李 浩，王昊琪+，刘 根，王军令，Steve Evans，李琳利，王晓丛，Shuai Zhang，文笑雨，聂福全，王新昌，郝 兵，姜 伟，刘永光

(1.郑州轻工业大学 河南省机械装备智能制造重点实验室，河南 郑州 450002；2. 剑桥大学 工程学院制造研究所，英国 剑桥 CB3 0FS；3.浙江大学 机械工程学院浙江省先进制造技术重点实验室，浙江 杭州 310027；4. 格林威治大学 系统管理与战略系，英国 伦敦 SE10 9LS；5. 卫华集团有限公司， 河南 长垣 453400；6. 中信重工机械股份有限公司，河南 洛阳 471003；7. 河南许继仪表有限公司，河南 许昌 461000)

0 引言

随着云计算、物联网、大数据和5G技术等新一代信息技术的兴起，各个行业都在向数字化、智能化方向发展，例如智慧城市、智能制造、智慧农业、数字建筑和数字电网。近年来，新一代信息技术、人工智能等技术加速与制造业融合，世界各国均在大力推动制造业的智能化转型升级，例如德国“工业4.0”战略、美国 “工业互联网”战略、欧盟“人工智能”战略和中国“中国制造2025”战略等。数字孪生(Digital Twin，DT)技术作为推动制造企业智能化转型、促进数字经济发展的重要抓手，在此背景下迅速成为工业界和学术界的研究应用热点。数字孪生是以数字化方式创建物理实体的虚拟模型，借助数据模拟物理实体在现实环境中的行为，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理实体增加或扩展新的功能[1]。数字孪生的虚拟模型不仅能对物理实体实际行为进行多维度的刻画，还能达到虚实共生，实现对物理对象的监控、仿真、预测、优化等功能服务和应用需求，应用发展前景广阔。

早在19世纪60年代的阿波罗计划中，美国国家航空航天局(National Aeronautics and Space Administration，NASA)就建立了一套与实际航天任务对应的地面半物理仿真系统，用于宇航员培训，该系统本质上体现了数字孪生虚实结合的特点。2003年，美国密歇根大学的Michael Grieves教授[2]在产品生命周期管理(Product Lifecycle Management，PLM)课程上首次给出了与数字孪生概念等价的“镜像空间模型”，并解释该模型是“与物理产品等价的虚拟数字化表达”，它是一个系统、过程或服务的虚拟模型，由真实空间、虚拟空间和两者的数据与信息交互组成，能够从微观到宏观描述潜在的或实际的物理信息。此后很长一段时间，数字孪生并未受到广泛关注。近年来，随着建模与仿真、智能控制、5G等技术与工具的快速发展，NASA能够建立宇航任务中的各种物理实体的仿真模型，并在功能、性能和行为上反映物理实体的真实状态。2010年NASA在其发布的Area 11技术路线图中正式提出了数字孪生这一概念，并将其定义为“一种集成化了的多种物理量、多种空间尺度的运载工具或系统的仿真，该仿真使用了当前最为有效的物理模型、传感器数据的更新、飞行历史等，来镜像出其对应的飞行当中孪生对象的生存状态”[3-4]。

目前，数字孪生已在工业、农业、教育、医疗、运输、能源等10个余领域50多个方向进行了探索与应用，学术界和企业界开展了数字孪生车间、数字孪生城市、数字孪生建筑、数字医疗、数字电网等场景的应用研究。虽然数字孪生的理念与共性技术相同，但是不同行业对数字孪生的应用场景与难题的解决并不相同。例如，智能制造能够通过数字孪生进行多物理场仿真、产品个性化定制设计、智能生产调度和产品全生命周期运维等[5]；对于城市，数字孪生强调为城市的建设、运转和规划提供一套完整的数字基础设施，最终实现“城市大脑”，提高人的生活质量[6]；在智能建筑中，数字孪生强调模拟人们如何与建筑环境互动，改善居住体验[7]；电力系统数字孪生的研究对象是高维度、长时间跨度的时空数据块，能够实现电网实时状态监测和异常原因诊断[8]。由于不同类别的数字孪生系统在关键问题、主要应用场景、关键技术、数据来源等方面差异较大，使得数字孪生系统在不同行业和场景应用中产生的理论、关键技术、运行模式与架构差异较大。基于上述原因，本文提出了工业数字孪生系统(industrial Digital Twin System，iDTS)的概念、系统结构与运行模式。

基于数字孪生在工业产品的生命周期不同场景的功能、成熟度和运行模式的特点，本文提出的iDTS的概念将为数字孪生在制造业领域的发展提供基本理论和技术支撑。

1 国内外研究现状

数字孪生的技术发展与工程应用起源于制造业，经历了萌芽期、发展期和爆发期3个阶段，如图1所示。NASA在工程实践中首先认识到了建立物体实体对应的数字孪生体的重要性，并在2010年正式提出了数字孪生这一概念，数字孪生赢来了新的发展机遇，由萌芽期进入了发展期。2011年美国空军研究实验室在研究机体等疲劳及寿命预测时，形成了一个低保真性的“数字孪生体”，并随着技术的发展逐步提升了其保真度[9]；2012年NASA和美国空军研究实验室共同提出了未来飞行器的数字孪生体范例，将飞行器等数字孪生体定义为系统的、集成的多物理、多尺度、概率仿真模型，并提出了“机体数字孪生”的概念[10]；2013年，美国空军发布的《全球地平线：全球科技愿景》顶层科技规划文件中，将数字总线和数字孪生并列视为“改变游戏规则”的颠覆性机遇[11]；2014 年 Michael Grieves 教授发表了关于数字孪生的白皮书，将数字孪生分为数字孪生样机、实例、集合和环境，同时总结了数字孪生能够解决的实际工程问题[2,12]。

