数字孪生技术:综述与未来展望

摘要

1、针对数字孪生技术在复杂工业系统和复杂装备领域的基本概念、应用前景、技术内涵以及发展趋势、已有初步研究规划和阶段性成果等进行梳理

2、归纳面向复杂工业系统和复杂装备的智能运行和维护领域的数字孪生技术体系、关键技术、发展趋势和技术挑战等

3、分析数字孪生与其支撑的工业大数据、云计算、人工智能、虚拟现实等的相互支撑和相互促进的关系 预期能够给复杂系统诊断、预测和系统健康管理领域对数字孪生技术感兴趣研究人员提供一定的参考和借鉴  

引言

研究背景

复杂装备的状态评估与预测逐渐成为研究的焦点。针对复杂装备运行的可靠性、经济性等问题，故障预测和健康管理( prognostics and health management，PHM) 获得越来越多的关注，并逐渐发展为复杂装备自主式后勤保障的重要技术基础。针对在线运行的状态监测、异常检测、故障诊断、退化和寿命预测、系统健康管理等成为当下的研究热点方向和领域。

由于传感技术与物联网技术的发展，以及复杂装备运行环境的动态变化，装备监测数据量倍增，并呈现高速、多源异构、易变等典型工业大数据特点。

然而，当前 PHM 相关体系及关键技术研究主要由装备在已知理想运行状态下的监测数据所驱动，难以满足复杂装备在动态多变运行环境下实时状态评估与预测的精度及适应性需求。

数字孪生

数字孪生技术的出现以及迅速发展为解决上述问题提供了新的思路。

《数字孪生技术综述与展望》介绍了数字孪生的概念模型最早出现的时间，综述了其概念的发展、技术的使用、相关关键技术的探索情况和今年来的研究方向。

当前研究存在的问题

1、实例化的应用尚未获得实现

2、对复杂装备数字孪生的定义以及关键技术尚不明确，尤其是在复杂装备状态评估与预测领域，缺乏相应的体系支撑和关键技术引导

论文贡献

在原有复杂装备和系统的诊断、预测和健康管理体系基础上，系统分析其与数字孪生技术之间的关联和异同，重点分析面向复杂系统运行状态评估和预测的数字孪生技术的内涵、关键技术，并展望其未来的发展趋势和方向。

数字孪生定义及内涵

1.1 数字孪生的定义

在信息化平台内建立一个数字化模拟：

数字孪生指在信息化平台内建立、模拟一个物理实体、流程或者系统，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。借助于数字孪生，可以在信息化平台上了解物理实体的状态，并对物理实体里面预定义的接口元件进行控制。

数字孪生呈现物理实体：

理想状态下，数字孪生可以根据多重的反馈源数据进行自我学习，几乎实时地在数字世界里呈现物理实体的真实状况。数字孪生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。

数字孪生的自我学习( 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。

1.2 数字孪生的内涵

随着传感技术、软硬件技术水平的提高和计算机运算性能的提升，数字孪生的理念得到了进一步发展，尤其是在产品、装备的实时运行监测方面。

应用于产品的整个生命周期

从产品全寿命周期的角度来看，数字孪生技术可以在产品的设计研发、生产制造、运行状态监测和维护、后勤保障等产品的各个阶段对产品提供支撑和指导。

在产品设计阶段：

数字孪生技术可以将全寿命周期的产品健康管理数据的分析结果反馈给产品设计专家，帮助其判断和决策不同参数设计情况下的产品性能情况，使产品在设计阶段就综合考虑了后续整个寿命周期的发展变化情况，获得更加完善的设计方案。

在产品生产制造阶段：

数字孪生技术可以通过虚拟映射的方式将产品内部不可测的状态变量进行虚拟构建，细致地刻画产品的制造过程，解决产品制造过程中存在的问题，降低产品制造的难度，提高产品生产的可靠性。

产品运行过程中：

数字孪生技术可以全面地对产品的各个运行参数和指标进行监测和评估，对系统的早期故障和部件性能退化信息进行丰富地反馈，指导产品的维护工作和故障预防工作，使产品能够获得更长的寿命周期。

后勤保障过程中：

由于有多批次全寿命周期的数据作支撑，并通过虚拟传感的方式能够采集到反映系统内部状态的变量数据，产品故障能够被精确定位分析和诊断，使产品的后勤保障工作更加简单有效。

以卫星的监测、优化、管理和控制为例：基于遥感数据深度融合技术和系统动态实时建模和评估技术，能够通过卫星近实时遥测数据在地面站构建卫星的数字孪生体，实时反映卫星的健康状态并预估卫星各系统、各部件的使用寿命。

数字孪生的实现主要依赖于以下几方面技术的支撑:

高性能计算、先进传感采集、数字仿真、智能数据分析、VＲ 呈现。

1. 3 从诊断、预测和系统健康管理到数字孪生

当前的系统健康管理技术主要依赖于系统数学模型和传感数据，借助智能算法对目标系统进行分析和保障，能够提供系统监测、系统关键部件的寿命预测和健康管理功能。随着高精度传感技术、多领域多模型融合技术、全寿命周期数据管理技术以及高性能计算技术的不断发展，系统故障诊断、预测和健康管理技术的发展前景变得更加广阔，这些现代技术支撑着其向着功能更完备、计算更准确、分析更智能的方向发展，整个体系开始向着数字孪生的方向进行演变。

