数字孪生技术的实例应用

王宇婷 杨晓波

摘要：数字孪生技术一直侧重于应用在制造、产品设计等重资产行业，随着物联网、云计算和AI等支持技术的发展，目前数字孪生也应用在其他新领域当中。概述数字孪生发展历程，梳理数字孪生概念架构和技术流程，并基于数字孪生技术的特点，分析其在各个领域中的案例应用，为虚拟复杂场景中应用数字孪生技术提供理论依据。

关键词：数字孪生;物联网;虚拟仿真;智慧城市

中圖分类号：TP399

1.数字孪生的发展历程

2002年左右，美国密歇根大学的Mechael Grieves教授在课堂上提出了类似数字孪生概念的思想，这个思想也成为业界普遍认同的数字孪生的起源。但是在此后的十多年中，这一思想并没有得到业界响应和发展^[1]。直到2011年美国空军研究室（AFRL）在演讲中第一次提出了数字孪生（Digital Twin）。与此同时，NASA在发布了一篇文章，正式将数字孪生这一概念引入其中。后来，工业4.0重视数字孪生并开启相关课题研究。研究组将数字孪生技术应用于数码行业和建立互联网行业的金融体系。2015年同年，中国也注重数字孪生技术的发展，形成了i4CN（工业4.0中国）。西门子随后把数字孪生和西门子数字化战略结合起来，逐步形成了一个数字孪生生产、产品、绩效相对完整的解决方案。2017年到目前为止，Gartner始终把数字孪生列为十大战略科技发展趋势之一。图1是数字孪生发展历程时间轴。

2.数字孪生概念及框架

2.1数字孪生的概念

很多学者研究DT（数字孪生简称）的概念，但是目前为止并没有在“到底什么是正确的DT”这个问题上达成共识^[2]。2012年NASA给出的数字孪生的概念是：数字孪生是一个集成的多物理学、多尺度、概率模拟的建成车辆或系统^[3]。但是这篇早期文件中关于数字孪生的概念十分模糊，而且只针对美国宇航局的飞行器发展，范围非常局限。在之后的六年中，数字孪生概念得到了各个领域行业的不断扩充和发展，使得其概念在2019年得到了初步的完善，Madni教授在文章“在基于模型的系统工程中利用数字孪生技术”中归纳总结了有关数字孪生的概念，这个说法也是目前最被广泛认同的：数字孪生是一种多物理、多尺度、概率模拟集成系统。数字孪生在数字进程的支持下，用最佳可用模型、传感器信息以及输入数据去映射相应物理孪生体生命周期内活动或者性能^[4]。

2.2数字孪生的构建框架

根据模型在生命周期中的状态，建立数字孪生基本框架，需要对模型进行需求分析，从而确定模型构建基本要求。再通过物理模型、数据模型、仿真模型之间的耦合集成来完成模型构建。模型构建过程和需求分析过程之间是不断迭代的关系，构建出的模型必须每一步都符合前置需求，模型构建完成后实现模型演化并且声称仿真系统，达到数据的实时更新，每当模型发生改变时，数字孪生都会将演变后的结果生成最新版的模，同时新模型以及产生的数据都会存放在模型库/云持中被重新利用^[5]。图2是数字孪生构建过程的整体框架。

3.数字孪生的应用

数字孪生技术出现之后，首次被应用于飞行器健康管理中，美国空军经过不断的探索，详细讨论了数字孪生技术是否适用于航空航天领域。在不断探索之后，美国国家航天局（NASA）和美国空军（USAF）联合发表了一篇有关数字孪生的论文，文章中明确说明数字孪生技术对飞行器的发展起着至关重要的作用。此篇文章发表之后，数字孪生技术被广泛应用于航空航天领域（主要是外部设计、预测飞行器故障、后期维修等方面）。后来物联网、大数据、AI以及云计算技术的进步和完善，使得数字孪生技术得到了快速发展。我国也紧跟国际数字孪生技术发展趋势。并在2020年由中国工信部发布一本《数字孪生应用白皮书》，其中提到了现阶段数字孪生由先前主要应用于航空领域，向外扩展到智能城市、制造业、工业制造、建筑铁路、石油、船舰、环保、农业、电力以及医疗等相关领域^[6]。图3是数字孪生技术应用图。