2017年前后，随着不同国家的科研机构和企业将数字孪生作为其未来发展的重要使能技术，数字孪生的发展迎来了爆发期。例如，2017年11月，世界最大的武器生产商洛克希德马丁公司将数字孪生列为未来国防和航天工业6大顶尖技术之首；2017年12月，中国科协智能制造学术联合体在世界智能制造大会上将数字孪生列为世界智能制造十大科技进展之一；世界权威信息技术研究咨询公司Gartner在2016年～2019年连续4年将数字孪生列为未来十大战略性技术之一，指出在未来将会出现数以亿计的数字孪生，它们将被企业用于产品设计、生产制造、经营工厂、故障预测和运行维护等[13]；2020年2月，德国工程师协会/德国电气工程师协会(VDI/VDE)发布了《设备生命周期中的仿真与数字孪生》报告；2020年9月，德国决定在联邦经济与能源部支持的体系外发起“工业数字孪生体协会”(Industrial Digital Twin Association，IDTA)[14]。

目前，数字孪生的发展仍然处于爆发期，由于Michael Grieves教授在最初定义数字孪生时未指定工程背景，其理论研究和技术应用从最初的制造业迅速扩展到农业、城市、建筑、电力和医疗等13种行业，涉及50多种应用场景(如图2)。数字孪生从概念模型阶段步入初步的规划与实施阶段，西门子、达索、GE、PTC和ANSYS等工业软件公司在数字孪生的技术应用架构上进行了深入研究。例如，德国西门子公司基于开放式物联网操作系统MindSphere实现生命周期数字孪生应用，法国达索公司建立了基于数字孪生的三维体验平台3DEXPERIENCE，美国GE基于Predix云计算环境构建了Genix DT框架，美国ANSYS公司构建了系统级多物理域数字孪生平台Twin Builder，美国PTC通过Thingworx物联网平台与Twin Builder进行数字孪生建模，中国阿里巴巴集团建立了阿里云工业大脑DTwin平台[15]。

由于不同行业对数字孪生的应用场景不同，形成了具有不同特点的城市、建筑、电网、医疗和工业等数字孪生系统。其中，数字孪生技术在工业产品中的概念设计、详细设计、加工制造、运维服务和报废回收等全生命周期都发挥着作用。例如，VICTOR等[17]给出了产品设计中数字孪生的数学定义，用于设计决策；FARID等[18]提出了基于数字孪生的自动流水线个性化设计；为了打通设计和制造的壁垒，BENJAMIN等[19]提出了基于表面模型形状的综合参考模型，作为设计与制造阶段物理产品的数字孪生 ；REDELINGHUYS等[20]构建了支持网络物理生产系统(Cyber-Physical Production System,CPPS)的数字孪生六层架构；AIVALIOTIS等[21]提出了基于数字孪生的机械设备剩余使用寿命预测方法，用来对制造资源进行预测性维护；为了实现车间数字孪生系统，CORONADO等[22]提出了基于云计算工具的制造执行系统(Manufacturing Execution System,MES)数据和MTConnect数据集成方法；GHOSH等[23]使用隐式Markov模型构建了面向制造系统评价的数字孪生模型，该模型包括模型组件和仿真组件。陶飞等[24-25]提出了数字孪生车间的概念，并定义了数字孪生五维模型；赵浩然等[26]提出了面向数字孪生车间的三维可视化实时监控方法；刘强等[27]提出了一种基于数字孪生的自动化流水车间制造系统的快速个性化设计方法；胡天亮等[28]在统一平台上建立了计算机数控机床的多域虚拟原型，并将数字孪生的概念引入原型中，以实现虚拟世界与现实世界的实时准确映射[28]；鲍劲松等[29]提出面向制造的数字孪生建模和操作方法；李浩等[5,30]分析了基于数字孪生的复杂产品设计内涵，提出了基于数字孪生的复杂产品环形设计框架，基于此提出了基于系统建模语言(Syster Modeling Language,SysML)的统一数字孪生模型。但是，这些研究是基于某一工业场景、单个产品功能和产品生命周期某些单一场景，针对工业产品的数字孪生系统的特点、系统组成、逻辑架构和系统运行模式等系统性的研究较少。为此，本文在分析总结前期研究的基础上，系统提出了iDTS的概念、系统结构与运行模式，为数字孪生在工业场景中的应用提供参考。

2 不同类别的数字孪生系统

2.1 数字孪生系统的构成

一个典型的数字孪生系统通常包括物理对象、测量感知、终端控制器、通信网络、数字孪生运行平台和用户域(如图3)。这5个部分相互关联，既能进行正向的数据采集与传输分析，也能实现反向的数据反馈与决策控制，形成信息传递的闭环互联。

(1)物理对象

物理对象在不同的应用领域具有不同的实体形式。例如，工业领域中的人员、设备、物料、环境；城建领域的城市建筑、交通基础设施、城市能源、水利、电气等设施；农业领域的作物、水利、农田生态系统、农业机具等；建筑领域的人员、建筑结构、空调系统、照明、供水、供气、电梯等。

(2)测量感知与终端控制

测量感知是实现物理对象数字化建模的主要途径之一。一方面，对于物理对象的静态数据与模型，可通过测量获得；另一方面，对于物理对象的动态变化数据，可通过传感器将物理对象产生的动态信号转化为动态数字信号。另外，终端控制是实现孪生体控制物理对象的关键，例如，对机床铣刀运动轨道参数的修改，可通过上位机软件编写相应的代码，传至机床内部控制系统，控制系统通过控制电机来实现对物理对象的控制。

(3)通信网络

通信网络是数字孪生系统的重要组成部分，高速、低延时网络通信是实现数字孪生体与物理对象实时交互的基础。因此，数字孪生系统对物理网络、网络接口、通信协议等有更高的要求。例如，在异构系统的联网中，需要对多种系统进行通信接口的统一约定，以实现各种数据的平台接入。另外，在低延时方面，需要通信网络具有更高的性能，例如采用5G专用通信链路或者卫星通信链路。