数字孪生技术体系

按照从基础数据采集层到顶层应用层依次可以分为数据保障层、建模计算层、数字孪生功能层和沉浸式体验层4 层。每一层的实现都建立在前面各层的基础之上，是对前面各层功能的进一步丰富和拓展。

数字孪生技术体系如图 2 所示：

数据保障层： 整个数字孪生技术体系的基础，支撑着整个上层体系的运作。

建模计算层： 在获得数据保障层提供的数据后利用数据驱动方法和基于数学模型的方法对系统进行多物理、 多尺度层面的建模，使所建立的模型与实际系统准备匹配、实时同步，并能预测系统未来状态和寿命，依据其当前和未来健康状态评估其执行任务成功的可能性。

功能层： 面向实际的系统设计、生产、使用和维护需求提供相应的功能，包括多层级系统寿命估计、系统集群执行任务能力的评估、系统集群维护保障、系统生产过程监控以及系统设计决策等功能。

沉浸式体验层： 主要目的在于提供给使用者人机交互良好的使用环境，使使用者能够获得身临其境般的技术体验，迅速了解和掌握复杂系统的特性和功能，并能够便捷地通过语音和肢体动作访问数字孪生体功能层提供的信息，获得分析和决策方面的信息支持。  

           

图 3 所示引自 NASA OCT 路线图技术领域，以数字孪生中的技术集成为例描述了数字孪生技术的广阔发展前景，重点解决与极端可靠性相关的技术需求，使数字孪生技术融入实际工程实践中不断发展。

数字孪生关键技术

3. 1 多领域多尺度融合建模

多领域建模：

在正常和非正常工况下从不同领域视角对物理系统进行跨领域融合建模，且从最初的概念设计阶段开始实施，从深层次的机理层面进行融合设计理解和建模。

多尺度建模：

能够连接不同时间尺度的物理过程以模拟众多的科学问题，多尺度模型可以代表不同时间长度和尺度下的基本过程并通过均匀调节物理参数连接不同模型，这些计算模型比起忽略多尺度划分的单维尺度仿真模型具有更高的精度。

3. 2 数据驱动与物理模型融合的状态评估

目前数据驱动与解析模型相融合的方法主要有两种思路：

1、以解析模型为主，利用数据驱动的方法对解析模型的参数进行修正；

2、将两种方法并行使用，最后依据两者输出的可靠度进行加权，得到最后的评估结果。

但以上两种方法都缺少更深层次的融合和优化，对系统机理和数据特性的认知不够充分，融合时应对系统特性有更深入的理解和考虑。除此之外，论文中还总结了一系列构建数字孪生系统必须突破的瓶颈。

3. 3 数据采集和传输

高精度传感器数据的采集和快速传输是整个数字孪生系统体系的基础

数据采集难点：传感器的种类、精度、可靠性、工作环境等受到当前技术发展水平的限制，采集数据的方式也受到局限

数据运输的关键：实时性和安全性。

构建集传感、数据采集和数据传输一体的低成本体系或平台，也是支撑数字孪生体系的关键部分

3. 4 全寿命周期数据管理

复杂系统的全寿命周期数据存储和管理是数字孪生系统的重要支撑

全寿命周期数据存储和管理的实现需要借助于服务器的分布式和冗余存储，由于数字孪生系统对数据的实时性要求很高，如何优化数据的分布架构、存储方式和检索方法，获得实时可靠的数据读取性能，是其应用于数字孪生系统面临的挑战。

3. 5 VＲ 呈现

介绍了VR技术对孪生系统的意义和其局限性。

3. 6 高性能计算

数字孪生系统复杂功能的实现很大程度上依赖于其背后的计算平台，系统实时性要求高运算性能，运算性受限于当前的计算机发展水平和算法设计优化 水平，因此，应在这两方面做突破以服务于数字孪生技术的发展。

高性能数据分析算法的云化、异构加速的计算体系 ( 如 CPU + GPU、CPU + FPGA) 是现有云计算基础上，可以考虑的能够满足工业实时场景下高性能计算的两个方向。

3. 7 其他关键技术

异常状态或故障状态仿真与注入、工业数据可用性量化分析、小样本或无样本的增强深度学习……均是当前在数据生成、数据分析与建模等方面的研究特点或挑战。半物理仿真、验证和评估方法及体系等对于数字孪生平台的构建也十分必要。

挑战和发展趋势

多行业的数字化设计水平较低

复杂工业系统和复杂装备数据价值较低

垂直领域的软件专业化水平较低

成本和收益、研究和应用间的差距短期内难于弥合

数字孪生技术体系涉及的其他关键技术，包括传感器及传感器融合技术、寿命预测技术、支撑试验和验证技术等，均与现实应用存在一定差距，需一边探索和尝试，一边优化和完善。