智能制造领域的数字孪生技术研究可视化知识图谱分析

陈昭明，邹劲松

（1.重庆大学，重庆 400044；2.中国科学院大学 重庆学院，重庆 400714；3.中国科学院 重庆绿色智能技术研究院，重庆 400714）

现代制造业是事关国民经济命脉的重要支柱产业，代表着国家的科技发展与综合实力水平。21世纪以来，随着大数据、CPS、人工智能等新一代信息技术的应用与发展，以及5G 时代的到来[1-2]，智能制造已成为国内外制造业发展的共同趋势。为了抢占智能制造领域高地，世界各国纷纷提出各自的国家发展战略。目前，业界已在智能制造领域展开了广泛研究，指出智能制造是基于新一代信息通信技术与先进制造技术的深度融合[3]，并贯穿于制造活动全生命周期的各个环节，以实现制造过程自感知、自决策、自执行、自适应。推动智能制造，不仅能有效缩短产品研发周期和提高生产效率，还能大幅减少资源能源消耗及减轻环境污染。智能制造已被确定为我国制造业创新发展的主攻方向，“十四•五规划”也给予高度关注。智能制造的基础是物理实体空间与信息化虚拟空间的交互融合，实时反馈。作为信息技术重要前沿领域的数字孪生技术，为物理环境和虚拟环境中数据与信息的双向传输交互提供了可行的解决途径，在推动智能制造的进程中具有重要作用，逐渐受到国内外广泛关注，并成为重点研发技术之一。

数字孪生技术通过多领域、多尺度、多概率的建模仿真分析实现对物理实体的高保真映射及同步演化，并通过物理实体和虚拟模型间的虚实交互反馈、数据融合分析、决策迭代优化为物理实体增加或扩展新的能力[4]。数字孪生的研究与应用已从最初的航空航天领域逐步拓展到智能制造、能源化工、智慧城市、智能建筑等领域，贯穿产品全生命周期的各个阶段[5]；与此同时，也存在研究时间短、涉及的关键技术多、对物理实体的细节刻画不足等缺点，因而限制了其实际应用场景。但从长远来看，数字孪生技术的研究发展将驱动着未来制造模式创新发展的新方向。

基于此，本文运用文献计量法对国内外有关数字孪生技术在智能制造领域的已有研究成果数据进行可视化分析，阐述当前数字孪生技术在智能制造领域的研究状况及近期热点，并探讨其研究前沿趋势。对促进数字孪生技术的深入研究，推动我国制造业转型升级、引领智能制造创新发展具有重要意义。

1 数字孪生概述

1.1 数字孪生的产生背景

20世纪中叶以来，数字化设计新技术快速发展并广泛应用于产品研发全过程，并通过信息化集成来优化调整相应的生产管理策略[6]。为了实现物理实体在虚拟空间的实时监控与同步映射，打通两者之间的连接，数字孪生应运而生。它起源于工程制造领域，由Grieves 于2003年提出“镜像空间模型”[7]，包括物理空间、虚拟空间及两者之间数据信息连接，如图1所示。2011年，Grieves 与Vickers 合著的《Virtually Perfect: Driving Innovative and Lean Products through Product Lifecycle Management》正式将其命名为数字孪生[8]。

图1 数字孪生的概念模型Fig.1 Conceptual model of a digital twin

自从数字孪生诞生以来，学术界在产品生命周期各环节，如设计、制造、运行、维护等[9-10]对数字孪生进行了广泛的阐述和诠释。鉴于产品制造系统的复杂多样性以及不同阶段其数字孪生模型各异的特点，目前尚未形成统一共识的定义[11]，但模型和数据是数字孪生的核心要素。数字孪生于2017～2019连续3年入选Gartner 十大战略技术趋势，《德勤2020技术趋势》也将数字孪生作为今后的五大趋势之一[12]，随着智能制造的深入推进，数字孪生将作为一种通用技术深刻影响未来制造模式的发展。

1.2 数字孪生的发展历程

数字孪生最初用于解决战斗机机体的维护问题，主要应用在军工及航空航天领域[5]，随后逐渐拓展到产品研发、装备制造、运维管理[13-14]等诸多场景之中。主要经历了以下4个发展阶段：

