关于数字孪生技术的研究论文

三要素是数据、模型、映射。“孪生”的概念最早起源于美国国家航空航天局的“阿波罗计划”；2003年前后，关于数字孪生（DigitalTwin）的设想首次出现于美国密歇根大学的产品全生命周期管理课程上；直到2010年，“DigitalTwin”一词在NASA的技术报告中被正式提出；2012年，美国国家航空航天局与美国空军联合发表了关于数字孪生的论文，重点应用于未来飞行器发展。近年来,随着多学科建模与仿真技术的飞速发展,数字孪生技术研究成为热点，得益于物联网、大数据、云计算、人工智能等新一代信息技术的发展，数字孪生在虚拟样机、数字孪生车间、数字孪生工业、数字孪生卫星、智慧能源、智慧工厂、交通、医疗健康等诸多领域得到成功运用。面向未来网络发展,伴随着云计算、大数据、人工智能等技术的不断发展以及信息的泛在化,数字孪生技术也将更广泛地运用于人体活动监控与管理、家居生活和科学研究等领域,使得整个社会走向虚拟与现实结合的“数字孪生”世界。

当下，企业正以多种方式使用数字孪生体技术。在 汽车 和飞机制造领域，数字孪生体技术逐渐成为优化整个产品制造价值链和创新产品的重要工具；在能源领域，油田服务运营商通过获得和分析大量井内数据，建立数字孪生模型，实时指导钻井和油气运输作业；在医疗保健领域，心血管研究人员正在为临床诊断、教育、培训，创造高仿真的人类心脏的数字孪生体；作为智慧城市管理的典型案例，新加坡使用详细的虚拟城市模型，用于城市规划、维护和灾害应急预警等项目。自从数字孪生概念提出以来，数字孪生体技术在不断快速演化，无论是对产品的设计、制造还是服务质量，都产生了巨大的推动作用。数字孪生体技术的普及应用将极大地推动企业在数字化、网络化两个层级的发展，助力企业加速数字化智能制造转型的进程，为企业实现数字化智能制造转型升级进行赋能。

数字孪生体技术在制造业中的快速发展和应用，不仅改变了制造企业的传统生产方式，也推动企业管理模式、组织形态的重构。

数字孪生体技术在制造业发展应用过程中主要体现了如下特点：

一是仿真镜像

在产品甚至是生产线和工厂正式制造、建造之前，就可以通过数字化设计、模拟和仿真出实体，输出3D、全息影像等形式的设计图纸和制造手册。仿真分析过程形成了完整的产品数字化虚拟档案，不仅仅包括产品的结构和功能，还包括了材料、工艺和流程，是制造材料、制造过程、制造结果三位一体的数字化信息集成，不仅仅是制造现状的描述和记录，还可以实现质量问题源头的追溯，例如某个电容是用在哪块电路板上等，还可以实现情景再现，例如模拟微型涡喷发动机的生产工艺流程规范是否科学、运行效果是否达标等。

二是动态映射

传统的数字化制造技术主要停留在仿真镜像阶段，没有实现制造过程中以及投入使用后，实体与虚体之间的数据交互。随着IoT技术的深入，通过实时智能传感和监测，可以捕捉到制造实体变化的动态信息，及时反馈到孪生虚体中进行记录和修正，通过计算和验证，降低风险减少误差，通过动态调整、虚实同步，实现产品全生命周期的相互孪生、共同成长。

三是质量预测

通过产品全生命周期大数据的积累和机器深度自主学习等技术的应用，及时发现制造环节和使用环节的错误和痛点，在孪生虚拟体上进行调整和验证，有效评估和提升产品质量管理水平，降低企业研发成本和生产成本。

同样数字孪生体技术在助力制造企业的数字化转型升级过程中，对企业质量管理业务领域也产生了极大的变化和影响：

基于IoT技术实现全面互联的产品开发制造生态圈，它使包括人员、产品、机器及有关系统实现质量信息无障碍流通；

IoT器件、芯片、信息流、人工智能植入传统产品硬件，大大提高了产品的功能，也对产品质量、可靠性和风险管理构成挑战；

除了传统的质量管理方法，很多高 科技 方法，如云计算、深入学习、人工智能、VR/AR进入实用，虽然功能强，但是错用，滥用风险高；

在制造过程中高性能的设备、仪器、元件增加，产生了新能力和新问题。比如精确、快速的3D扫描仪，可快速生成加工件精准电脑图像模型，可代替传统的点测量来进行质量管理，但同时需搞出"以图像为基础的质量管理过程"…