(4)数字孪生运行平台

数字孪生运行平台具有数据管理、模型仿真以及基于模型的学习预测、计算优化、决策自治等功能。其中，数据管理功能为仿真模型提供数据服务，包括接收数据采集系统上传的数据，对多种数据的分析、压缩、模式识别等处理，以及为驱动仿真模型运行提供数据伺服等；同时，数据管理功能能够对模型运行的中间数据以及历史记录等数据进行存储。模型仿真是数字孪生系统的核心功能，涉及对物理对象的数字化建模和展示、同步驱动和运行管理等。数字孪生系统根据要解决的问题建立对应的机理模型，基于人工智能算法进行自学习、系统状态预测、过程优化、结构优化和自主决策等。另外，系统运行需要更高的算力支持，高算力平台是数字孪生系统可靠运行的基础。

(5)用户域

用户域包括人、人机接口、应用层软件以及基于虚拟现实、增强现实的人机交互等。在数字孪生系统中，人是统筹控制、主导系统调控的核心。另外，人的知识和决策指令通过人机交互输入给数字孪生体，作为数字孪生体模型仿真、学习预测和优化决策的关键参数。先进的人机接口是数字孪生系统的重要特征，其中虚拟现实技术可以将可视化的模型以沉浸式的3D显示方式呈现给人，通过手柄、穿戴式传感器采集人体动作，实现人与数字空间的人机交互；增强现实更进一步将物理空间和数字空间叠加显示，增强了交互性。

2.2 不同数字孪生系统特点分析

面向不同行业的数字孪生系统都具有精准映射、虚实交互、智能反馈和优化迭代的共性特征，但是它们在研究对象、主要应用场景、数据来源和类别、系统运行的主导因素等方面各不相同，从而导致不同系统所要解决的关键问题与关键技术有所不同，甚至差异较大，如表1所示。本文以城市数字孪生系统、建筑数字孪生系统、电网数字孪生系统、医疗数字孪生系统和工业数字孪生系统(i数字孪生S)为例进行比较说明。

表1 典型数字孪生系统特点的对比

(1)城市数字孪生系统

城市数字孪生系统是“智慧城市”应用落地的一种有效途径。中国信息通信研究院发布的《数字孪生城市白皮书(2020版)》，深入分析了城市数字孪生系统的典型特征、总体架构、核心能力、共性问题和实施策略[31]。城市数字孪生系统通过城市物理世界、网络虚拟空间的一一对应、相互映射和协同交互，在网络空间再造一个与之匹配的“孪生城市”，实现城市全要素的数字化、城市全状态的可视化和城市管理决策的协同化。

城市数字孪生系统的主要研究对象包括水、电、交通等基础设施，警力、医疗、消防等市政资源，以及洪水、台风和地震等自然灾害。城市数字孪生系统主要用于交通疏导、能源调度和疫情监控等场景，系统数据大部分来自布置在道路上的摄像头采集的海量视频数据，系统运行以人和城市环境为主导。目前，城市数字孪生系统存在城市信息模型(City Information Model，CIM)复用率低、海量数据传输汇聚、数据表达不到位、计算资源分配不合理等问题，针对这些问题需开展地理信息系统(Geographic Information System，GIS)建模、CIM统一建模和“城市大脑”搭建等关键技术研究，其中“城市大脑”是构建城市数字孪生系统的核心使能技术，需要研究视觉认知计算和数字视网膜架构等[32]。

国内外已经开展了城市数字孪生系统的相关研究。例如，雄安新区数字孪生城市、虚拟新加坡平台、法国雷恩3D城市、多伦多高科技社区等就是典型的城市数字孪生系统[33]。

(2)建筑数字孪生系统

建筑数字孪生系统对商业房地产建筑产生了较大影响，能够使居住者对自己的工作区和环境条件有更多的控制权。与城市相比，建筑数字孪生系统聚焦建筑物本身，其定义是在物理建筑模型中使用各种传感器全方位获取数据的仿真过程，以在虚拟空间中反映相对应实体建筑的全生命周期过程[34]。

建筑数字孪生系统的研究对象主要包括用水、暖通、供电、关键设施、建筑结构等，系统的数据来源于摄像头、传感器、终端辅助设施采集的视频、传感器数据，系统运行以环境为主导。建筑数字孪生系统的目标是实现建筑规划、设计、施工、运营的一体化管控。但是，目前存在建筑“信息—物理”交互性低、能源管控依赖人工、建筑物安全隐患预测精度低、建筑设备故障预警分析能力不足等问题[35]，需要重点开展建筑信息模型(Building Information Modeling，BIM)建模、基于数字孪生的建筑安全状态预警、基于数字孪生的建筑能耗管控等技术研究。需要注意，建筑数字孪生系统与BIM有所区别，BIM专注于建筑物的设计和建造，而建筑数字孪生系统可以在BIM的基础上模拟人们如何与建筑环境互动。

阿联酋Bee'ah公司打造的新总部智慧大楼就是建筑数字孪生系统，该总部大楼基于人工智能的预测和自动化控制系统实现了建筑内部资源利用零摩擦，目标是达成能耗降低5%，耗水量降低20%，运营两年内零净碳排放量[36]。另外，“数字巴黎”也是一个建筑数字孪生系统，通过数字化建模和仿真完整还原了巴黎圣母院的原貌和几百年的建造过程，在数字世界中再现了一块砖、一扇门、一扇窗的安装过程，同时也完美地构建了巴黎圣母院的数字孪生体[37]。在中国武汉雷神山医院的设计建造过程中，建筑数字孪生系统帮助设计师进行可视化设计、流线分析、管线综合、装配式设计、室内室外计算机流体力学(Computational Fluid Dynamics,CFD)模拟等，助力武汉雷神山医院快速建成[38]。