1）1960年～21世纪初，以CAD 建模、ANSYS 为代表的有限元技术兴起、CAE 企业适应计算机技术的发展、传统系统工程等预先技术的准备为主。PLM、仿真等工业软件为数字孪生的诞生提供了技术储备。

2）2003年～2010年，数字孪生概念的产生及其建模仿真技术路线的发布，出现了仿真驱动的设计、基于模型的系统工程（MBSE）等先进设计范式[15]。这是数字孪生的概念产生期。

3）2011年～2019年，NASA 与美空军、西门子、GE 等航空航天及工业巨头相继开始初步应用数字孪生技术、佐治亚理工提出数字孪生城市、ISO/TC，IEEE SA 等机构开始成立数字孪生相关工作组，数字孪生体研讨会陆续召开[16]。这是数字孪生的初步应用期。

4）2020年至今，NSF 赞助全美首次智慧城市数字孪生体融合研究会、SysML2.0由需求阶段转入研发阶段、《ISO 23 247面向制造的数字孪生体框架》发布，数字孪生技术的开发与其他使能技术深度融合，使得其应用领域迅速扩展[17]。工业互联网在多行业的应用普及，为数字孪生技术应用范围的拓展提供了保障。这是数字孪生的蓬勃发展期。

从数字孪生的发展过程可以看到，建模仿真、数据采集传输与处理、虚实交互及数据安全性技术是推动数字孪生在工程制造领域发展与应用的重要手段，而要实现数字孪生在制造领域的高速发展离不开物联网、大数据、云计算等信息技术的支持与融合。

2 数据来源及研究方法

2.1 数据来源

本文以国内外智能制造领域数字孪生技术研究的相关文献为研究对象，数据来源于Web of Science（WoS）核心合集和中国知网（CNKI）核心数据库。以数字孪生、智能制造、先进制造技术为主题进行模糊匹配检索，检索时间截止到2021年7月28日。为了最大限度地涵盖智能制造领域数字孪生技术的研究状况，考虑到数字孪生概念的正式提出时间为2011年，因此将检索时间范围设置为2011年～2021年。同时，为排除与主题无关文献的干扰，将检索文献中的新闻报道、会议通知、书评、重复文献等数据进行筛选和剔除，最终得到有效实验数据集。数据具体筛选情况如表1所示。

表1 数据来源Tab.1 Data sources

2.2 研究方法

信息可视化促进了对引文数据的分析不再受限于引文数量，便于从海量数据中挖掘出潜在的运行机制及发展趋势。其中，陈超美基于Java 语言开发的Citespace 软件是当前科学计量领域广为采用的知识图谱绘制工具。它通过数据挖掘、科学测量和信息分析对特定领域的文献进行可视化处理，并采用多维结构知识图谱来揭示研究主题间的内在逻辑，进而探求该领域的知识结构、研究热点以及发展趋势[18]。本文采用定性分析与定量分析相结合的方法，既要通过定性分析对主要文献内容进行梳理，探讨其在研究主题中的作用，又要通过定量分析，借助Citespace 可视化工具绘制相关知识图谱，得到目前数字孪生技术在智能制造领域的研究热点及发展趋势等相关结论。

3 文献特征可视化分析

3.1 文献发文量分析

文献数量随年份的变化是衡量某一学科领域发展态势的重要指标之一。发文数量可以反映该领域的研究热点，发文数量的变动可以预测该领域的发展趋势，能有效指引相关科研工作的探索与发展。根据前述检索方式得到的实验数据集，采用Origin2019b 软件对所有文献数据进行统计分析，并绘制其发文量分布图，如图2所示。其中，2021年的现有数据还不能反映全年的发表情况。

图2 智能制造领域数字孪生技术研究发文情况对比Fig.2 Comparison of publisheddigital twin research in the field of intelligent manufacturing

