|
本文的文献综述使用了Scopus数据库。针对标题、摘要和关键词，把“数字孪生体”作为搜索词，搜索时间为2018年5月7日。搜索结果发现，与该关键词匹配的出版物，发行日期仅限于2010年-2018年，因为Shafto等人在2010年首次使用了“数字孪生体”一词（Schroeder等人, 2016）。如果仅考虑英文的引用，该出版物被引用的次数在5次或以上。 然而，不排除有些出版物没有收录，因此没有纳入本文的讨论范围。另外，本文的文献综述中使用的某些出版物虽然未达到最低引用数量的要求，但仍被认为与其它文献相关，例如在其它论文中引用或同事推荐。 对数字孪生体的第一个定义，可能也是最著名的定义，是Shafto等人（2010, 2012）在美国NASA的一份路线图文档中提出的： “数字孪生体是对交通工具或系统整合了多物体、多尺度的概率性模拟，它使用最佳的可用物理模型、最新的传感器数据，以及机群历史等来映射对应正在快速运行孪生体的生命状态。” 此外，Shafto等人（2010）指出，数字孪生体整合了传感器数据、维护历史记录和机群数据。数字孪生体基本上包含了物理孪生体在整个生命周期中制造异常和运行数据等所有可用数据。除了能够准确反映其物理孪生体的当前状态之外，他们还建议使用数字孪生体来运行模拟仿真，以预测其对应物理孪生体的未来状态。 以下数字孪生体的应用引用自Shafto等人（2010）的描写： 1) 预运行任务。这样可以检查修改任务参数和策略的效果，以减轻运行以外故障的后果。数字孪生体还可以预测任务成功的的可能性。 2) 在任务期间映射物理孪生体的状态，这可以通过运行模拟连续预测物理孪生体的未来状态。 3) 分析飞行过程异常的原因。 4) 预测飞行过程中修改任务参数的效果。如果由于单个系统故障而需要更改参数，这可以用来作出最明智的决定。 5) 通过模拟仿真验证交通工具。 可以看出，NASA对数字孪生体的愿景主要集中在提高飞行安全性上面。 Tuegel等人（2011）还从航空学的角度研究数字孪生体。数字孪生体被描述为是在“几何细节和材料细节上是超现实的，包括制造异常情况以及统计上的微观结构水平”。数字孪生体能够充当虚拟传感器，对从真实传感器获取的数据进行插值。当前，针对每种物理类型都有单独的模型用于预测飞机的结构寿命，例如计算流体动力学（CFD, Computational Fluid Dynamics）模型、结构动力学模型（SDM, Structural Dynamic Model）和热力学模型。有了数字孪生体，这些模型就可以集成在一起。数字孪生体可以与特定飞机的机尾号相关联，使其包含该飞机所有的有关信息，包括所有主要结构部件的可靠性评估，这样就可以优化该飞机的维护。（Tuegel等, 2011） 在Tuegel（2012）公开发表的另一篇文章中，数字孪生体被呈现为对竣工飞机贯穿终身的超现实计算模型。数字孪生体由多个集成子模型组成。这些子模型使用最佳的可用物理方法，彼此共享信息，并在飞机的生命周期内进行更新，从而提高了模型的准确性。飞机数字孪生体可以对其设计进行虚拟测试、健康状态监控，并预测维护需求。 Glaessgen & Stargel（2012）强调，数字孪生体代表了车辆或系统的建成版本，并包含了材料微观结构级别的信息。有关物理结构的信息尺度由小于微米到米，用于创建“高保真物理模型，以预测车辆的未来状态”。数字孪生体可以完美地反映其相应物理孪生体的状态，并使用超高保真度模拟来预测物理孪生体的未来可能状态。Glaessgen & Stargel声称，使用数字孪生模型可以放弃经验和启发式设计规则，正是这些原有规则导致了使用笨重的结构以及与结构实际可靠性相关的不确定性。此外，他们声称，由于可以对车辆进行虚拟测试，数字孪生体将彻底改变验证过程。 Smarslok，Culler和Mahadevan（2012）提出了美国空军（USAF）对数字孪生体的构想，即数字孪生体“通过对物理系统所经历的相同飞行频谱的结构响应进行数字模拟，从而实现按照机尾号进行基于条件的机群管理。”他们通过创建框架来评估气动热弹性模型及预测其可信度，朝着实现数字孪生体的方向迈出了一步。