3.1数字孪生应用一：智慧城市

数字孪生是为了反映真实的物理世界，

智慧城市的核心是在城市核心服务中嵌入物联网传感器，智慧城市在基础设施中安装传感器并且通过物联网设备进行监控，可以有效应对未来的各种防范措施。同时，数字孪生还可以帮助城市规划和发展，物联网传感器收集到的数据为城市规划和发展提供了非常有力的依据，包括城市的公共视野到底是如何被划分、被使用的。智慧城市通过在虚拟孪生中创建灵活的试验床进行训练生长，具体可以实现两大目标：一个是场景测试，另外一个就是允许数字孪生通过分析不断变化的数据在城市环境中学习，而数字孪生学习到的数据又可以反应用于城市的数据分析和检测。

3.2数字孪生应用二：制造业

就算不提及数字孪生，制造业在国内外都已有非常悠久的历史，然而，随着数字孪生概念的提出，很多制造业不得不被迫适应数字孪生的发展趋势，很多制造行业一直在寻找能够通过跟踪监视产品来节约时间和资金成本的方法，高收益低成本是任何一个制造商的驱动力。数字孪生可以在这样的需求环境下起到最大的作用。数字孪生可以实时地反馈生产线信息，协助制造商快速预测问题，使用数字孪生技术可以增加设备之间的关联性，从而提高生产效率。生产机器能够存储和预测分析大量的数据，所以将AI算法和数字孪生相结合可以使系统具有更高的准确性。

3.3数字孪生应用三：建筑行业

建筑行业的工程建设以及设施管理是非常分散的，在一些临时项目中无法和网络交互、生命周期不可预测等特点，使得建筑行业降低了生产率和整体竞争力。所以在过去的几年中，建筑行业不断开发新工具和方法来集成建筑信息，2000年代初，BIM（建筑信息模型）的出现，为从事建筑行业的工作人员解决了很多分散性的问题，而当下，人们开始探索将BIM和物联网技术结合起来，目的就是创建完整的数字孪生体^[7]。数字孪生可以对建筑结构持续的实时预测和监视。当预测和维护建筑结构时，如果在实际上对建筑有物理变更，使用数字孪生和数据分析有助于提高准确性，同时数字孪生也可以在仿真过程中为施工团队提高效率。

3.4数字孪生应用四：医疗保健

根据联合国经济社会调查部门统计，全球老年人人口将达到21亿。而老年人保健约占全部医疗资源的一半。经过调查发现，慢性疾病在老年人群体中具有相当高的发病概率，而且具有持续时间长、难治愈等特点^[8]。同时老年人对医院的排斥感和诊断准确性低导致了他们对预防和解决慢性疾病的知识十分匮乏，另外一方面，医院资源分配不均，挂号、排队、付款时间长，使老年人无法在医院得到全面问诊或治疗。面对这种现象，在数据驱动的服务模式下使用智能医疗的精密医学显得尤其重要。随着物联网设备更便宜且更容易实现，数字孪生在医疗领域的应用需求不断增长。对数字孪生的未来设想是实时地对人体进行分析，但是目前由于技术支持的限制，数字孪生已实施的应用是模拟药物作用。数字孪生还可以模拟医护人员所需要的环境场景，和AI算法相结合能做出更准确的决策。在医疗保健中，实时模拟和行为能力是最重要的，数字孪生可以协助进行预测性维护和医疗设备的持续维修。

3.5数字孪生应用五：气象学

气象机构利用地形和建筑的实体模型和物理模拟器分析多个来源的数据，数据主要包来自雷达、卫星、无线电探空仪、无人机等等，人们可以在实时运行的大规模并行数值模拟器中找到最新的大数据同化方法。数字孪生之所以能在气象学中占有一席之地，主要是由于在处理过程中对数据的隐私保护。目前，数字孪生在气象学中的应用已经是最成熟的技术之一，但是仍然有很大的进步空间，一个问题是，全球仍然存在气象站观测不到的地方，这就导致了气象服务质量有待提高。而决定气象是否精确，首先就要从数值收集、分析以及增强技术等方面下手。数字孪生可以实際构建物理原型之前使用计算机模型来测试新系统，这样的技术杯应用在气象学中可以改善决策场景，而且对环境状况可以进行近乎实施的天气预报。