(3)电网数字孪生系统

在中国国家电网对标世界一流管理提升行动中，“数字化”扮演了十分重要的角色，并且亟待企业在一个开放的生态圈中开展联合创新，而数字孪生技术推动了电网的“数字化”升级。电网数字孪生系统是将物理电网以数字化方式映射至虚拟空间，通过接收来自物理电网的状态信息进而同步演化，以实现对物理电网的全面精准检测，并基于物理电网的状态信息进行诊断、预测等一系列计算分析，将分析结果反馈给物理电网，从而推动物理电网的优化调整[39]。

电网数字孪生系统已经能够灵活满足数字化电网内不同场景、不同规模的需求，例如对于单个配电柜、机柜，数字孪生可以支持三维扫描、可视化呈现，实现数字化交付；对于单个配电站、开关站，数字孪生可以支持站点设备全要素数据的连接，实现数字化运维管理；对于区域配电站，数字孪生可以为区域电网实现配电智能管理、按需配电；针对环网数字化，数字孪生则可以助力实现站点联通、快速检测等功能[40]。电网数字孪生系统的研究对象涉及变电、输电、配电等设备，电压、电能、电费等用电情况和电网运行状态，系统的数据来源于输变电和配电控制系统、巡检系统，其运行受用户分布情况和环境影响较大。目前，在电网数字孪生系统中，电网状态信息难以掌握、电网运维效率有待提升、电网运行策略依赖于人工经验，为此需要重点开展电网数字孪生建模、基于数字孪生的电网状态分析、智能巡检、基于数字孪生的负荷预测与用户行为分析等技术研究。

2021年中国数字孪生体联盟发布了《数字孪生电网白皮书—电力企业数字化转型之道》，给出了数字孪生电网系统的定义、参考架构和典型案例[41]。随着对电力系统运行机理认知的不断提升，电网数字孪生系统对未来的预测将非常接近真实物理世界的变化[42]。

(4)医疗数字孪生系统

2019年中国国家卫生健康委员会首次提出了“智慧医疗”的概念，指出将云计算、大数据、人工智能和物联网等技术应用于医疗服务领域，围绕患者就医体验、临床诊疗水平、医院管理3方面，全方位提升医疗服务效率和质量。2020年，Genome Medicine刊登了一篇由瑞典数字孪生协会(SDTC)联合多国科学家发表的名为《Digital twins to personalize medicine》的报告，肯定了基于数字孪生实现“智慧医疗”的设想[43]。

医疗数字孪生系统能够基于数字病历、疾病登记库、穿戴式传感器等获取数据信息，构建患者的数字虚拟状态、器官的剖析结构和医院虚拟环境等数字孪生体，最终实现个性化医疗保健、医疗与手术方案验证和医疗资源管理优化等。医疗数字孪生系统的研究对象包括患者、医生和医疗资源，系统的数据来源于急诊卡、医疗设备和患者病例等。目前，医疗数字孪生系统的研究存在患者和医疗设备机理描述不准确、医疗和手术方案依赖于医生经验等问题。因此，需要进行医疗系统人机融合数字孪生机理模型构建、基于数字孪生的院内导诊、手术实时三维影像导航和基于数字孪生的医疗资源优化管理等关键技术研究[44]。

医疗数字孪生系统的研究和应用目前处于起步阶段，具有代表性的是初创公司 Unlearn.ai 通过收集参与者的身体数据，创建医疗数字孪生模型作为对照组，提升试验效率。法国达索(Dassault Systèmes)使用磁共振成像(Magnetic Resonance Imaging，MRI)和心电图(Electro Cardio Graphy，ECG)测量结果开发了一种数字孪生模型，将难以看到的解剖结构可视化，以开发更安全有效的心脏治疗设备与器械。OnScale公司与LEXMA Technology公司共同开发了“数字双肺”模型，帮助临床医生预测新冠肺炎患者的通气需求[45]。

(5)工业数字孪生系统(iDTS)

数字孪生技术最早在制造业出现，技术应用的成熟度相对较高，但是主要集中在数字孪生体的表达、基于数字孪生的设计制造一体化、基于数字孪生的产品故障诊断和运行维护，目前仍缺少面向产品生命周期不同阶段的数字孪生系统的内涵、架构设计和运行模式的研究。

iDTS的研究对象是工业产品、制造装备、物料、人员和能源等，其数据主要来源于设备、传感器、摄像头等采集的多模态数据。iDTS的定义和特点见第3章，它是一个以人为中心、“人—机—环境”交互融合的系统。目前，在iDTS的研究中，存在着数字孪生体成熟度划分模糊、不同数字孪生体融合困难、系统运行模式多样等难题。需要开展数字孪生体建模与评价技术、复杂工业系统多物理场仿真融合和数字孪生体生命周期管理等关键技术研究[46]。

3 iDTS的定义和功能结构

3.1 iDTS的定义和特点

iDTS是面向工业产品的需求分析、方案设计、生产制造和运行维护等全生命周期，运用数字孪生技术建立全要素、全流程、全业务的数字孪生体，通过物理对象与数字孪生体的双向映射与实时交互，实现工业产品的优化设计、产线规划仿真、制造过程优化和服务运行调控等功能的软硬件一体化系统。iDTS除了具备精准映射、虚实交互、智能反馈和优化迭代等主要特点外，还具有以人为中心、“人—机—环境”相互融合、系统高保真度和孪生模型复杂性等典型特点。