如果没有这种可信度评估，数字孪生体将无法就有效的模拟仿真和降低风险等方面做出自主决策。 Lee等人（2013）将数字孪生体的用途从航空航天领域扩展到制造系统。他们将数字孪生体描述为真实机器的耦合模型，“它在云平台上运行并利用来自数据驱动分析算法以及其它可用物理知识的集成知识来模拟健康状况。”数字孪生体含有其产品设计知识以及物理及其的当前状态信息。此外，在他们的视野中，数字孪生体使得访问物理产品的信息变得更容易。 Cerrone等人（2014）通过提供一个用例——用有限元模型预测裂纹的路径，进一步激发了对数字孪生体概念的需求。为了预测裂纹的路径，需要试样的成品几何形状。因此他们强调，数字孪生体具有存储产品出厂特性信息的能力。 Grieves（2014）提出了数字孪生体概念对制造业的好处。他讲数字孪生体描述为“虚拟的物理产品的等效数字化版本”，与物理产品“几乎没有区别”。他将数字孪生体概念分为三个部分：物理产品、虚拟产品，以及将这些数字产品和物理产品链接在一起的链接和信息。对于这种链接，他提出了统一存储库（UR），其中包括设计数据和从物理产品收集的数据。例如，制造产品时，工厂的MES（制造执行系统）会将产品的制造特征信息发送给UR。制造过程的信息也可以发送到工厂模拟中，从而对工厂状态进行几乎实时的可视化。此外，此信息还可以子啊所需产品和实际生产的产品之间进行比较。 即使Bazilevs等人（2015）在文章的关键词中使用了“数字孪生体”，他们使用动态数据驱动的应用系统（DDDAS, Dynamic Data-Driven Application System）这一术语代替了数字孪生体。然而，这个动态数据驱动的应用系统（DDDAS）与数字孪生体概念相似，被定义为“一种框架，使用给定物理系统收集的传感器和测量数据来动态更新该系统的计算模型”。数字孪生体和DDDAS之间的主要区别是，DDDAS含有的是结构模型，而不是精确的表示形式，只是物理结构系统的相当完整的表示形式。在本文中，DDDAS用于提高引入的机械疲劳-损伤建模框架的预测能力。 Ríos等人（2015）比较了数字孪生体概念和产品虚拟形象（product avatar）概念。这些概念是从不同的角度和不同的目的创建的，但是解决了从产品整个生命周期存储数据和信息这一同样高级别的问题。他们还确定了数字化复本的几个预期好处，例如在产品的整个生命周期中，创建智能服务的可能性以及各种利益相关者之间对产品信息的可访问性。数字孪生体利用各种可互操作的模型来表示其生命周期中的物理复本。 Rosen等人（2015）指出，数字孪生体是“建模、仿真和优化技术的下一波浪潮”。模拟仿真不仅应在设计阶段使用，而且应在整个生命周期中支持产品的运行。数字孪生体是在创建自主制造系统时的必要工具。它包含了有关环境和过程当前状态的信息，是优化系统和运行正向模拟仿真所必需的。这些正向仿真用于支持自治系统的行动计划。  数字孪生体概念是建模和仿真的下一波潮流（Rosen等，2015，p.568）Gabor等人（2016）将数字孪生体描述为超高保真模拟仿真。数字孪生体集成了此前单独的结构模型，这些模型可以对系统进行整体的模拟仿真。数字孪生体包含了该类型所有系统的知识，使用从这些系统收集的信息提高仿真的准确性。如果模拟仿真的运行足够快，则可以用于预测系统的未来行为。Gabor等人还声称，数字孪生体可以测试用例，可以用作测试工具。此外，它具有影射物理世界的能力，能够获取虚拟传感器读书，软件工程师从而可以互换使用其虚拟和物理组件。 Weyer等人（2016）从信息物理生产系统（CPPS）的角度研究了数字孪生体。借助CPPS，生产活动具有更大的可扩展性和灵活性，生产的各个阶段都得以加快，并且可以同时执行先前按顺序执行的（重用）工程任务。虚拟仿真是CPPS的总要组成部分，因为它们可以预测系统在支持决策的变化下的行为和性能。仿真需要系统的精确状态，因此每个物理组件都有一个数字副本，用于存储次信息。数字孪生体使用此信息来“监视、调整和优化实际过程，预测故障并提高效率”。 