  • Large structures e.g. offshore platforms, offshore vessels etc.大型结构,例如海上平台、近海船只等
  • HVAC control systems 暖通空调控制系统
  • Locomotives 机车
  • Buildings 建筑物
  • Utilities (Electric, Gas, Water, Waste Water Networks) 公用事业(电力、煤气、水、废水网络)

【出处:https://en.wikipedia.org/wiki/Digital_twin 】

下图是nasa已提出首次数字孪生模型:该图展示了该模型的整个生命周期。这个想法据说起源于美国宇航局的阿波罗计划(NASA’s Apollo program),“其中至少建造了两个相同的空间飞行器,以反映航天器在执行任务期间的状况”。

数字孪生

digital twins的定义的演化如上表所示:

Definition 中文 Authors
“A Digital Twin is an integrated multiphysics, multiscale, probabilistic simulation of an as-built vehicle or system that uses the best available physical models, sensor updates, fleet history, etc., to mirror the life of its corresponding flying twin”  是一个集成的多物理、多尺度、概率模拟的现成车辆或系统,它使用可用的最佳物理模型、传感器更新、车队历史等,以反映其相应的飞行双星的生命。 Glaessgen & Stargel, (2012)
“Coupled model of the real machine that operates in the cloud platform and simulates the health condition with an integrated knowledge from both data driven analytical algorithms as well as other available physical knowledge” 它是在云平台上运行的真实机器的耦合模型,用数据驱动分析算法和其他可用物理知识的集成知识来模拟模型健康状况 Lee, Lapira, Bagheri, an Kao, (2013)
“digital twin is a real mapping of all components in the product life cycle using physical data, virtual data and interaction data between them” “数字孪生”是使用物理数据、虚拟数据和它们之间的交互数据真实地映射整个生命周期所有组件的过程。 Tao, Sui, Liu, Qi, Zhang, Song, Guo, Lu & Nee, (2018)
“a dynamic virtual representation of a physical object or system across its lifecycle, using real-time data to enable understanding, learning and reasoning” 物理对象或系统在其整个生命周期中的动态虚拟表示,使用实时数据来实现理解、学习和推理 Bolton, McColl-Kennedy, Cheung, Gallen, Orsingher, Witell & Zaki, (2018)
“Using a digital copy of the physical system to perform real-time optimization” 使用物理系统的数字副本进行实时优化 Söderberg, R., Wärmefjord, K., Carlson, J. S., & Lindkvist, L. (2017)
"A digital twin is a real time digital replica of a physical device" 数字孪生是物理设备的实时数字化的复制品 Bacchiega (2017)

【出处:Shaping the digital twin for design and production engineering 】

描述

在工业革命之前,物理赝品主要由工匠制造,制作特定模板的实例。然而,随着18世纪可互换零件概念的引入,产品的设计和制造方式迅速改变,公司也开始努力在大规模生产中复制他们的产品。近来,大规模定制的模式旨在结合这两种已建立的制造概念来低成本。然而,尽管这种制造模式允许制造大量类似的定制的零件或产品,但这些制造的实例仅仅是不相关的副本,它们没有内部联系。相比之下,构建双胞胎的概念是指生成一个部件或产品的副本,并将其用于对同一部件或产品的其他实例进行推理,从而在多个副本之间建立关系。

这个想法据说起源于美国宇航局的阿波罗计划(NASA’s Apollo program),“其中至少建造了两个相同的空间飞行器,以反映航天器在执行任务期间的状况”。然而,在过去几十年中,计算机技术的进步使得能够建立日益复杂的物理人工虚拟模型,以及这些模型的融合以用于系统工程《A Model Fusion Approach to Support Negotiations during Complex Engineering System Design》。这些模型不仅用于设计和验证《A Model Fusion Approach to Support Negotiations during Complex Engineering System Design》,而且还越来越多地用作包括基于模型的所需产品特性的定义的主产品模型《A Model Fusion Approach to Support Negotiations during Complex Engineering System Design》。此外,“微芯片、传感器和IT技术”《Semantic Data Management for the Development and Continuous Reconfiguration of Smart Products and Systems》的发展为智能产品的出现铺平了道路,智能产品跟踪和通信它们的操作条件,从而允许“馈送feed”它们的产品模型有关它们的状态的数据,例如环境条件和负载情况。