基于以上质量管理业务领域的变化和影响，也同时给企业的质量管理工作带来不一样的变化：

1、未来是个性化定制与服务的柔性生产时代，企业质量管理工作的重点不再是质量缺陷和失效的控制，而是客户价值的不断感知、满足和提升；

2、IoT、大数据、云计算、人工智能等数字孪生体使能技术的应用，实现了产品全生命周期各阶段信息的高效互联互通，同时也促使企业质量管理人员的队伍将扩展到IT部门、数据分析师、工业互联网平台管理者等；

3、在个性化定制生产服务下，产品质量更多体现在为终端消费者创造价值上，数字孪生工厂让客户全程参与产品的研发、设计、生产等过程，产品设计与创新从以企业为中心向以用户为中心转变，通过数字孪生体平台使越来越多的消费者参与产品创新，改变了传统质量需求模式；

4、企业质量管理人员的思路、能力和方法也将发生变化：

快速且高质量的处理海量客户信息的能力；

提高和满足客户感知价值的能力；

数据质量和数据的校准能力；

嵌入式系统的质量管理能力；

预测性质量控制与设备维护能力；

风险控制系统的管控能力；

…

随着新一代信息技术和数字技术的突飞猛进，让数字孪生成为可能，也让企业产品质量追溯、质量监测、质量预警、质量修复变得更加及时、精确和有效，实现了从实物追踪到虚拟镜像的 历史 性跨越，必将为企业产品质量评价或"客户价值感知"带来颠覆性的突破。个人理解，在数字孪生制造新业态下，未来企业质量管理的工作重点方向将有如下几个方面：

一、质量管理战略和规划

未来质量管理将不再是减少错误，而是如何为客户创造价值。面对未来需求个性化的发展趋势，企业质量战略的核心是数字孪生质量平台的打造，实现企业质量管理平台化。数字孪生技术的应用除了降低成本，还会导致市场竞争日趋激烈，产品同质化情况进一步加剧，马太效应进一步放大。在此情况下，企业质量战略和规划工作应先人一步，通过高质量口碑抢占先机，逐渐构建产业质量管理生态链，集生态链智慧，创造企业质量竞争优势。

二、产品技术与质量标准体系的构建

产品技术与质量标准体系是企业质量管理工具和方法选择的参考依据，也是一切质量管理工作执行的目标方向。特别是数字孪生技术应用给产品的全生命周期管理带来颠覆性的变化，因此各企业需要基于数字孪生制造技术的应用特点，构建适合及满足企业质量管理工作需求的标准体系。

三、数据建模及交互协同质量的控制

在产品研发、采购、制造、质量管理到交付的链条中，各链条的数据交互协同将会带来大量的挑战。它直接影响了最终产品的质量，也影响了产品全生命周期质量管理的效率。

随着数字孪生和增材制造等新技术的加入，数据类型更为丰富、数据容量几何级增长、数据交互的时效性要求更高、数据价值和应用分析的工具更为先进，同时也带来了对数据标准更新和工具更新的质量控制要求。以增材制造为例，研发和制造过程中的产品数据，动辄以G计算；由于传感器、机器视觉、人工智能和数字孪生的应用，数据传输过程也由传统单向低速控制指令，转变为控制指令和过程检测数据双向高速传输；而生产过程中积累的大量数据，除产品质量保证外，在其生命周期中的可靠性管理和预测性维护等领域，都将发挥重要价值。