从图2来看，2014年以前数字孪生技术在智能制造领域的研究基本可以忽略，主要原因在于，一方面，人工智能技术受限于当时的硬件设施及智能算法水平，抑制了智能制造领域的发展；另一方面，虽然数字孪生的概念已经提出，而且单独关于智能制造技术的研究及数字孪生技术的研究已经在开展，但是将两者相结合的工程技术研究相对滞后以及文献出版发行的延迟性，导致数字孪生技术在制造领域的探索及应用的文献出现时间相对较晚。2010年以来，世界各国为抢占制造领域的制高点，纷纷提出各自的应对策略，如美国“先进制造业领导力战略”、德国“国家工业战略2030”、法国“未来工业计划”、日本“社会5.0”、韩国“新增长动力战略”、，促使学术界对智能制造相关话题的关注度逐年增加[3-7]。加之数字孪生技术已经在制造领域各环节广泛开展的探索与实践，推动了相关研究文献在2014年后开始爆发性出现。在总体趋势上，英文年均发文量是中文年均发文量的2倍多，国外研究热度高于国内，研究体系也相对完善，这与西方国家关于数字孪生及智能制造的理论研究超前及先进发达的工业体系有关。国内的发文量在2015年以来也呈指数型增长，我国明确了智能制造是制造强国建设的主攻方向，这极大推动了对制造行业的深入研究，数字孪生以其在虚实交互共融方面的独特优势而逐渐在制造领域发挥作用。2020年，全球遭受新冠疫情的影响，给相关研究工作带来一定程度的干扰，导致研究成果略有减少。

可以预测，随着全球智能制造研究与实践的长足进步，我国“碳达峰、碳中和”行动的深入开展，以及中美博弈带来的国际制造环境的变革，数字孪生在智能制造领域的研究将持续升温，成为实施智能制造的重要助推器，相关研究成果将呈持续上升趋势。

3.2 学科方向分析

根据实验数据集的统计分析，数字孪生技术在智能制造领域所涉及的学科方向如图3所示，处于多学科方向相互交叉渗透的状态。其中，英文文献的主要学科方向中工程学科的研究成果最多，高达461篇，其次为计算机科学方向的相关研究，发文量为204篇；中文文献的主要学科方向工业经济学科的论文数量最多，到达70篇，随后是控制工程学科方向的研究，为42篇。此外，数字孪生技术在智能制造领域的研究还涉及机械工程、航空宇航、信息通信、材料科学、环境科学与生态，表明当前数字孪生技术在智能制造领域的相关研究具有跨学科、多方向交叉融合的特征。数字孪生技术的虚实感知交互、实时反馈特性将推动数字孪生在这些学科方向的快速发展及广泛应用。

图3 主要学科方向分布图Fig.3 The distribution of the central disciplinary directions

进一步分析可知，在现有各学科研究成果中，主要集中在产品故障诊断与健康管理等后期服务环节，少量涉及制造车间的生产调度、能耗管理等制造过程，但与现实物理世界的应用还有一定差距。同时，对数字孪生的体系架构、模型构建方法及技术等方面的论述相对较少，在不同学科领域的应用发展也不平衡，对数字孪生的自身进化及自我成长等理论方面的研究还需持续关注。

4 科研合作分析

通过对作者及研究机构合作可视化分析，可以得到个体、局部、整体等3个层次的科研合作关系。知识图谱网络中节点大小与对应的发文数量成正比，节点连线的粗细反映科研合作的强度，节点的颜色显示发文日期的顺序。在citespace 中的参数设置情况如下：时间切片为1年，对象数据间的连接强度为cosine 分析，节点阈值为每一时间切片中频次最高的top50。

4.1 作者合作可视化分析

在作者合作图谱中可以反映出不同作者在图谱中的重要程度及其相互连接关系，节点代表不同作者，节点间的连线反映合作关系，连线的粗细代表合作的亲疏程度，作者合作知识图谱如图4所示。由图4可知，国内外作者节点间相对分散但存在多条合作连线，表明国内外已形成多个团队在开展相关研究，且2017年以来研究团队明显增多，但相互之间的合作程度还相对较弱。据Price law（N=）可确定核心作者[19]，由于数字孪生诞生时间较晚，目前各核心作者的发文数量普遍较少。以Tao 等[20]为核心作者的研究团队发表英文文献8篇，中文文献10篇，主要关注智能工厂、数字孪生车间等方面的技术问题[21]。Liu 等[22]发文7篇，提出了流程智能制造系统定制关键技术，以及自动化流水车间制造系统快速个性化设计方法，并用于中空玻璃智能制造。Helgers 等[23]和Zobel-roos 等[24]发文6篇，重点探讨了药物制剂生产的先进过程控制和生命周期分析等方面的问题。刘检华等也开展了数字孪生车间运行状态的在线预测，数字孪生装配工艺设计的关键技术等相关研究[25]。此外，王柏村等基于HCPS 视角探讨了智能制造的发展演进和新一代智能制造的特征[26]。总之，以核心作者为代表的研究团队在智能制造领域开展了大量的数字孪生技术探索研究工作，而且目前该领域的研究人员也初具规模，但团队间的合作方式、合作内容等都还有待提高。