Schroeder等人（2016）将数字孪生体视为真实产品的虚拟表示，或信息物理系统（CPS）的网络表示，其中包含了物理产品整个生命周期中的所有信息和知识。他们使用“大数据”一次和数字孪生体来描述管理产品生命周期各个阶段中产生大量数据的问题。在他们的文章中，使用AutomationML实现了用于在系统之间轻松进行数据交换的高级数据模型。 Boschert & Rosen（2016）从虚拟仿真的角度研究了数字孪生体的可行性。数字孪生体被描述为“对一个组件、产品或系统的全面的物理和性能的描述，其中或多或少保护了当前和后续生命周期阶段有用的所有信息。”它充当了诸如PLM（产品生命周期管理）等独立系统之间的链接，PDM（产品数据管理）和SCADA（监控和数据采集）存储产品信息，使各种逼真度的仿真模型的数据及其几何可用。Boschert & Rosen指出，数字孪生体可以被视为物理产品的一部分，通过在产品生命周期中进行模拟，帮助产品运行。在系统集成测试中，即使物理组件不可用，也可以用虚拟组件替换物理组件进行测试。 Schluse & Rossmann（2016）将数字孪生体和虚拟测试床结合起来，将结果称为可实验的数字孪生体。通过仿真实验，利用这一可实验的数字孪生电路来改进产品的开发过程和操作。图6显示了模拟仿真的各个维度，并展示了从以模拟仿真为中心到数字孪生体为中的范式变化。数字孪生体被描述为“真实世界物体的虚拟替代品，由虚拟表示和通信功能组成，组成智能对象，充当物联网和服务中的智能节点”。 数字孪生体用于测量过程变量的值，以在增材制造中创建坚固的组件。使用数字孪生体减少了耗时，避免了昂贵的试错实验（DebRoy等人, 2017; Knapp等人, 2017）。DebRoy等人（2017）确定用于增材制造的数字孪生体所需的构造模块和Knapp等人（2017）开发并实验验证的一个模型，以预测过程变量的值。数字孪生体是“增材制造硬件的数字副本”，与温度和微观结构等集成模型一起，用于计算所需的工艺变量（DebRoy等人，2017）。 Schleich等人（2017）将数字孪生体的愿景总结为：“物理人工制品及其虚拟模型集之间的双向关系”。数字孪生体的不同模型在产品生命周期中从简单模型演变为更复杂的模型。数字孪生体有助于评估设计决策的结果，并提高制造效率。Schleich等人同时介绍了一种新的设计与生产工程数字孪生体参考模型。 Uhlemann, Lehmann & Steinhilper（2017 a）提出了一个实现中小企业信息物理生产系统数字孪生体的概念。他们提出一种数据采集系统的概念，用于跟踪运动数据、员工活动以及机器的使用情况和位置。该系统基于传感器和机器视觉，适合中小企业的需要。数字孪生体被描述为CPPS的先决条件，它允许对生产过程进行数据分析、预测和控制。Uhlemann等人（2017b）还引入了学习环境的概念，以演示数字孪生体概念、实时数据采集和链接模拟仿真的好处。 Alam & El Saddik（2017）提出基于云的信息物理系统（C2PS）的数字孪生体参考模型。他们将数字孪生体定义为“物理系统的精确副本，可以真实地再现其所有功能”。每个物理产品都有自己的数字孪生体，并部署在云中。数字孪生体位于信息物理系统的网络层，能够对物理本体进行监视、诊断和预测，并为CPS的应用层提供实施服务。产品的性能和功能通过其数字孪生体得到增强。他们还开发了一个基于远程信息技术的驾驶辅助应用程序来演示C2P，该应用程序在系统的物理层进行实时处理，并在云中执行更多的资源密集型计算。 Negri, Fumagalli & Macchi（2017）分析了科学文献中数字孪生体的定义及其在工业4.0中的作用。他们对数字孪生体的定义如下： “一个物理系统的计算机化的虚拟副本，可以用来模拟它的各种用途，利用来自现场的感应数据的实时同步。” 他们发现，在科学文献中，数字孪生体的定义并不一致。此外，他们还发现了数字孪生体的各种用途。例如： - 健康分析 - 监控系统 - 维护优化 - 镜像物理孪生体 - 预测系统行为 - 系统运行优化 Negri等人（2017）还强调，Scopus数据库2012-2013年的第一批出版物，来自同一届第53/54届AIAA/ASME/ASCE/AHS/ASC结构、结构动力学和材料学会议，并且自2015年开始，相关出版物的数量显著增加。此外，他们还指出，大多数出版物都是会议记录的形式，表明数字孪生体相关的科学文献正处于初级阶段。 Tao等人（2018）介绍了数字孪生体，是作为在产品生命周期的所有阶段管理和处理数据的有效方法。它们呈现出数字孪生体的以下特性： 1） 物理系统的实时镜像 2） 连接产品生命周期所有阶段的数据 3） 不断更新虚拟模型 数字孪生体被用来改进产品的设计，例如提供上一代产品的数据和模拟仿真。在制造阶段，数字孪生体概念允许对过程进行资源管理、监控和优化。在运营阶段，数字孪生体可以提供以下服务： 1） 对产品状态进行实时监控 2） 能耗分析与预测 3） 用户管理与行为分析 4） 产品操作指南 5） 系统运行优化 6） 故障分析与预测 7） 维护优化 8） 维护操作可以进行虚拟的培训 9） 产品操作人员实际上可以训练产品的使用 可以说，数字孪生体的定义尚未完全确定。然而，Shafto等人（2010）提出的定义似乎是数字孪生体最常用的定义。除了科学文献之外，行业界对数字孪生体也有各种不同的定义（Schleich等人, 2017）。例如，西门子将数字孪生体定义为“一组集成的数字副本或模型”（Boger & Rusk, 2017）。这些副本或模型不断更新，以反映物理副本或模型的变化（Maurer, 2017）。数字孪生体实现了反馈、性能预测和优化，以及基于状态的维护的闭环（Boger & Rusk, 2017; Maurer, 2017）。 数字孪生体的概念在芬兰阿尔托大学（Aalto University）也进行了几年研究。Autiosalo（2018, p.243）将数字孪生体定义为“信息物理系统的信息部分”。Laaki等人（2019）强调数字孪生体与物理孪生体通信的促成作用，及其使物理孪生体的所有数据“通过单一接口可访问各种数据存储”的特性。他们还研究了在任务关键型应用程序中使用一个远程手术系统原型进行数字孪生体通信的需求。此外，阿尔托大学的学者们还撰写了几篇与数字孪生体相关的论文。例如，Lönnqvist（2018）研究了工程公司如何部署数字孪生体，Lagus（2018）提出了数字孪生体的信息安全要求。 数字孪生体有时被描述为“超现实”（Tuegel等人, 2011, 2012）。事实上，实现数字孪生体的案例确实不多。在科学文献中也描述了实现数字孪生体具有以下挑战： - 所需的大型数据库难以维护，需要高输出（Tuegel等人, 2011, p.10） - 模拟结果的不确定性量化（Tuegel等人, 2011, p9-10; Schleich等人, 2017, p.142） - 缺乏高质量的模型（Schleich等人, 2017, p.142） - 不同模型之间的信息共享（Tuegel， 2012） - 信息在组织中传播（Grives & Vickers, 2017, p.108） - 工程领域的边界（Grives & Vickers, 2017, p.108） - 了解物理世界（Grives & Vickers, 2017, p.108） - 大型数据集的收集和处理（Schleich等人, 2017, p.142） - 呈现物理产品所有信息所需的数据量太大，数据既不结构化，也不多样化（Boschert & Rosen, 2016, p.66） 科学文献中数字孪生体的定义
数字孪生体的通用定义很难确定，因为对数字孪生体的要求和需求取决于现场。工业4.0研究院根据目的和定义，把数字孪生体分为仿真派、连接派和数据派，做了开创性工作。 一般认为，数字孪生体概念还需进一步研究，需要在每项研究中分别对其进行定义，相信相关学者会做更多的工作。 北京翼络数字技术有限公司介绍 定位于“数字孪生体创新引领者”，通过数字孪生大脑引擎，重点赋能实训教育、智慧城市、政务信息化、制造业及产业互联网等。目前正在招兵买马和融资中。 |
|
|
