数字孪生系统的一般架构

本文摘要：（由ai生成）

数字孪生技术通过创建物理实体的数字化映射，实现物理与虚拟系统的实时连接和智能计算。数字孪生系统由物理实体、虚拟实体、引擎和服务四部分组成，其中引擎作为核心，实现实时同步和智能算法。服务则提供仿真、监控、分析和预测等应用接口。引擎包含交互驱动、数据存储管理、模型管理、融合和智能计算模块，共同实现优化决策支持。数字孪生技术的应用能提高产品设计效率，促进合作创新，降低成本，增强市场竞争力。

来源：《数字孪生技术与工程实践》

基于数字孪生的智能系统强调的是物理系统与虚拟系统的协调感知统一，所以基于数字孪生的智能系统最重要的有两个方面:一是数字化的物理系统与虚拟系统的实时连接；另外就是实现数字孪生系统的智能计算模块。本节将实时连接以及智能计算的模块定义为“数字孪生引擎”，最终形成数字孪生系统的通用参考架构，包括物理实体、虚拟实体、数字孪生引擎和数字孪生服务四个部分，如图1所示

物理实体，是数字孪生所要映射的在物理空间实际存在的一个系统。数字孪生系统所包括的物理实体需要有数字化接口，能进行数据采集和信息映射。物理实体中的各个部分，通过物理连接或活动关系结合起来，其本身可以是一个CPS单元、CPS系统或CPS体系。

物理实体中各异构要素的全面互联感知是构建数字孪生系统的前提和关键，智能感知的基础在于泛在的数据采集，常见的数据来源包括各类声光热电力传感器、条形码、计算机/手机/平板电脑/手环等智能终端、系统固有的机器/设备或者智能仪表、系统人员数据、企业的管理数据、本地/云端存储的历史可追溯数据等，数据传输方式通常有现场总线和工业以太网技术、射频识别技术、无线蓝牙技术、工业互联网技术等。

物理实体信息感知的手段包括直接和间接两类。直接手段是指物理实体本身带有传感器，能采集白身的数据；间接手段是通过物理实体外在的环境感知，间接获取物理实体的运行状态。例如，针对某些机械设备，其内置的温度、振动等传感器可以感知其运行状态，而通过视频、声音等方式从外部环境采集设备信息，可以获取其运行的外在表现状态。这些外在传感器的信息也是物理实体数据采集的一部分。

物理实体的另外一个功能是“精准执行”，即能接收虚拟实体、数字孪生引擎发送过来的指令，完成某些动作。依靠高速、低延迟、高稳定的数据传输协议，物理实体能及时接收虚拟系统仿真、分析、优化后的管控命令并精准执行，并将执行结果实时反馈给数字孪生体以进一步迭代优化。

借助互联网、云计算、边云协同等技术，物理实体各组成部分在空间维度上远距离分布式协同控制成为可能，而不必将系统局限在狭小的范围内。物理实体可以具有分散化、社会化、协同化的特点。

简而言之，为了支撑数字孪生系统的实施，物理实体需要具备数字化接入能力。从角色来看，物理实体是数字孪生系统的实现基础，同时也是数字孪生系统最终所要优化的目标对象。

虚拟实体是物理实体对应在信息空间的数字模型，以及物理实体运行过程的相关信息系统。信息系统是物理对象的信息模型抽象，并且包括了一些物理实体运行过程的管理、控制等逻辑。

虚拟实体的模型是指在物理实体设计和运行过程中所构建的几何模型、机理模型以及数据模型。这些模型可以看作是对物理实体的一个定义。对于一个工业产品来说，模型包括三维设计模型、有限元分析模型、制造工艺模型、运行过程的数据模型等。

由于当前的很多产品、系统本身就是一个CPS系统，因此，信息系统是物理实体运行过程不可缺少的部分，例如，数控机床所包含的数控操作系统、数控程序，工厂和车间运行相关的ERP、PLM、MES等系统，这些信息系统是物理系统运行必不可少的部分，也是物理实体在信息空间所对应的虚拟实体的一部分。

