林诗万 | 数字孪生的三大误区

林诗万 工业互联网联盟(IIC)技术及架构组联合主席

● 数字孪生到底是什么？有哪些常见的理解误区？

● 如何切实、更好地利用数字孪生技术的价值？

本文内容整理自美国工业互联网同盟-技术工作组、架构任务组和数字孪生体互操作性任务组联席主席林诗万博士在2021（第十届）全球自动化和制造主题峰会上的演讲。

▎林诗万博士在2021GAMS峰会做主题演讲

林诗万博士从生产、运营场景落地的角度出发，层层剥茧，帮您深入了解“数字孪生”从概念到技术应用的所有知识点。

工业系统的高度复杂度、生产环境工况的多样化和多变性、工业知识积累的碎片化，让各项新技术的应用开展难上加难。为了少走弯路，企业在步入数字孪生的“赛道”前，一定要避开这几个常见的误区：

误区1：三维仿真数据展示≠数字孪生！

人们在提到数字孪生时，常常直接联想到三维仿真展示，特别是三维仿真的背景中展示的一些数据，这种理解是片面的。

“数字孪生的真正核心在于，对生产现场采集的数据进行近乎实时的计算，以获得对生产现场工况的精准的认知，以便做出符合事件的决策，其核心在于数据和计算。”

三维仿真展示只是三维空间的映射，其结果是让数据、状态或事件的展示和系统的浏览更直观，用大屏方式展示，能给参观者酷炫的观感。但是，这只是一种人机界面的表达方式，没有数字孪生的数据和算法的支持，这些展示没有太大的意义。

当然，如果数字孪生的数据丰富、算法强大，相应的工业APP也功能强大，大部分的生产运维操作都能自动解决、不需要人工干预，那么三维仿真展示的必要性也会被弱化。且如果有算法能对设备状态进行有效监控、报警、记录和处理，现存的“虚拟巡检”的作用也就不大了。

当然，除了满足以往的流程规定外，三维仿真作为数字孪生模型的一种，以物理实体的实际空间参数，以及空间的拓扑关系建立可视化模型，特别是与AR结合，对于设计、设备拆装和维修操作指导，运动设备作业事件重播等还将继续有独特的作用。

误区2：传统的模拟仿真模型≠数字孪生！

模拟仿真是在计算机中建立模型，复现物理系统中发生的本质过程，并通过调整模型的输入和控制参数进行实验性计算，用于研究和评估存在的或设计中的系统特征和行为，寻找可行或最优的设计，在制造业应用广泛。

“但一般来说，实际系统建造的成本高，有些试验需要很长的时间或危险性大，利用计算机仿真进实验显然是一种事半功倍的手段。”

且实际系统一般都很复杂，并受当前技术的局限，在建立模拟仿真模型的时候，大多需要进行很多简化。只关注关键的因素，忽略次要因素，或只模拟系统的某一些方面，可以满足在设计过程中验证设计的结果是否符合一定的设计要求（如安全生产），但计算的精度不容易达到在生产过程监管和优化的需求。

另外，大多用于设计过程的仿真模型软件基于模拟的数据，都是批次性使用，并不与生产现场实时数据连接，从计算性能上也不易支持持续性的流式计算，难以支撑数字孪生中对生产运营过程中的管控和优化。

综合而言，模拟仿真是数字孪生的一个重要支撑技术。设计过程中的仿真模型只是数字孪生算法模型的一个重要组成部分，不等同于数字孪生本身。

误区3：数字孪生≠“点金术”！

“数字孪生不是点金术，是持续改善的机会。”

数字孪生的有效性取决于：设备或生产过程的复杂度，进行模式判定、状态预测或优化策略计算的难度，以及用于计算的，从现场采集的传感数据的完备性和准确性。正如人对现实世界的认知有一个持续学习的过程，数字孪生对物理世界的把握程度也有一个从粗糙到精细的提升过程。