(1)以人为中心

随着个性化的生物识别、全方位情感感知、可穿戴动作捕捉、光学视觉动作捕捉、虚拟现实(Virtual Reality，VR)/增强现实(Augmented Reality， AR)/混合现实(Mixed Reality， MR)等技术将在工业数字孪生系统中大量应用，其不再是一个以自动化程序和程序化工艺为主的系统，而是一个以人的行为为主的系统。工业产品的需求分析、方案设计、生产制造和运行维护等全生命周期活动虽然是由软件和机器完成的，但软件和机器的运行需要基于人的决策，并满足人的需求。因此，iDTS的运行需要充分考虑人的工作状态、人的熟练程度，甚至人的情感等因素，形成以人为中心的稳定高效运行体系[47]。

(2)“人—机—环境”相互融合

iDTS是由人、机器和环境协调运行的复杂系统。在工业数字孪生系统中，人是工程命令发出者，机器负责执行由人发出的命令，环境保证了人和机器安全、有效、稳定的交互和协作。其中，人指的是参与工程任务的设计师、工艺师、工人、系统工程师、管理者等人员；机器泛指完成工业产品的设计和制造任务的计算机和各类型设备；环境是指人机协作完成工程任务的工作环境。

(3)系统高保真度要求

根据工业应用的需要，工业数字孪生系统需要满足高保真度要求。iDTS中的孪生数据、孪生模型和孪生环境与物理对象在外观、尺寸、材料、性能、行为等方面的要求完全一致，应充分考虑所构建模型的非线性和线性、时变和时不变特性。如生产线中的关键设备，或者设备中的关键零部件都有高保真度要求，只有达到了高保真度要求，iDTS才能够准确反映复杂物理对象的真实运行状态。

(4)孪生模型的复杂性

iDTS机械、电子、控制和软件等不同学科人员协同构建而成，其在类型、结构和功能等方面各不相同，增加了孪生模型在建立和使用上的复杂性。典型的孪生模型包括三维结构模型、流程模型、多物理场模型和不同专业的机理模型等，iDTS能够对这些复杂孪生模型进行关联、融合、驱动运行与评估。

根据以上分析，已有学者建立了iDTS，例如数字孪生车间[48]和基于数字孪生的产品服务系统[49]。其中，数字孪生车间[48]由物理车间、虚拟车间、车间服务系统和车间孪生数据组成。数字孪生车间是在新一代信息技术和制造技术驱动下，通过物理车间与虚拟车间的双向真实映射与实时交互，实现物理车间、虚拟车间、车间服务系统的全要素、全流程、全业务数据的集成和融合，在车间孪生数据的驱动下，实现车间生产要素管理、生产活动计划、生产过程控制等在物理车间、虚拟车间、车间服务系统间的迭代运行，从而在满足特定目标和约束的前提下，达到车间生产和管控最优的一种车间运行新模式。与之相对应，基于数字孪生的产品服务系统[49]也是一个典型的iDTS，通过不同物理产品和/或服务组合的智能分析决策、快速个性化产品服务配置和服务过程体验，有效支持复杂产品与服务生命周期的智能决策、快速供给、智能服务、价值与环境分析等。

3.2 iDTS的系统功能结构

iDTS的系统功能结构如图4所示，包括物理层、感知层、孪生层、应用层和控制层。这5个层次并不是独立存在的，结构层次之间通过功能接口实现信息交互。例如，物理层通过数据感知接口与感知层进行数据交互，感知层通过数据/模型传输接口和协议将多源异构实时数据传输到孪生层，孪生层再通过应用服务接口为应用层提供设计、制造、运维等服务。

(1)物理层

物理层包括工业现场参与生产的物理对象，例如人员、制造装备、加工物料和生产环境等。其中，人员指参与生产制造的所有人员，处于物理层的主导地位，例如一线生产工人和管理人员；制造装备指执行特定生产任务的装备，例如进行车削加工的数控机床、进行焊接的焊接机械臂、搬运工件的自动导引小车(Automated Guided Vehicle，AGV)等；加工物料是用于制造过程的原材料、半成品和成品等；生产环境指完成生产作业的场地及其设备布局、物料摆放、库存状态和安全环境等环境因素。不同的物理对象分布在工业现场的多个车间，完成多场景任务，产生异构的、多模态的数据。

(2)感知层

感知层用于采集和传输来自物理层的多源异构实时数据，突破环境智能感知、生产全要素按需互联、高可靠端到端数据传输。感知层可以根据需求通过不同的方式进行数据感知，例如使用摄像头采集视频数据，使用传感器采集制造装备的运行状态数据，采用射频识别技术(Radio Frequency IDentification，RFID)获取生产线运转状态数据，通过扫描仪得到的产品几何数据，基于OPC-UA、MODBUS TCP等外部访问协议采集控制数据，以及与企业已有的系统，例如数据采集与监视控制系统(Supervisory Control and Data Acquisition，SCADA)和MES集成获取生产数据。由于这些数据的来源不同、结构不同，感知层需要具备数据的加工、存储、上传和协议转换等功能，需要建立一致的感知接口和通讯协议实现对这些多源异构实时数据的统一封装，另外需要协调各感知器的任务，实现分布式的信息汇总，并保证数据的容错性。

(3)孪生层

孪生层与物理层中生产制造全要素全流程对应的虚拟对象，包括孪生数据、孪生模型和孪生环境。其中，孪生数据来自感知层，可以保证孪生模型和孪生环境的高保真性，进行加工过程的动态评估优化；孪生模型包括三维结构模型、流程模型、多物理场模型、仿真模型和机理模型等，这些模型不仅在几何结构上与物理实体保持一致, 还能够模拟物理实体的时空状态、行为和功能[50]；孪生环境是对生产环境的虚拟映射，逼真的三维环境能够提高使用者的沉浸感。另外，孪生层具备数据中台和业务中台的作用，能够进行数据管理、模型修正、模型融合和环境配置等。