图4 作者合作知识图谱Fig.4 Knowledge graph of author collaboration

4.2 研究机构合作可视化分析

在研究机构合作图谱中可以反映出各机构间开展合作研究的情况，如图5所示。图中节点总数为150，边数为132。从图中可探知目前至少有150家研究机构在开展智能制造领域的数字孪生技术研究，且不同机构间存在合作研究；同时也有少量缺乏合作研究的独立节点，如Univ Michigan，Univ Politehn Bucuresti，Univ Patras等。图中节点最大的研究机构为北京航空航天大学，发文16篇，且与香港理工大学、武汉理工大学等机构存在深入的合作关系；其次是南洋理工大学，发文14篇，与香港理工大学、新加坡国立大学、Univ Auckland 等机构有广泛合作；广东工业大学的频次也较高，发文10篇，与香港城市大学、西安科技大学、西安交通大学等高校开展合作研究。表明我国一些理工科实力较强的高校对智能制造技术与装备、数字孪生技术及应用的关注度较高，已成为智能制造领域研究的核心骨干力量，并且通过与国内外研究机构的合作取得了一定成果。此外，国外的研究机构，如Politecn Milan、Tech Univ Clausthal、Chalmers Univ Technol、Cranfield Univ 等也开展了大量合作研究并取得一定成果。

图5 研究机构合作图谱Fig.5 Research institution collaboration network

进一步分析可以发现，中国、美国、德国、意大利、英国是发文量最多的几个国家，对数字孪生技术的发展做出了重要贡献。美国与德国、中国、英国、印度、奥地利、瑞典等国存在大量的科研合作；德国与法国、瑞典、芬兰、比利时、西班牙等欧洲国家开展了科研合作，表现出较强的地域合作性；意大利与新加坡、英国、澳大利亚、巴西等国有较好的合作关系。和我国合作的主要国家有美国、新加坡、印度、德国等，还应不断扩大在跨国家、跨区域、跨机构的科研合作。

5 研究热点及前沿分析

5.1 研究热点分析

以关键词为“节点类型”，设置阈值为top50，分别绘制WoS 和CNKI 数据库中文献数据集的关键词共现图谱，如图6所示。图中节点处较大的关键词是高频词，按照高频词出现的频次和中心度的大小分别统计中英文文献中排名前15的高频词，如表2所示。

表2 研究热点高频词统计Tab.2 Keyword prominence statistics

图6 关键词共现图谱Fig.6 Co-occurrence network for keywords

从图6和表2中可知，英文关键词的节点总数为277，边数1 166；中文关键词的节点总数为224，边数405。在智能制造领域，国内外对高频词“数字孪生”的关注度很高，其次是“智能制造”、“工业4.0”、“信息物理系统”、“大数据”等与工业生产应用相关的技术热点，其它关键词的关注度相对较低。表明数字孪生技术已在国际范围内得到广泛研究，并逐步与其他应用技术相结合来拓展其实践场景；而且当前研究热点的分布比较广泛，不局限于某一方向的研究，不同研究方向之间普遍存在交叉融合的情况。但是国内的研究相对于国际研究来说，其研究范围和研究领域都比较局限，学科方向间的交叉融合研究还相对狭窄。总体来看，国内外关于数字孪生在智能制造领域的研究热点主要集中在以下几个方面：

1）数字孪生的内涵、模型及架构研究：数字孪生作为智能制造过程中实现物理实体与虚拟空间交互融合的重要手段，从诞生那一天起，业界就针对不同的生产对象和应用环境，对数字孪生的基础理论开展了大量研究，对其内涵进行了深入诠释并提出了多种模型及技术框架。刘大同等[27]从产品全寿命周期的角度对数字孪生的内涵进行了全面阐述；庄存波等系统阐述了产品数字孪生体的内涵并建立其体系结构。为推动数字孪生技术在相关领域的发展与应用，陶飞等[28]提出了数字孪生五维模型，并探讨了该模型在10个领域的应用思路。刘青等[11]指出数字孪生模型可分为通用模型和专用模型，且专用模型是当前研究的热点，数字孪生模型的深入发展需要与参考架构模型相融合，需要建模工具软件的配套支持。林智成[29]提出在实际生产过程中产品生命周期各部分相互协调、交互的数字孪生横向技术框架，主要由物理端和孪生端构成。物理端包含市场需求、概念设计、数据传输等过程，用以建立相应的物理系统；孪生端主要开展虚拟模型的验证及实时更新。以及底层数据通过网络端到用户端的层次化递进关系的数字孪生纵向技术框架。Alam 等[30]提出一种基于云端信息物理系统的数字孪生体框架，并通过远程通信驾驶辅助应用系统验证了该框架体系的有效性。

2）数字孪生在智能制造各环节的应用研究：目前，数字孪生技术在产品设计、生产制造、装配运维，以及全生命周期管理等多个环节进行了广泛的探索与实践。随着小批量、个性化、定制化制造的兴起，对缩短产品研发设计周期、提高市场响应速度提出了更高的要求，但传统研发方式耗时长、成本高、效率低，严重影响产品创新和市场开发。为此，将数字孪生技术引入产品设计研发中，建立产品的数字孪生模型，通过产品的虚拟模型和物理模型实时交互获得产品设计知识数据库，为产品设计提供帮助；同时，通过对孪生数据的分析来解析部分复杂的物理模型可降低设计难度；此外，通过对比虚拟模型和物理模型的差异，及时发现设计缺陷并加以修正，帮助快速验证产品原型设计，以更少的成本和更短的时间将产品推向市场。例如，Tao 等[31]提出了一种基于数字孪生的产品设计新方法并阐述其设计框架，使产品设计更便捷高效。Zheng 等[32]提出了一种通用的数字孪生方法来支持复杂产品族的虚拟原型设计，并以塔式起重机系列设计和优化为例验证了其成本效益。Zhang 等[33]提出数字孪生驱动的智能产品设计，在自行车和起落架设计中进行了方法验证，证明该方法在产品设计中的可行性。

在生产制造阶段，通过数字孪生可以对生产设备、制造工艺、制造过程进行虚拟仿真，改进工艺流程，提高生产效率，为面向产品全生命周期的管理提供支持。数字孪生驱动的工艺规划将产品资源和全要素全流程的工艺过程进行虚实映射和交互反馈，形成虚实共生的迭代协同优化，实时预测加工后产品的形态及产品性能评估，并根据实际生产结果和装配效果，提出修改完善措施，进行自适应自组织的动态响应。于勇等[34]探讨了数字孪生技术用于工艺设计的方法；Debroy 等[35]采用数字孪生模型将材料的多个工艺参数（如，加热和冷却速率、凝固参数、残余应力和变形的演化）集成到一个易处理的数值框架中，以减少实验次数和最大限度减少缺陷，从而提供结构合理可靠的零件。在制造过程中，通过数字孪生数据双向传递可实现基于产品孪生模型的生产过程监控以及生产设备故障预测诊断。Söderberg 等[36]利用一种用于几何保证（geometry assurance）的数字孪生模型，实现产品从大规模生产转向个性化生产；Um 等[37]研究了基于AutomationML 的通用数字孪生模型，该模型允许产品数据在模拟生产和制造阶段流通，以实现可扩展与高度模块化的组装和制造。Macchi 等[38]分析了资产生命周期管理中数字孪生在支持决策方面的作用。

3）制造过程的智能算法研究：智能制造过程离不开机器学习、数据挖掘、统计分析等相关算法技术的支持，数字孪生技术融合各种人工智能算法是实现智能制造过程中状态感知、自主决策、精准控制的重要保障。Huang 等[39]探讨了遗传算法、神经网络等智能算法在智能制造领域的应用，并通过生产案例进行了验证。刘庭煜等[40]针对制造过程中人员宏观行为数字孪生模型构建问题，提出一种三阶段级联卷积神经网络（3-Stage CCNN）的深度学习算法，实现对车间现场视频中的车间人员识别。丁华等[41]提出数字孪生与深度学习融合驱动的采煤机健康状态预测方法，实现实时监测数据驱动下的零件剩余寿命的在线预测和健康状态预测。Li 等[42]采用动态贝叶斯网络的概念构建飞机的健康监测模型，并通过机翼疲劳裂纹扩展实例对方法的有效性进行了验证。