3.6数字孪生应用六：教育行业

网课的诞生颠覆了传统课堂教程模式，网课具有地点灵活、价格低廉、可重复观看的特点，面对这种教育变革，个性化教育面临着巨大挑战和更多的机会^[9]。很多学校记录大量的学生数据，但是整理的学生线路图并不完整，数字孪生就可以有效的弥补这个不足，让个性化教育成为流行。使用智能学习环境可以构建个性化学习框架。融合数据挖掘工具用来构建学习目的的数据管理框架，从而可以帮助数据收集、数据表征、数据分析和数据实施的一整套评估流程，而且能更好的将计划教育目标映射到学生的学习成果当中。将教育部门的数字孪生技术和其他部门的数字孪生技术相结合，可以更加有效的培养目标型人才。

3.7数字孪生应用七：交通能源行业

数字孪生相关技术日渐成熟，已经可以为交通和能源等领域提供智能解决方案。利用网络物理系统控制大规模的公路货运问题，其中包括集成的路线和运输计划使燃油消耗降至最低。目前国外已经讨论了关于车辆和移动云计算之间的集成方法，还为空中交通管制提供了混合人工制品解决方案。另外，最近工业4.0利用最新技术已经在石油和天然气领域进行了评估，在降低生产成本和减少温室气体排放量的前提下，如何提高能源效率的技术集成^[10]。

4.结语

数字孪生的发展必须以AI、物联网、云计算等技术的发展作为支撑。通过文章的应用案例来看，数字孪生在制造领域中的应用较为广泛，而智慧城市和医疗保健等领域的研究空缺突出。文章中对数字孪生的构建框架进行概括描述，分析其在各个领域中的案例应用，为数字孪生技术在现实中的应用提供了理论依据。

参考文献：

1. 李欣，刘秀，万欣欣.数字孪生应用及安全发展综述[J].系统仿真学报，2019，31（03）：385-392.
2. Zhang L ，  Zhou L ，  Horn B . Building a right digital twin with model engineering[J]. Journal of Manufacturing Systems， 2021， 59（2）：151-164.
3. E. Glaessgen and D. Stargel， "The digital twin paradigm for future NASA and U.S. Air force vehicles"， Proc. 53rd AIAA/ASME/ASCE/AHS/ASC Struct. Struct. Dyn. Mater. Conf. 20th AIAA/ASME/AHS Adapt. Struct. Conf. 14th AIAA， pp. 1818， Apr. 2012.
4. A. Madni， C. Madni and S. Lucero， "Leveraging digital twin technology in model-based systems engineering"， Systems， vol. 7， no. 1， Jan. 2019.
5. 张霖，陆涵.从建模仿真看数字孪生[J/OL].系统仿真学报：1-11[2021-04-07].
6. 赵波.数字孪生城市白皮书[M].中国信息通信研究院：北京，2020：2-4.
7. Rosati C A ，  Cervo A ，  Fantuzzi C . Air Quality Monitoring in a BIM model by means of a IoT Sensors Network[C]// 2020 Fourth International Conference on I-SMAC （IoT in Social， Mobile， Analytics and Cloud） （I-SMAC）. 2020.
8. K. Krane-Gartiser， A. Asheim， O. B. Fasmer， G. Morken， A. Vaaler and J. Scott， "Actigraphy as an objective intra-individual marker of activity patterns in acute-phase bipolar disorder： A case series"， Int. J. Bipolar Disorders， vol. 6， pp. 8， Mar. 2018.
9. H. Yu， C. Miao， C. Leung and T. J. White， "Towards AI-powered personalization in MOOC learning"， npj Sci. Learn.， vol. 2， pp. 15， Dec. 2017.
10. Cajo R ，  Ghita M ，  D  Copot， et al. Context Aware Control Systems： An Engineering Applications Perspective[J]. IEEE Access， 2020， 8.