数字孪生作为一种方法 论，一种框架性技术体系，甚至是一种面向生产运营环境数字化架构的中间件，不是一种一蹴而就的神奇魔法。

企业不应改把数字孪生当作一种点金技术，不切实际地期望数字孪生可以一步到位解决高难问题。数字化技术的核心是软件，在本质上就是一种持续改善的技术，而不持续迭代提升的软件是没有生命力的。

“数字孪生是工业数字化的一种思路、方法 论，是一种技术体系和技术能力。”

● 作为基本概念，数字孪生的核心是利用传感数据和计算，实现对物理实体的深度认知和智能决策，有效地控制和管理这些物理实体，更好地服务于人类；

● 作为技术概念，数字孪生是在计算机中，对物理实体实现映射，属于计算机工程的问题，也属于软件工程的范畴，要对物理实体进行映射，就要对它的状态进行模式判定、根因分析、状态预测等计算，可以有多种实现方法。

计算是“数字孪生”的核心

在计算机发展的初期，我们只有汇编语言，几乎就是用计算机处理器的机器语言去编程，是一长串的指令，没有什么结构，费脑费力费时、容易出错、排查困难，谈不上重用复用。

后来出现了高级语言，如Fortran和C语言，引入了逻辑和数据结构，并能够对代码进行按任务以函数的方式进行组织，由于函数作为一个代码单元可以多处调用，也就实现了代码的重用复用。

但是，这些属于过程编程范式的编程语言，对于大型程序系统需要分解出来的函数繁多，调用关系复杂，设计、开发和维护的难度会变得非常高，重用复用困难，软件开发和维护的成本也因而变得非常高昂。

后来出现的面向对象的编程范式（Object-Oriented Programming - OOP），如最早的Smalltalk，后来广泛使用的C 和Java，引入了对象的概念。以对象的形式与现实生活的“物体”或“逻辑体”相对应，把其特征数据（属性）和操作逻辑（行为）分别作为数据和函数封装在对象体中。

这种方式使得软件的设计，更符合人在现实生活中的思维方式，不仅使得设计变得更结构化，同时也增强了软件的重用复用性和可维护性，提高了软件质量，降低了软件开发成本。

作为一套方法 论

作为方法 论，面向对象编程范式（OOP）可以为数字孪生的设计所借鉴和引用。数字孪生的设计可以把面向对象编程范式推广到了物理世界的实体，在软件中以对象的方式表征物理实体，对每一个物理实体建立相应的软件对象。

在数字孪生中以数据表征物理实体的属性及状态，以算法模型模拟其行为。除此以外，对象化的设计方式，可以支持利用单元对象，以搭积木的方式构建越来越复杂的系统，从组件数孪体开始，构建设备、机组、产线、车间，以至整个工厂的数字孪生体，成为整个工厂的数字表征。

以这种方式构建数字孪生，结构性地反映物理实体的属性、状态与行为，屏蔽了现场的复杂性，简化了数字化工业应用的构建。

作为一种技术框架体系

数字孪生对现实世界中的实体进行映射，对其状态进行模式判定、根因分析、状态预测等计算———从这个目的来看，一般不宜把数字孪生作为一个为用户使用的终端的应用，而是作为数字化工业应用的一种支撑性的技术，甚至可以构建为这些应用架构中的中间件。

数字孪生要映射生产现场的设备的状态和行为，需要在软件中建立相应的镜像对象。如果借鉴OOP，我们需要在数字孪生体中设定与设备对应的参数，这些参数包括属性、状态、指令等类型。

在这个基础上，把这些参数与从设备采集的数据一一对应连接，如果设备的某个运行参数变化了，在相应数字孪生体上也几乎实时地得到反映。这是一个对设备数据梳理的过程，也是工业知识沉淀到软件的过程。