5.2 研究前沿分析

研究前沿是一个特定领域时下最新和最具研究潜力的动态发展情况，它既可能在某个历史时期昙花一现，也可能演变成未来的热门课题，因此及时判别该领域的研究前沿对促进相关学科发展具有重要意义。随着数字孪生技术的快速发展，智能制造领域的研究前沿不断更新。在CiteSpace 中，分别对实验数据集的国内外文献进行关键词共现的突现度探测，选取最主要的15个突现词并按首次出现的时间进行排序，结果如图7所示。

图7 关键词的突现度统计

从图7可知，数字孪生、大数据、智能制造在2011年至2016年已持续6年作为突现词存在于国内外的研究文献中，表明数字孪生自正式诞生以来就受到制造领域的高度重视，在制造工程行业开展了广泛的探索实践；并与世界各国的国家战略紧密相关，有较强的政策引导性，如2012年美国发布《先进制造业国家战略计划》、2013年德国汉诺威国际工业博览会展出“工业4.0样板”、2015年法国提出“未来工业计划”。在此期间，国内外对数字孪生技术的基础理论研究逐步深入和完善；随后与其他信息技术相融合，逐渐转入到智能制造领域的各个具体研究方向，比如在数字线索、智能工厂、模型、服务、数字化等方面开展的探索。近3年来，伴随着智能制造发展的新需求，出现的突现词主要有工业机器人、故障诊断、预测、供应链、物联网、参考模型、应用场景、新一代信息技术等，反映出当前的研究前沿已经延展到智能制造过程的预测性维护与健康管理、生产仿真及调度等方面。随着人工智能和边缘计算的进一步发展，以及智能感知技术的日益成熟，孪生模型的海量数据快速处理及可视化将推动数字孪生在智能制造领域的深入发展，以知识驱动和数据驱动的智能工厂、智能车间新型生产模式将在制造业中得到广泛运用。

在预测性维护与健康管理方面，陶剑等[43]利用数字孪生开展复杂产品生命周期业务过程的建模与仿真、动态预测和评估，并结合航空工业智能制造架构给出相应的应用思路；Cai 等[44]提出了一种基于本体的物联网应用开发信息服务平台，可以实现产品生命周期管理中信息的封装、组合、分解、传递、跟踪和交互。为数据集成和智能交互提供了信息支持基础，并通过实例验证了该平台的有效性。Schranz 等[45]提出了一种基于数字孪生概念的数据集成和分析方法来增强产品生命周期数据管理，给出了目前的数字孪生原型及其服务以提高智能汽车的性能。

在生产仿真及调度方面，Hürkamp 等[46]提出一种结合仿真和机器学习的数字孪生模型来改进复合材料研发过程的制造工艺参数。费永辉[47]为提高柔性作业车间调度的自主性、智能性、预测性，提出了一种基于知识的数字孪生驱动的调度新模式；刘志峰等[48]基于数字孪生技术构建了一种调度云平台来解决零件智能制造车间调度问题，通过预测和诊断生产过程中的多源动态扰动情况，由调度云平台对动态扰动制定相应的控制策略。目前，智能制造过程中对产品设计、制造及调度的仿真需求无处不在，但由于制造领域的数据结构多源异构、数据周期参差不齐、数据价值密度低，导致采用数字孪生技术进行生产仿真及调度优化的结果依旧偏离生产实践。因此，通过优化数据源并改进数字孪生建模技术来开展更加科学准确的生产仿真及调度分析，并用于指导生产实践，将是数字孪生技术服务于智能制造所追寻的目标之一。

6 智能制造领域的数字孪生发展趋势

目前，数字孪生在智能制造中的普及与应用还存在许多挑战，要实现数字孪生的高速发展离不开物联网、大数据、云计算等信息技术的支持与融合，其主要发展趋势包括如下两个层面。