(4)应用层

应用层基于孪生层为产品设计、加工制造、运行维护和报废回收等全生命周期提供应用服务，包括仿真优化、分析预警和质量追溯等。例如，在产品设计阶段，通过多精度、多尺度特征的孪生模型仿真分析进行复杂产品的跨层协同与协议设计，并通过孪生层与物理层的精准映射和共同进化找到理想设计和真实设计条件之间的误差，帮助快速验证产品原型设计；在加工制造阶段，通过孪生数据对工艺过程进行分析优化，实现多场景的加工过程动态评估以及动态扰动下的分布式资源优化调度；在产品运维阶段，提供基于孪生模型的故障检测、寿命预测和运行状态监测等应用服务；在报废回收阶段，提供报废指导和产品生命周期归档等应用服务。

(5)控制层

控制层通过控制命令对物理层中的物理对象进行在线、实时的智能调控，实现以虚控实。控制层主要由决策者、控制程序、控制设备、控制方式和控制系统组成，其中决策者根据应用需求发出控制指令，通过远程或本地的方式将控制指令传达给MES、分散控制系统(Distributed Control System，DCS)等控制系统，最终通过可编程控制器、工控机等控制单元执行控制命令，完成现场过程控制。另外，控制命令的执行必须以保证工业安全为前提，包括远程操控安全、人机协作控制安全、环境不确定性安全、网络安全和安全态势感知与监测预警等[47]。

3.3 iDTS的成熟度模型

根据孪生模型是否能与物理设备进行互联与控制，可将iDTS分为以仿真为主的iDTS和以控制为主的iDTS两类。

(1)以仿真为主的iDTS

通过建立物理系统的孪生模型，实现孪生环境与物理对象在外观、尺寸、材料、性能、行为等方面的精准映射，能准确仿真运行系统的动态特性。这类系统一般以仿真为主，不与物理系统互联并形成闭环系统，常用于产品设计仿真、生产线设计仿真、虚拟装配仿真、虚拟样机调试、操作训练仿真等工业场景中；当前，也出现了半物理系统的仿真。

(2)以控制为主的iDTS

通过数字化建模建立系统的数字孪生模型，基于专用软件或工具完成孪生模型与物理系统实时交互，实现数字孪生系统与物理系统的实时同步、数据反馈与迭代优化。以控制为主的iDTS一般用于生产线运行监测与控制、装备运行状态监测与控制、关键零部件或系统的性能预测等工业场景中。

iDTS会随着产品或系统的生命周期进展而不断地丰富和进化。以仿真为主的iDTS在数字孪生的概念正式产生之前就已经存在，随着先进技术和工具的应用而不断得到推广。与之相比，以控制为主的iDTS是数字孪生概念提出后开始快速成为热点研究方向。在不同的应用阶段和应用场景，不同类型iDTS的作用和特点并不相同，它们会产生不同的价值。因此，根据实际的工业应用，本文提出了iDTS发展的成熟度模型，包括仿真阶段、孪生阶段、“人—机”交互阶段和“人—机—环境”融合阶段(如图5)。以仿真为主的iDTS和以控制为主的iDTS出现在不同的成熟度阶段。

(1)仿真阶段

是以仿真为主的iDTS使用阶段。该阶段主要建立物理对象的虚拟仿真模型，iDTS只存在于虚拟空间，相当于传统的数字样机或者虚拟产线。数字孪生体主要用于产品的优化设计、生产线规划和虚拟调试等，iDTS支持概念设计和初步设计中的决策，能够发现或者改善工程活动中的技术风险。

(2)孪生阶段

在以仿真为主的iDTS应用基础上，iDTS能够实现虚拟对象与物理对象之间的虚实交互。iDTS能够通过感知层从物理对象实时接收数据更新，实现数字孪生系统与物理系统的实时同步，并通过控制层实现数据反馈与迭代优化。具备以控制为主的iDTS的功能特征。

(3)“人—机”交互阶段

在以仿真为主的iDTS和以控制为主的iDTS应用基础上，除了包含孪生阶段的功能外，在产品或系统运行时，能支持人机交互，VR/AR/MR等技术得到融合应用，iDTS能够通过物理规则和机理模型进行智能计算与分析，实现人与系统协同运行与安全预警[47]。

(4)“人—机—环境”融合阶段

在以仿真为主的iDTS和以控制为主的iDTS应用基础上，具备人机交互、环境动态感知、智能预测、安全控制等功能，形成一个人、机和环境协调运行的复杂系统。iDTS能够根据历史和实时数据与模型，综合应用智能感知、模型仿真、决策优化等人工智能技术，具备无人监管的自学习能力，实现智能动态性能和安全预测与控制，同时具有反馈控制能力。

4 iDTS的运行模式与架构

4.1 不同iDTS运行模式分析

通过分析工业互联网平台以及其他信息系统的运行模式，基于iDTS的运行特点，本文提出iDTS的4类运行模式：本地化配置的iDTS运行模式、基于“云—端”的iDTS运行模式、基于“云—边—端”的iDTS运行模式和基于分布式计算的iDTS运行模式。其中，本地化配置的iDTS是一种局域网部署数字孪生系统的运行模式；基于“云—端”的iDTS是一种以云计算为中心的iDTS运行模式；基于“云—边—端”的iDTS是以云平台为中心、云边端协同计算、存储与业务协同的运行模式，是未来数字孪生系统部署运行的主流模式；基于分布式计算的iDTS是在统一的分布式物联网操作系统支持下的一种运行模式。

不同类型的iDTS运行特点不同，使用的工业场景也差异较大。表2列出了这4种iDTS运行模式在计算效率、存储方式、部署与运行成本和适用场景等方面的不同，为iDTS系统应用实施提供指导。