对于数字孪生体和增材制造相关数据建模及交互协同控制等标准的制定，已成为ISO等国际标准化组织和我国十四五数字化制造的核心研究课题。

四、关键过程链的质量波动模拟建模与分析

在经济全球化和加速企业数字化转型升级背景下，市场竞争已经从企业间竞争变为基于关键过程链产品的质量竞争，企业对关键过程链的关注重点已经从传统的产品优化、成本优化，扩展到了质量保障、正向设计过程以及风险控制等各方面，关键过程链上的任何质量波动都可能为企业带来重大的经济损失和市场风险。因而，建立关键过程链的质量波动模型，使之能预测和控制可能的质量波动及其影响范围，是数字孪生制造新业态下产品质量管理的一个关键内容。

五、企业产品创新质量的精准控制

基于产品全生命周期数字孪生体的数据应用，可协助企业精准地锁定用户和表达用户需求，然后按照用户需求创新出一个新产品，通过数字孪生平台模拟测试并生产出来让消费者体验和价值感知，大幅度降低产品研发周期及实现产品的精准上市。这也是一种新的商业模式：在数字世界中对企业的生产流程进行模拟、优化，降低成本，提高效率。

六、产品使用过程的预测性维护质量管理

基于产品使用过程中大数据AI模型、机理模型、故障知识库深度融合，构建产品使用过程孪生体平台，让企业售后人员能够精准识别产品售后故障部件、故障模式、故障原因、故障等级及改善措施，并自动生成详尽的产品售后诊断报告。

以上是基于个人认识的简单思考，欢迎各位交流与指正！

文 |陈龙

本文授权转载自：集智俱乐部

导语

资深智慧城市研究者、华为公司智慧城市高级顾问王鹏，受邀在腾讯研究院×集智俱乐部 AI&Society沙龙上发表以“从城市数据到智慧城市”为题的演讲。笔者回顾了王鹏对城市数据及其应用的，并结合清华大学龙瀛团队在人类数字化上的最新研究，提出对城市和个体虚拟化的探讨。讲座视频实录请见文末小程序与网页链接。

源于工业的数字孪生

数字孪生（Digital Twin）这一概念最早可以追溯到Michael Grieves教授2002年在密歇根大学PLM（产品生命周期管理）中心对产业界做的一次演讲（虽然没有书面证据，但这仍被广泛认为是数字孪生最早来源）。

2014年，Michael Grieves在其撰写的“Digital Twin: Manufacturing Excellence through Virtual Factory Replication”白皮书中进行了详细的阐述。他认为通过物理设备的数据，可以在虚拟（信息）空间构建一个可以表征该物理设备的虚拟实体和子系统，并且这种联系不是单向和静态的，而是在整个产品的生命周期中都联系在一起。

在此之后，数字孪生的概念逐步扩展到了模拟仿真、虚拟装配和3D打印等领域。随着物联网技术、人工智能和虚拟现实技术的不断发展，更多的工业产品、工业设备具备了智能的特征，而数字孪生也逐步扩展到了包括制造和服务在内的完整的产品周期阶段，并不断丰富着数字孪生的形态和概念。

企业界走在数字孪生的前列。工业下的数字孪生被各大软件厂商赋予了各自的理解，并将其与自身业务融合，致力于打造出现实世界与虚拟世界融合的解决方案。

美国通用电器公司（GE）与ANSYS公司借助数字孪生这一概念，提出物理机械和分析技术融合的实现途径，让每个引擎，每个涡轮，每台核磁共振都拥有一个数字化的“双胞胎”，并通过数字化模型在虚拟环境下实现机器人调试、试验、优化运行状态等模拟，以便将最优方案应用在物理世界的机器上，从而节省大量维修、调试成本。

西门子引用数字孪生的概念，来形容贯穿于产品生命周期各环节间的数据模型。通俗地说，数字孪生就是仿真模拟一些工厂的实际操作空间，从产品设计到产线设计，到设备制造方的机械设计和工厂的规划排产，到最后制造执行和产品大数据。

法国软件公司达索系统在数字孪生创新协作和验证中，不仅重视产品的数字化表现，更试图通过三维体验平台实现设计师和客户之间的互动。

德国软件公司SAP基于Leonardo平台在数字世界打造了一个完整的数字化双胞胎，在产品试验阶段采集设备的运行状况，进行分析，得出产品的实际性能，再与需求设计的目标比较，形成产品研发的闭环体系。