在数字孪生系统里面的虚拟实体，可以看成是物理实体在信息空间的一个数字化映射。在数字孪生技术出现之前，这些虚拟实体的组成部分就已经存在，并且在仿真分析、系统运行管控等方面已经开展丰富的应用。但是这些应用没有充分发挥实时数据的作用，模型之间也没有构建成系统化的联系，因此是局部的、非系统化的“浅层数字映射”。

数字孪生引擎一方面是实现物理系统和虚拟系统实时连接同步的驱动引擎，另一方面是数字孪生系统智能算法和智能计算引擎核心，为用户提供高级智能化服务。在数字孪生引擎的支持下，数字孪生系统才真正形成，实现虚实交互驱动以及提供各类数字孪生智能化服务，所以数字孪生引擎即是数字孪生系统的“心脏和大脑”。

如前文分析，数字孪生引擎从功能上来说主要包括交互驱动和智能计算。数字孪生应用通过构建拟实的界面，充分利用三维模型等来形象地展示计算和分析的结果，提高人机交互的水平。其智能计算是利用数据驱动模型进行仿真分析与预测，提供传统虚拟实体应用所没有的智能计算结果

在数字孪生系统出现之前，虚拟实体已经包含了很多反映物理实体运行规律的模型，用来对物理实体进行模拟仿真，同时，虚拟实体中的信息系统也包括了很多物理实体运行过程所采集的数据，但是这些模型和数据因为分属不同的应用目的而开发，没有很好地融合起来，不能充分发挥作用。数字孪生就是解决传统应用模型和数据分离的各自为政的问题，通过两者的融合充分发挥协同作用。数字孪生引擎的另外一个重要功能，就是完成模型和数据融合，包括相关的数据管理和模型管理功能。

数字孪生服务是指数字孪生系统向用户各类应用系统提供的各类服务接口，是物理实体、虚拟实体在数字孪生引擎支持下提供的新一代应用服务，是数字孪生系统功能的体现。

物理实体和虚拟实体在没有数字孪生引擎的支持下，能进行传统意义上的系统运行，完成各自预定的功能。但是，数字孪生引擎能让物理实体、虚拟实体融合在一起，形成数字孪生系统，具有原来物理实体和虚拟实体独立运行所没有的新的功能。一个完整的数字孪生系统包括服务接口支持，也就是功能接口，能让数字孪生系统真正地为用户所用。

数字孪生服务包括仿真服务、监控服务、分析服务和预测服务，同时，由于人机交互要求更高，虚拟现实(VR)、增强现实(AR)和混合现实(MR)是数字孪生应用的重要形式，因此，数字孪生服务也包括对这些应用的服务接口支持。

数字孪生服务根据数字孪生系统的不同，具体实现内容也不同，其设计和实现根据不同的行业、不同的规模而不同，同时，随着数字孪生系统的不断进化，其服务内容也会不断增加，是一个逐步完善的过程。

基于数字孪生服务，根据不同的应用需求，可以开发不同的应用。数字孪生的应用部分可以是传统信息系统的升级，部分是全新开发的应用。由于移动互联、泛在计算的广泛应用，手机、平板电脑、智能眼镜等将是数字孪生应用的一个新的发力点，也是提供给用户沉浸体验的新手段。

综合上述内容，一个数字孪生系统各个部分的组成结构如图2所示。

数字孪生引擎是连接物理实体和虚拟实体，实现数字孪生系统的一个核心模块。“虚拟实体+数字孪生引擎=数字孪生体”，因此，本节对数字孪生引擎的一般组成进行进一步的说明。图2给出了数字孪生引擎的基本模块，图3对其组成给出了进一步的说明。

交互驱动模块，是数字孪生引擎用来连接各个相关系统的核心模块，包括物理实体交互驱动接口、虚拟实体交互驱动接口、外部软件交互驱动接口和服务接口。

物理实体交互驱动接口，是从物理实体采集实时数据的接口以及传送给物理实体的指令执行接口。传统的信息系统应用、管控软件中，也包括了对物理实体的数据采集和指令下达，但是数字孪生系统根据模型和数据融合需求，需要更多的数据，以及更精准的指令执行功能，就需要数字孪生引擎的交互接口来提供额外的驱动接口，实现数字孪生的增强功能。