在此之后，利用算法模型对这些数据进行分析计算，对物理实体的行为进行映射。比如，对设备的运行状态进行模式判定或预测，是否属于运行异常、是否符合工艺要求、是否符合能效要求等，如果判定了异常，对异常的根因分析，还有解决的策略，这些会用到机理模型和数据算法的模型。

然而，最终的解决方案必须把数字孪生体所映射的设备的运行特征和行为作为输入，结合生产运营管理的业务逻辑和生产规则，特别是精益管理的原则和方法 论，做出的适合的决策，并得以执行，这些逻辑一般可用App的方式实现。

这就是数字孪生作为一种技术框架体系，作为数字化工业应用架构的中间件的作用：它可以下启物联数据，连接现场；上承工业APP，输送对现场状态和行为的洞察认知，支撑管控现场的决策。

在数字化生产运营的层面，制造业企业经过二十多年的信息化发展，在产品和工艺设计过程中采用了各式设计软件，各种的CAD，在原有的自动化生产的基础上，实现了业务管理流程的自动化和信息化。

但是，大部分工业软件大多用于管理业务流程，以及正常状况下的计划生产。在生产过程中，充分利用生产现场的大量设备数据，进一步降低设备的故障率、提高整体设备效率、提升产品质量、降低能耗和物耗、保障生产过程的合规性等方面，还有大量的工作需要做。

现阶段，对于生产异常判定、根因分析以及应对策略，大多还是依赖于操作经验，靠手工作业完成。在新一轮数字化发展中，不管是在产品与工艺设计、还是在生产过程中，如何利用来自于物理世界的数据，对实况做出精准的判定、智能化的决策、及时的执行，成为企业的关注重点。

企业需要打通生产工序上下游多设备的高效协同运行，并能将精益管理的原则和方法，融入数字化生产运营管理中，追求生产过程的标准化、稳定性和持续改善。数字孪生技术的诞生，恰好能利用物理实体的数字化虚拟复 制，以计算解决现实问题。

数字孪生的特征作用有许多（见下图），OT化和解耦式这两点值得强调。

当我们利用数字孪生的方法 论，建立一种新的技术框架时，在结构上从OT的角度，以设备作为主体对象进行建模，定义设备的特征数据，建立算法模型判定或预测设备的行为。这样能够轻松地让设备专家定义设备的特征数据，让懂设备运行和生产工艺的专家与算法工程师合作建立算法模型，双方得以通过数字孪生的结构融合在一起。

以这种方法对各类设备建立数字孪生体，把数据定义和算法封装成可以在多处以插件方式重用复用的软件组件。熟悉设备的设备供应商或熟悉工艺过程的工业设计院所，也可独立构建和提供某类设备或生产过程的数字孪生，并可以支持多个场景。

此外，数字孪生本身在软件结构与其它业务性的软件组件（如生产规则或用户界面）代码解耦分离。当数字孪生的算法迭代提升，比如提高了某种计算的准确性，只需独立更新数字孪生体，不需要重新修改更改业务性的软件代码。

总而言之，利用数字孪生，用户有机会建造一种可以有效支持数字化技术和工业知识的融合的技术框架，促进工业知识的沉淀、积累与持续提升，推动生态型工业知识的广泛重用共享。

要实现数字孪生的价值，需要多种技术和知识的融合，特别是数字化技术（IT）和工业知识（OT）的融合。对于制造业企业来讲，经常遇到IT技术资源薄弱，OT知识积累单薄的窘境，要单独利用数字孪生推进数字化生产运营管理的障碍重重。

工业领域想建立有效的数字孪生，需要行业性生态合作伙伴的共力，包括数字化技术供应商、设备供应商、工业知识供应者（如工业研究院所和设计院所等）与作为甲方的企业一起来建设、改善技术和系统。

在这个过程中，在行业生态推进数字孪生的重用复用尤为重要。可以设想，在每一个企业的场景，利用软件对设备和生产过程特征状态和行为进行深度、精准的表征映射，单独构建的门槛高、成本高、积累提升缓慢，事倍功半。