简而言之，工业下的数字孪生，更多是为制造业提供了产品在物理空间和虚拟空间之间的映射关系，以及在实体世界以及数字虚拟空间中记录、仿真、预测对象全生命周期的运行轨迹的过程。

物理世界和数字副本

数字孪生：催生智慧城市

值得注意的是，数字孪生的概念不仅活跃在工业的制造业，也越来越频繁地出现在智慧城市领域。随着ICT（信息、通信、技术）成为智慧城市发展的主要动能，移动通信、互联网、云计算、传感器、人工智能、量子通信在智慧城市都得到了广泛应用。全域感知、数字模拟、深度学习等各领域的技术发展也即将迎来拐点，这使得城市的数字孪生应运而生。

中国智慧城市数字孪生的发展还有很长一段路要走。数字孪生高度依赖传感器所采集的数据和信息，而就目前的技术水平来看，精细化尺度下城市数据的全域感知和 历史 多维数据的获取，依旧有难度。物理实体空间的数据不够详尽，将直接导致其数字副本的缺失。现阶段的数字孪生距离想象中的沙盒系统模拟推演、人工智能决策等功能仍有很大差距。

数字孪生在智慧城市发展与建设中的核心价值在于，它能够在物理世界和数字世界之间全面建立实时联系，进而对操作对象全生命周期的变化进行记录、分析和预测。智慧城市中的数字孪生可以分为四个阶段，分别是

对城市现状进行精准、全面、动态映射的现状孪生；

从 历史 数据中学习、分析、识别、总结并发现城市运行规律的学习孪生；

人工监督下模拟不同环境背景下的发展情景的模拟孪生；

最终通过实时数据接入与人工智能自动决策的自主孪生。

同时，我们也应看到数字孪生在传感器、5g和边缘计算技术不断发展中所具备的巨大潜力。传感器的高密度部署与高精度感知，结合5g和边缘计算的实时结构化计算回传，对城市物理空间的全域感知和实时更新，将是5g时代的常态。一砖一瓦、一草一木、一桌一椅、一人一车，都会以不同的频率更新位置和状态信息，从而实现真正的“全息”虚拟城市。

城市数据：数字孪生的DNA

在智慧城市的建设中，数字孪生的核心在于构建与城市物理空间全面映射的虚拟（信息）空间。不同于制造业产品周期管理中被制造商全面掌握的产品信息化数据，城市作为一个庞大的复杂系统，其包含的物理空间及过程，无时无刻不在产生着多维的海量大数据，这无疑在数据收集、处理、运算、储存和管理上向城市数字孪生提出了挑战。

近年来，以数据为核心的城市生态链构架了智慧城市的顶层设计，形成以共享信息为中心、各行业协同实现的“感知-应用-共享信息”的智慧城市模式。与此同时，在大数据、人工智能、云计算、物联网等新兴ICT技术的推动下，多维的海量城市数据也逐步以不同方式被挖掘并应用在智慧城市的研究和实践中。

传统城市统计数据的电子化与空间可视化是城市大数据发展迈出的第一步。基于GIS平台上对行政边界的勾绘，并将其与传统的年鉴统计数据相匹配，就能实现传统数据的电子化与可视化，并依托GIS空间分析功能实现空间可视化与分析。

Cityeye上对传统统计数据的电子化与空间可视化

互联网大数据的应用标志着城市真正迈入了大数据时代，而互联网大数据也俨然成为近年来城市研究的“宠儿”，无论是学界还是业界都在积极 探索 互联网大数据为城市研究和发展带来的诸多可能。

互联网大数据最大的优势在于其打破了传统数据自上而下的数据采集壁垒，而是以自下而上的方式提供着精细尺度下的多维数据，如记录城市内所有地理实体空间位置与属性的兴趣点（POI）数据；反映话题热度与用户画像的社交媒体大数据；实时展示人口空间分布的热力图等。

而随着智慧城市的到来，传感器技术的进步与成熟为城市研究提供了另一条数据获取之路。

通过多模块集成传感器在城市内部的架设，可以实现精细尺度下城市环境、人车行为等数据的实时感知与收集。如由City Grid城市网格数据监测站，可利用多模块传感器网络监测人车流量及环境质量，如风速、风向、光照、温湿度和等。City Grid是一款针对城市空间精细化感知的物联网产品，也是传感器技术应用在城市全域感知、数据采集，乃至实现城市未来微观环境与人车行为预测的经典案例。王鹏团队也曾多次利用City Grid多次在清华大学校园和白塔寺社区内进行监测布点、数据采集，并针对城市环境和人群行为开展深入分析。