除此之外,现代传感程序甚至超越了几何测量和扫描,允许从物理人工制品中轻松、快速和可靠地收集大量数据。模式识别、数据挖掘、深度学习、 reverse engineering和其他数据分析方法利用这些数据集,并揭示这些产品过程和操作特性之间的依赖关系。仿真技术的巨大发展以及从产品中收集和交换数据的可能性日益增加,从而允许构建物理产品的虚拟孪生,这最终导致了目前对“数字双胞胎”愿景的理解。可能是NASA在它们的集成技术路线图 (Technology Area 11: Modeling, Simulation, Information Technology & Processing Roadmap; 2010),中给出了它的第一个定义,这在《The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles》中略有改动:“数字双生子是一个集成的多物理、多尺度、概率。“使用最佳可用物理模型、传感器更新、机队历史等来反映其相应飞行双胞胎寿命的现成车辆或系统的统计仿真”(“A Digital Twin is an integrated multiphysics, multiscale, probabilistic simulation of an as-built vehicle or system that uses the best available physical models, sensor updates, fleet history, etc., to mirror the life of its corresponding flying twin”)(如第一章节图)。与此有一些相似之处,Grieves将数字双胞胎定义为“一组虚拟信息结构,充分描述了从微观原子水平到宏观几何水平的潜在或实际物理制造产品” “a set of virtual information constructs that fully describes a potential or actual physical manufactured product from the micro atomic level to the macro geometrical level”。
【出处:Shaping the digital twin for design and production engineering 】
主要事件

年份 事件 相关论文/Reference
2012 Glaessgen & Stargel,数字孪生的定义 Glaessgen, E., & Stargel, D. (2012, April). The digital twin paradigm for future NASA and US Air Force vehicles. In 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference 20th AIAA/ASME/AHS Adaptive Structures Conference 14th AIAA (p. 1818).
2016 Boschert, S., & Rosen, R.对数字孪生的仿真方面介绍 Boschert, S., & Rosen, R. (2016). Digital twin—the simulation aspect. In Mechatronic Futures (pp. 59-74). Springer, Cham.
2017 Schleich, B., Anwer, N.提出为设计和生产工程塑造数字孪生 Schleich, B., Anwer, N., Mathieu, L., & Wartzack, S. (2017). Shaping the digital twin for design and production engineering. CIRP Annals66(1), 141-144.
2017 Grieves, M., & Vickers, J.认为数字孪生可以减轻复杂系统中不可预测的、不期望的紧急行为。 Grieves, M., & Vickers, J. (2017). Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In Transdisciplinary perspectives on complex systems (pp. 85-113). Springer, Cham.

3. 发展分析

瓶颈

围绕数字双胞胎出现的一个关键挑战是:鉴于大多数公司都投资于遗留系统,企业如何能够更容易地实现该技术。出现的一些问题是:谁将经营和管理数字孪生?我们如何保证数字孪生与现有的ERP软件和其他应用程序通信?例如,SWIM声称他们的技术(EDX)致力于通过使用大量数据来创建一个可以从真实世界学习的数字双胞胎,从而克服这些挑战。此外,SWIM提到,实施该技术不需要公司内部的新基础设施,也不需要新的技能。SWIM似乎为没有足够资源的问题创建了一个解决方案:用EDX创建数字孪生体。与微软、戴尔和Google等供应商生态系统中的大公司不同,EDX不是这种平台的一部分,这可能是SWIM的一个缺点。

另一个被新参与者利用的机会是:减少相关资本项目行业的成本和进度超支的风险。通过创建一个建筑工地的数字孪生体,VEERUM使得项目团队能够在工地上更加确定关于项目的设计和施工的决策。由于它们具有工作站点的虚拟版本,因此可以在虚拟环境中预测和解决问题。但是有些问题应该在实际发生之前被注意到,并且可以防止许多成本和进度超出的问题。

未来发展方向

数字孪生还可以用于通过捕获时间和空间影响来优化城市可持续性。作为特定城市的虚拟副本,数字孪生技术允许城市运营商开发不同的策略,新加坡和Jaipur等一些城市已经在实施数字孪生。当然,预计未来更多的城市将利用这项技术。

【来源:https://en.wikipedia.org/wiki/Digital_twin  】

分类:

技术点:

相关文章: