数字孪生究竟是什么?探究数字孪生本质

2022-09-13

数字孪生是工业4.0革命中的最前沿的概念之一。数字孪生环境可通过准确的分析进行快速判断和实时决策,通过创建数据互通的物理孪生体和虚拟孪生体,实现物联网数据和AI分析、可视化模拟之间的无缝集成。


数字孪生技术的发展与建设正如火如荼地进行,但很多数字孪生建设参与者对数字孪生的技术本质仍是一知半解的状态。本文将从数字孪生的定义、应用场景、市场现有厂商现状与发展所面临的挑战几个方面探究数字孪生的本质。


一、数字孪生的定义


数字孪生(Digital Twin)一词最早出现在NASA 2010版本的技术路线图草案中。在这份草案中,NASA首次明确了数字孪生的定义:数字孪生技术是充分利用物理模型 + 传感器 + 运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成对一个系统或实体装备的映射,从而反应相对应的系统或实体装备的全生命周期过程。尽管“数字孪生”一词在2010年才首次出现,但类似的概念自1991年就有学者与科学家提及。


1.png

数字孪生概念演化进程


数字孪生不仅是数字模型,数据映射。区分数字孪生技术与其他虚拟表达技术的主要特质在于数字孪生技术应当实现物理对象与数字虚拟对象之间的数据双向传输和共享乃至互操作性,包括历史数据、环境数据以及最重要的实时数据等。


2.png

数字孪生与其他虚拟表达的数据传输区别


数字孪生技术应实现以下特定功能:

· 对物理实体/系统的深度分析

· 对现有产品物理实体/系统进程的设计与验证

· 模拟物理实体/系统的运行状态

· 提高物理实体/系统的安全性与可靠性

· 优化实体产品/系统的生产进程

· 跟踪物理实体/系统的全生命周期过程

· 预测物理实体/系统的行为

· 实时控制物理实体/系统



二、数字孪生应用


目前,数字孪生的概念仍在不断扩充、增长。对于数字孪生的应用,主要领域集中在智能城市和制造业,也有部分应用于医疗保健领域。其中,常用的一种数字孪生应用是实时仿真,相比于低细度的静态蓝图模型,数字孪生利用动态仿真模型的实时参数来提高数据的有效性和可预测性。


01 智慧城市


通过物联网、AI、云计算等技术数据连接,数字孪生体在智慧城市中的应用潜力逐步增加。在智慧城市中配备有传感器的基础设施,加上使用物联网技术进行监控,对于针对城市未来发展的各种分析具有重要价值,可用于智慧城市的规划和可持续发展分析。


除此外,数字孪生的应用也符合全球节能低碳倡议。收集的数据可以分析出能源是如何被分配、如何被使用的。可以说,智慧城市的完善与改进需要通过孪生技术来完成。通过创建虚拟孪生体可以实现不同决策场景的模拟分析,同时,数字孪生体也可通过分析数据的变化来不断“学习”。


02 制造业智慧工厂


工业制造商一直在寻找一种可以跟踪和监控产品的方法,以此来节省大量时间和成本。类同于智慧城市,制造业工厂选择数字孪生技术的主要原因之一在于其可以实现多源数据的连接,符合工业4.0的发展趋势。


数字孪生可以实现机器性能的实时状态监管以及来自生产线的反馈,对于管理者来说,能更早更快的预测问题。同时因为加强了设备之间的数据互通与信息反馈,其性能也能不断提高。此外,数字孪生可以建立满足产品测试的环境以及一个基于实时数据的系统,这类系统在制造业生产管理中具有很大价值。


03 建筑业


建筑物或特殊结构的建设运营阶段是数字孪生应用的潜在方向。数字孪生技术不仅可以应用于智慧城市建筑或结构的设计模拟,还可以作为持续的实时预测和监控工具。数字孪生能在建设过程中预判问题,在维护建筑物时提供高准确性的数据分析,建设者可以在虚拟体上进行更改方案模拟,决策出最优解再投入实际应用中。


04 医疗保障


数字孪生在医疗保健领域的应用可以让研究人员、医生、医院以及保健护理服务商模拟特定需求的环境,包括当下的以及未来的。同样,结合AI计算能提供更智能的预测和决策。目前,医疗保健的数字孪生应用还处于起步阶段,但从将其用于床位管理到大规模病房和医院管理,其应用潜力巨大。甚至可以基于实时数据和历史数据分析来进行患者治疗决策。



三、全球典型厂商


01 “Predix” — 通用电气(GE)


通用电气(GE)公司是全球数字工业公司。Predix是GE推出的全球第一个专为工业数据与分析开发的云服务平台,作为建设数字孪生的工具平台,可用于数据分析和监测,提供资产性能管理(APM)和运营优化服务,最早应用于2016年.


目前Predix的数字孪生应用包括资产数字孪生(Smart Signal + 资产性能管理 APM系统)、电网数字孪生(结合GE的ADMS、GIS和AEMS技术的运营优化方案)、流程数字孪生(结合CSense运营绩效管理软件的产品生产流程优化)。近年来,GE逐渐缩减在数字孪生领域的技术开拓,更多专注于其多年经营的工业产业,Predix本身也逐渐转变其定义为工业云平台。


02 “ThingWorx” — PTC


ThingWorx 是第一个用来创建和运行互联世界中应用程序的平台。ThingWorx减少了为智能互联产品创建创新型应用程序所需的时间、成本和风险。作为PTC全新定位的工业创新平台ThingWorx已经更新至8.2版本。


在物联网平台层面,ThingWorx 8将Kepware(设备互联)、ColdLight(机器学习及大数据分析)、ThingWorx Foundation(数据建模及应用创建)进一步整合,形成了统一的ThingWorx平台,具备了互联、分析、建模、应用创建的完整能力。


在APP层面,PTC发布了ThingWorx Navigate以及Manufacturing App。ThingWorx Navigate主要面向数字化工程领域,通过系统整合和数据聚合,实现基于角色的多源数据快速浏览;Manufacturing APP则分别面向控制工程师、设备运维工程师、产线管理人员等提供相应APP应用。

在支持服务层面,ThingWorx为合作伙伴及用户,提供平台开发者社区和应用市场(Marketplace)。


3.png

ThingWorx平台应用


03 MindSphere—西门子(Siemens)


MindSphere最早源自西门子的数字化服务部门。为了响应用户对现场数据采集的需求,西门子的数字化服务部门在综合应用西门子传统自动化硬件和工业软件技术的基础上,在Cloud Foundry开发的架构在SAP HANA云平台上构建了一个操作系统,通过收集和传输设备的运行数据分析,实现企业生产现场的监控和优化。2016年,西门子正式发布了第一版MindSphere,2018年,与阿里云签署工业云落地中国的合作。MindSphere是一个开放的生态系统,工业企业可将数据服务作为预防性维护、能源数据管理以及工厂资源优化的基础。


MindSphere现定义为基于云端的开放式物联网操作系统。其提供的创新开发环境是将西门子的开放式平台服务(PaaS)功能与阿里巴巴云服务相结合,以此来提供工业应用和数字化服务。在数字孪生建设方面,主要分为数字孪生产品(产品设计)和数字孪生生产(用于制造和生产规划)。另一方面,西门子将 MindSphere 与 Teamcente软件、西门子的产品数据管理协同工具相结合,形成端到端的闭环数字线程,即“数字孪生体绩效(digital twin performance)”,其强项是智慧工厂建设。


4.png

西门子数字孪生工厂


04 3D EXPERIENCE — 达索系统Dassault Systèmes


达索2014年推出3D XPERIENCE平台,通过统一的平台架构,把旗下的产品逐步统一到一个平台上。以3D XPERIENCE平台为基础,实现3D设计、工程、3D CAD、建模、仿真、数据管理和流程管理。数字孪生建设方面较多聚焦在智慧工厂。


3D EXPERIENCE平台目前定位为唯一一个业务运营系统 + 业务转型的业务模型的平台。平台更加聚焦于协同。在平台内集成品牌应用,其中,社交和协应用包括3D SwYm(社交协作)和ENOVIA(全球产品开发流程管理);3D建模应用包括设计和建模应用程序,例如CATIA,SolidWorks,GEOVIA,BIOVIA;仿真应用包括DELMIA(数字制造)、SIMULIA(现实模拟)以及3DVIA(沉浸式体验);信息智能应用包括NETVIBES(智能仪表板和实时社交媒体监控)以及EXALEAD(经验档案搜索)。


5.png

达索3D EXPERIENCE应用模块


四、数字孪生应用挑战


开发数字孪生技术所面临的挑战主要在于其规模和复杂性:目前数字孪生技术仍处于起步阶段,意味着即使它具有巨大的潜力,但其真正的实施与落地存在相当高的复杂性。这些复杂性包括数字孪生相关定义与概念模糊、缺乏适当的工具、高昂的前期技术投资、数据安全问题、缺乏相应的标准与法规等。


1.技术的新颖性


由于数字孪生仍是一项新兴技术,大多数人对这个技术能为个人、企业或行业带来的价值缺乏清晰的认识。技术和实践知识方面的匮乏也阻碍了技术的进步。同时也缺乏将数字孪生技术落地实施到企业运营中的成功实践和成熟的商业模式案例研究。因此,目前相关企业对开发或实施数字孪生技术的成本难以进行相对实际且准确的估算。


2.数据互通问题以及其安全隐患


数字孪生建设一个需要考虑的问题是如何在不同物理实体/系统的数字孪生系统之间共享数据,即实现数据的互操作性。在不同层次级别之间存在多个数字孪生的环境,每个数字孪生系统生成不同类型的数据,这种复杂的数据集关系,会导致数据互操作性问题,数据孤岛也会影响数字孪生的整体性能。另一方面,没有数据孤岛又会使系统更容易受到网络犯罪的攻击。另一个安全方面的主要挑战是数据的融合和治理:如果缺乏数据治理和管理,则难以应对与大数据带来挑战冲击,其中包括识别和访问数据的速度、转换不同来源数据的效率、数据质量差、翻译丢失等问题。


3.缺乏相应的标准与法规


目前针对数字孪生、AI数据等的均未有完善的法律法规。欧盟和英国地区刚施行了一项数据保护规则(The General Data Protection Regulation, GDPR),用于确保个人隐私以及数据的安全性。除了建立隐私安全相关的法律法规外,还应建立数字孪生的数据传输与数据处理规则,以适应快速发展的数据孪生建设和不断迭代的AI算法。


现阶段,因缺少数据共享政策,加之社会针对数据隐私问题的争议,数字孪生技术发展受限,甚至超过其本身技术复杂性所带来的限制程度。在内部(组织内部)或外部(整个供应链的利益相关者)共享数据方面缺乏适当的政策规范会导致组织不同部门内的数据孤岛,让数字孪生技术失去价值。


4.IT基础设施建设


快速增长的AI计算需求,需要高性能的IT基础设施来支撑其软硬件的正常运作和迭代更新。仅用于执行AI深度学习算法的高性能图形处理单元(GPU)的成本就可高达数千美元,这意味数字孪生的建设需要巨大的软硬件成本投入。


参考文献:

[1] D. Burnett, J. Thorp, D. Richards, K. Gorkovenko, and D. Murray-Rust, “Digital twins as a resource for design research,” in Proceedings of the 8th ACM International Symposium on Pervasive Displays - PerDis ’19, (Palermo, Italy), pp. 1–2, ACM Press, 2019.

[2] Fuller, A., Fan, Z., Day, C., & Barlow, C. (2020). Digital Twin: Enabling Technologies, Challenges and Open Research. IEEE Access, 1–1. doi:10.1109/access.2020.2998358

[3] GE Digital. Predix Platform[EB/OL]. [2022.09.05]. https://www.ge.com/digital/iiot-platform.

[4] R. He, G. Chen, C. Dong, S. Sun, and X. Shen, “Data-driven digital twin technology for optimized control in process systems,” ISA Transactions, May 2019.

[5] Siemens Digital Industries Software. MindSphere—助力世界工业实现数字化转型[EB/OL]. [2022.09.05]. https://resources.sw.siemens.com/zh-CN/white-paper-mindsphere-whitepaper.

[6] V. J. Mawson and B. R. Hughes, “The development of modelling tools to improve energy efficiency in manufacturing processes and systems,” Journal of Manufacturing Systems, vol. 51, pp. 95–105, Apr. 2019.


声明:本文内容由鲁班研究院原创发布,作者:罗天豆、吴韵嘉,转载请注明出处。


回到顶部
X