在技术层面，将向多物理建模，数据融合分析及智能决策方向发展。数字孪生体的建模准确度直接影响它在制造领域的应用程度，由于制造系统各物理实体都有其特定的数理模型，如结构动力学模型、流体力学模型、弹塑性模型、应力分析模型、热力学模型、疲劳损伤模型、材料退化模型等[49]，如何实现不同属性模型的耦合与兼容，是建立更加精准的数字孪生体，开展数字孪生仿真、预测及控制决策的关键。采用多物理建模的仿真分析结果能准确可靠的反映物理实体在现实环境中的实时状态与演变行为，也能克服传统单一方法分析设备健康状态及预测产品剩余寿命时面临的时序和几何尺度等难题。例如，NASA 试图构建多物理属性的飞行器数字孪生模型，以开展对物理实体的运行状态监测及剩余寿命预测研究。在数字孪生建模仿真的过程中，必然面对多源异构、动态海量及高重复性的孪生数据，如何避免噪声信号的干扰，并抽取出有效数据信息融入到大数据分析系统进行实时仿真分析及数据融合处理，是重要的发展方向。同时，数字孪生系统是一个不断积累设计制造知识，能够自我学习和自我成长的模型，当数字空间的虚拟模型与物理实体的现实行为之间不能双向动态映射时，数字孪生系统能够根据自我学习的结果进行最优决策分析和控制处置。此外，安全性是数字孪生系统面临的一个重要技术问题。数据是数字孪生系统的核心要素之一，海量数据在传输、存储及管理过程中容易遭受非法入侵、攻击和窃取。例如，在机械产品设计和制造等环节普遍使用的电子设计图纸及相关资料，易受到竞争对手非法入侵和窃取[50]，导致企业的技术信息和数据流动不安全，企业利益受到损害。因此，提高数字孪生系统的数据安全性，确保制造系统的安全可靠运行将是一个重要的发展趋势。

在应用层面，将向虚实同步设计，制造过程实时监控及综合产品运维等方向发展。在研发设计环节，通过数字孪生模型实现物理实体行为与孪生模型双向同步映射，并由数字孪生仿真分析可及时发现研发设计中可能存在的缺陷，实现产品同步优化改进，从而提高设计效率及降低研发成本。李浩等[51]提出了基于数字孪生的复杂产品环形设计框架，并从概念设计、虚拟样机、多学科融合设计、数据管理等角度探索基于数字孪生的复杂产品设计开发技术。在生产制造环节，建立设备级、车间级、工厂级的多层级复杂数字孪生模型，实现生产制造的实时动态监控、制造资源的优化调度以及生产信息的远程控制与共享，使产品制造成为虚实融合的交互过程。传感网络实时采集物理实体的多源数据通过与数字孪生模型的交互迭代进行加工过程的动态优化与控制；同时对这些数据进行知识挖掘获得加工过程的非实时预测及优化。例如赵阳等[52]基于数字孪生五维模型理论构建了飞机总装脉动生产线的数字孪生应用架构，为复杂产品装配的智能制造应用提供了参考案例。在产品运维管理环节，基于数字孪生模型开展产品运行状态监测、故障诊断与预测性维护等过程的综合管理，尤其是汽车生产系统、重型装备制造系统等大型复杂系统的日常运维管理。这对提高生产安全性、有效制定维管策略、降低产品运维成本具有重要意义，也将成为重要的发展方向。

7 结束语

数字孪生作为智能制造过程中信息物理深度融合的有效途径，对其在智能制造领域的研究方兴未艾。随着新一轮科技变革的不断演进，以及信息技术的日益成熟，数字孪生将在制造业智能化进程中发挥举重轻重的作用。我国在数字孪生的理论研究方面成果较多，而实际应用层面的研究成果还相对偏少；在跨国家、跨区域、跨机构的合作方面还有待加强。

为推动数字孪生在我国制造领域的落地实践，一方面要继续及时掌握国际研究新动向，加强数字孪生构建方法、机理模型、架构体系等基础理论方面的研究，不断完善理论体系；另一方面要以企业为主体、市场为导向、产学研用相结合、深度融合行业发展新需求，开展技术创新及应用创新研究，不断拓展数字孪生技术在智能制造领域的多阶段、多场景、集成化、协同化发展应用。