City Grid城市网格数据监测站

LBS数据（基于位置服务的数据），通过运营商采集用户与基站间不间断的信令数据，来获取移动服务用户相对精确的实时空间位置。因其具备用户量大，覆盖范围广等特征，是描述城市人口数量和空间分布的“终极”数据。

我们把自己数字化了！

Digital Self 数字自我

在感叹数字孪生如何颠覆性地改变制造业和城市管理与运营的同时，有学者已经开始 探索 如何打造人类个体的数字双胞胎。

清华大学龙瀛团队的研究助理张昭希近期发表了一篇题为“Application of wearable cameras in studying inpidual behaviors in built environment”的期刊论文，提出创新性地使用可穿戴式相机对个体行为和城市空间感知进行数据收集、分析与模拟。

研究团队利用便携式相机，记录佩戴者正前方每5分钟一张的图片数据，并通过人工识别、计算机视觉分析和色彩识别分析等手段，对佩戴者个体行为特征、时间分配、路径转移、场所事件等要素进行了分析研究。研究结果表明，可穿戴式相机采集到的图片数据具有丰富的个体行为与时空信息，可以有效描述个体在空间中的行为特征。

数字化的“生命日志”

随着大数据在城市研究中的广泛应用和快速发展，基于建成环境层面的形态要素数据（如遥感、街景和POI数据）和多种互联网数据（如微博、点评和手机信令数据）开展的针对大规模群体的研究，为利用大数据解释城市问题提供了大量案例参考，并逐步建立了理论基础。然而，这些基于较粗尺度城市物理空间，抑或是大规模群体的大数据，仍较难被应用于个体的深层剖析和研究解读。

而可穿戴式相机为大规模采集个体数据提供了新的契机，通过记录的图片数据将个人活动信息数字化，形成“数字自我”的 电子档案，弥补了现有研究中对个体行为数据采集不够连续、维度不够丰富的问题，这也是从城市环境数据化向个体行为信息化的转变之一。同时，个体行为信息化也将推动研究方法的革新和新技术的介入，从主观的“个体感知”转向客观的“量化研究”。

从数字孪生的角度来看，基于可穿戴式相机记录下的图片数据，通过整理和分析可以剥离出个体在物理空间中的行为特征要素，进一步将这些个体行为特征要素在时空上数字化，从而构建了其在虚拟（信息）空间内的数字双胞胎。同时，图片数据中包含的大量物理空间建成环境要素同样可以被数字化并记录在虚拟空间内，从而反映物理空间和虚拟空间内个体和环境之间的交互。

科技 的日新月异不仅使人们的生活方式发生了巨大改变，同时也影响着城市运行的方方面面。不可置否的是，新技术的高速发展给城市研究与实践带来了新的机遇，推动着城市规划技术和工具的突破与创新。如龙瀛提出的数据增强设计，允许规划师们借助多维城市大数据对城市做出更全面、精准的分析与规划设计响应。

同时，在信息通讯技术革新的助力下，数据储存、挖掘、云计算和可视化等技术的完善也为研究城市提供了新视角。人们的思维方式从传统的机械思维向大数据思维转变，认知方式也逐渐向虚实结合的体验过度。城市数字孪生、数字自我的概念也将在第四次工业革命的技术革新下拥有更丰富的内涵。

参考资料

[1] 王鹏：展望未来城市，万物皆可运营 | 智慧城市长文综述

[2] 王鹏：城市数据到智慧城市

[3] Long, Y. (2019). (New) Urban Science: Studying New Cities with New Data, Methods and Technologies. Landscape Architecture Frontiers, 7(2), 8-21.

[4] Zhang, Z. X., & Long, Y. (2019). Application of Wearable Cameras in Studying Inpidual Behaviors in Built Environments. Landscape Architecture Frontiers, 7(2), 22-37.