表2 不同iDTS运行模式的特点分析

4.2 本地化配置的iDTS运行模式

本地化配置的iDTS通常依托于车间或者一定区域范围内的局域网和算力资源进行部署运行，数字孪生系统的物理对象、测量感知、设备控制、通信网络、数字孪生体、用户域均处于同一地理空间，图6所示为一种iDTS本地化运行模式。iDTS的通信网络为工厂区域(厂域)范围内的工业以太网，厂域网根据需要接入网络的工厂区域(厂域)接入点分布情况可选择环形网络、总线型网络和星型网络。其中，环形和总线型网络沿着接入点拉设网络干线，星型网络从中心向各接入点辐射状布线。iDTS的人员、设备、物料等物理对象和数字孪生体，通过各自的通信接口连接至厂域网。iDTS本地化运行模式，需在本地具备一定的运算能力，平行于物理对象的孪生体运行于算力平台之上。另外，本地运行的物理对象和本地运行的孪生体基于厂域网进行信息交互，数据从物理对象传递到孪生体，为数字孪生体提供数据驱动；数字孪生体的仿真运算结果和用户的决策指令再作用于物理对象，实现信息的闭环，随着信息的交互实现系统的优化运行。

本地部署运行模式适用于工厂间连接需求较少，系统运行对算力资源要求不高，无需借助于远程算力的场景。本地部署的iDTS运行模式具有以下优点：

(1)低成本运行

无需接入高速光纤专线，节约了互联网接入成本。

(2)低延时通信

本地网络可以设置宽裕的带宽资源，为各种需要接入网络的生产要素提供宽带和低延时通信。

(3)高安全性

本地化部署运行的iDTS，内部数据流动局限于厂域范围内，对工厂数据的保密和信息安全工作提供了便利。

如图7所示为郑州轻工业大学开发的一套本地化运行模式的iDTS。在该系统中，以ABB工业机器人为对象，使用Unity 3D建立与之对应的数字孪生模型。首先，通过ABB机器人控制系统的IO信号板实现对机器人的感知测量和设备控制。然后，使用C#自主开发数据驱动服务软件，并通过局域网交换机将感知到的数据传输至本地的联想刀片式服务主机。最后，在本地化的运算平台上运行Unity 3D中的虚拟机器人，为用户提供远程操控服务。

4.3 基于“云—端”的iDTS运行模式

基于“云—端”的iDTS运行架构是以云计算为中心的iDTS运行模式，如图8所示，系统由智能设备、网络传输、云计算和用户等层次构成，用户服务、业务逻辑、模型、数据均在云平台上运行，智能设备无需较大的智能算力与存储支持。云计算平台由基础管理平台、数据中台、业务中台和业务前台服务构成，实时处理不同智能设备对应的孪生数据与模型，不同用户群能够通过APP登录并实时监测设备运行状态，根据需要发送控制指令。基于“云—端”的iDTS运行模式是一种成本低、高扩展和高可靠的模式，适用于计算实时性不高、长周期场景。智能终端设备一般为轻量化的工业产品，状态监测与控制的运行参数数量较少。如GE公司的工业互联网平台Predix，是一个支持“云—端”的iDTS运行模式的系统，在该平台上成功实现了发动机的远程监控与诊断，具有在线监视、预测维护和优化运营的功能[51]。再如，滴滴打车系统是涵盖出租车、专车、快车、顺风车、代驾及大巴等多项业务在内的一站式出行平台，预约用车、智能分配、实时查询车辆位置、服务需求交流、在线支付、订单评价等多种服务，是一种典型的基于“云—端”的iDTS运行模式[52]。

基于“云—端”的iDTS运行模式特点如下：

(1)集中式管理

云端具有高性能计算与存储能力，实现数字孪生系统的业务、模型与数据的集中管理，具有系统分析、计算、控制、存储等服务功能，在处理或存储方面，可以将资源整合在一起，避免重复计算和冗余存储。

(2)节省成本

云计算集中运行，可以集中更新组件，不间断操作。因为云计算不需要购买多余服务器及其扩容备件，也无需重复配置服务器所需的运行系统，以及重复更新和修复，所以节省成本。

(3)异构资源运维

在底层需要连接不同类型的基础软硬件资源，利用云计算可实现异构环境下的资源协调与优化，支持资源动态扩展。因此该模式可以有效兼容各种不同种类的硬件，同时运行多个不同类型的业务。

4.4 基于“云—边—端”的iDTS运行模式

基于“云—边—端”的iDTS运行模式是一种边缘云计算模式，是集成云计算技术的核心和边缘计算的能力，构筑在边缘基础设施之上的柔性云计算平台，形成“云—边—端”协同。该运行架构是在基于“云—端”的iDTS运行架构基础上增加了边缘计算能力，边缘位置具有计算、网络、存储、安全等能力。基于“云—边—端”的iDTS运行模式是一种低延时、高可靠和更安全的运行模式，适用于计算实时性要求高、短周期场景；它通过将网络转发、存储、计算和智能化数据分析等工作放在边缘处理，可有效降低响应时延、减轻云端压力、降低带宽成本，并提供全网调度、算力分发等云服务，如图9所示。例如，西门子的MindSphere是一个基于云的开放式物联网操作系统，是一个基于“云—边—端”协同的开放式架构，使用MindSphere可以构建物理产品及其相应数字孪生体之间的实时反馈环路，能够监控能源利用率、运营状态和性能之类的运营数据。同时，运营数据还可以通过能源优化、预测性维护、性能调整等方式支持产品生产，从而改进设计的未来迭代。再如，杭州城市大脑项目是一个基于阿里云计算平台的“云—边—端”架构的数字孪生系统，阿里云边缘计算更包含4层技术栈：边缘硬件和芯片、边缘计算平台、边缘中间件和面向边缘的应用与服务。

基于“云—边—端”的iDTS系统特点如下：

(1)边缘计算

边缘计算是在移动网络边缘提供 IT 服务环境和计算能力，强调靠近移动用户，以减少网络操作和服务交付的时延，提高用户体验。

(2)“云—边”协同

中心云、边缘计算以及物联网(Internet of Things ，IoT)进行连接和计算力的协同，发挥云中心规模化、边缘计算本地化与低成本、IoT终端感知等各方面的优势。充分利用云、边、端全路径的智能异构资源进行多媒体的实时处理，让数据信息最大化，同时基于算法仓、服务仓灵活部署，有效实现计算、存储资源的全拉通。以AI场景为例，将推理放到边缘进行，然后从边缘收集数据，在中心进行训练，训练好的模型再下发到边缘。另外，云上的能力也需要形成联动，比如将边缘的有用数据收集上来，在云上进行呈现和再加工。除了云边协同，还有边边协同与端边协同。

(3)资源调度

边缘计算场景下资源很分散，负载随着时空不同而差异很大，如何根据时空差异对资源做合理有效的调节，使资源使用达到最佳效果也是一件很有意义的事情。合理的资源调度可以让系统变得更高效、稳定，并降低成本。

4.5 分布式计算驱动的iDTS运行模式

在分布式计算驱动的iDTS运行模式中，物理空间中的人、设备、物料、工作场地具有分散性，数字空间中的算力资源也具有分散性。这种运行模式适用于生产各要素分散、企业规模大、厂区数量多，又需要统筹调度管理分散于各处的资源实现异地资源互联互通，或者需要调用云端服务器或算力资源实现复杂模型仿真运算的情况。分布式iDTS从实现方式上有多种技术方案，一种方案是在应用层实现分布式，该模式中系统的拆分和整合都发生在应用层，由相应的通信软件等功能软件实现整个系统的分散部署；另一种方案是在操作系统层实现分布式，iDTS的应用开发部署于一个操作系统之上，无需考虑分布式的具体实现细节，由操作系统负责各处分散资源的统一调度。运行在各种硬件载体之上的分布式操作系统构成了一个大的虚拟操作系统，iDTS的各项功能都运行于该虚拟系统之上，从而实现系统逻辑上的一体化和具体运行中的分布式。这种实现方案需要基于一种分布式的操作系统来部署工业数字孪生系统。

如图10所示为基于分布式操作系统的iDTS运行模式。整个系统以广域网为数据传输纽带，将各个分散系统连接起来。分布式iDTS具有分散的物理空间，物理空间分布在不同的地域，可以无限拓展。物理空间中各种物理对象需要建立在统一的操作系统平台之上。对物理对象的感知测量和控制功能由操作系统支持。运行iDTS各种软件的运算平台同样分布式部署，由统一的分布式操作系统管理运行并与网络中其他分布资源保持通信。运算平台可以无限拓展，各运算平台由分布式操作系统整合为一个逻辑统一的虚拟运算平台。

分布式计算驱动的iDTS运行模式的特点如下：

(1)信息物理高度分布

物理实体和数字模型的底层操作系统均采用统一的操作系统平台，所有设备形成一个“超级虚拟设备”，物理功能、资源算力、模型、数据和应用无需绑定，根据任务的不同，它们将被分布式地弹性部署和调用。

(2)信息物理高度协同

基于5G、卫星链路、P2P网络，整个系统不再是树状的垂直金字塔结构，而是扁平结构，在信息与物理之间通过高速网络实现连接，推动信息物理高速协同和数据快速交互。

(3)信息物理高度共享

实现基于硬件互助的制造资源能力动态可扩展，并实现功能、算力、数据、模型、应用在信息物理空间的高度共享。

(4)信息物理高度模块化

基于数字孪生系统具有高度分布式、高度协同和高度共享的特性，新一代基于数字孪生的设备、单元和系统高度模块化，它们之间可以通过“搭积木”的方式实现集成、互助和共享。

(5)信息物理高度智能化

基于底层操作系统分布式任务调度，使得数字孪生系统具有强大的分布式计算能力和远程启动、调用和迁移能力，从而使原来不具备强大的功能、算力和算法的小型硬件设备也具有大型智能设备的能力。

例如，基于华为公司开发的HarmonyOS (HMS)系统实现如图10所示的分布式iDTS运行模式。HMS是一个分布式物联网操作系统，HMS采用分布式软总线、分布式设备虚拟化、分布式数据管理和分布式任务调度技术，可实现多设备间的能力互助和资源共享。所有安装HMS的设备都采用统一的框架和组件技术，使得用户程序的开发应用不依赖设备形态，支持程序一次开发、多端部署和弹性部署[53]。此外，HMS采用基于微内核架构设计，保证了终端设备的可信安全，同时采用确定时延引擎和高性能IPC(Inter-Process Communication)技术保证系统运行快速流畅。此类型的支持分布式功能的操作系统平台可以完美支持分布式iDTS运行模式。

5 结束语

数字孪生的理论研究和技术应用已经从制造业扩展到农业、城市、建筑、电力和医疗等众多领域。与其他领域相比，数字孪生在制造业已经从概念模型阶段进入初步的规划与实施阶段，但面向工业产品制造的数字孪生系统特点、系统组成、逻辑架构和运行模式等的系统性研究较少。基于以上原因，本文提出了iDTS的概念，建立了iDTS的组成架构模型、逻辑功能模型、成熟度模型等，分析了针对不同工业场景下的iDTS典型运行模式。本文的研究有助于引导学术界针对具体行业和场景进行精准分析与研究，为数字孪生技术在工业场景中的应用提供参考借鉴。

本文的理论研究仍有较多不足，需要技术应用来完善本文的理论体系，例如iDTS目前仍在应用初期，本文归纳总结的iDTS运行模式需要在应用实践中不断丰富完善和修正。未来的研究集中在iDTS的生命周期多源异构数据和模型的融合与管理、成熟度评价等方向。期待同行专家学者的批评指正。