虚拟实体交互驱动接口，是数字孪生引擎的一个主要接口。模型数据大部分通过这个接口进入数字孪生引擎。一些计算结果也通过这个接口传回给虚拟实体。根据上述分析，虚拟实体包括了数字模型和信息系统，传统的管控功能还是需要通过信息系统完成，而数字孪生引擎所产生的新的数据能辅助模型仿真、信息系统运行更好地完成。

外部软件交互驱动接口，是指物理实体和数字孪生体本身之外的一些软件，为数字孪生系统提供软件环境。例如，一个数字孪生车间其主要的软件系统是MES，而企业级的ERP、SCM、PLM等软件系统就是数字孪生车间系统的外部软件;对于一个建筑来说，BIM是其关键模型，而这个建筑所在的小区信息系统、CIM就是外部软件。外部软件为数字孪生系统的运行提供了参考信息，以及一些功能支撑，所以需要专门的接口来获取相关的模型和数据。

服务接口，是数字孪生引擎为数字孪生服务模块提供各类模型和数据访问的接口。这类接口比较多，根据不同的实际系统需求而进行定义。

数据存储和管理，是数字孪生引擎运行的一个数据支撑环境。虚拟实体的信息系统包括了物理实体运行过程的相关数据，但是这些数据是根据业务需求而定义的，不能满足数字孪生系统运行过程的数据需求，因此，在已有的信息之外，数字孪生引擎需要定义自己的数据存储和管理。从这个意义上说，数字孪生引擎的数据存储和管理是虚拟实体中包含的信息系统中的数据存储之外的一个补充。

这个模块一般包括实时数据库、主题数据库和数据仓库。主题数据库存放的是按各类分析主题整理的实时或半实时数据。数据仓库包括了按一定主题存放的经过分析整理后的数据，用于支持联机分析处理(OLAP)和数据挖掘。

数据抽取、数据转化、数据集成是传统意义上的ETL（抽取、转化、装载）过程，数据更新则是根据物理实体和虚拟实体接口，实时在线更新相关数据的过程。

需要说明的是，由于数据的多样性，所以需要根据不同数据特点来选择关系型数据库、非关系型数据库或者是分布式文件系统来存储不同的数据，数字孪生引擎需要支持多模式数据库管理系统的数据应用集成与管理。

模型管理，主要包括机理模型和基于数据的模型。这些模型如果在虚拟实体中已经包含，则在数字孪生引擎中无须重建，但是需要对模型进行跟踪，保证这些模型在数字孪生应用中可用和可管理。

模型采集，是指根据数字孪生智能计算和模型/数据融合需要，从虚拟实体中选择相关模型导入到数字孪生引擎模型库的过程。模型训练，是根据应用需要，从数据中训练新模型的过程。模型更新，是对模型进行完善和更新的过程。模型分发，是根据服务需求，对相关模型分发过程进行管理的模块。

模型和数据的融合，是数字孪生的基本特征。脱离了模型的数据分析，就会脱离物理实体的基本逻辑和应用场景，导致数据分析的无目的性；而离开了实时数据，模型只能作为物理实体设计规划时的静态应用，不能指导实际运行。

模型和数据映射，是建立相关模型和实时数据的关联关系。例如，利用三维几何模型，可以构建实时数据的空间关系，支持数据在三维空间中的展示；对于仿真模型引入实时数据，可以完善仿真参数，让模型运行更加贴合实际过程。

模型和数据的比较，是构建模型运行结果和实际系统运行结果的比较关系，这个对于一些管控方案的评估起到关键作用，也能评估模型参数设定是否合理。

数据驱动下的模型更新，是对传统建模过程中参数不确定的一个补充。在物理实体运行前，很多仿真参数都是假设的，或者是理论模型，不能和实际运行状况吻合。通过数据分析结果来完善模型参数让模型更拟实，是数字孪生的一个基本功能。

模型驱动下的数据采集，是利用机理模型来指导数据分析的基础。传统的大数据一个特点就是价值密度低，其含义就是大量的数据看起来是没有用的，或者说是“无心”采集的；而在工业领域，由于传感器部署都是需要成本的，没有目的的数据采集在工业领域往往不切实际。利用机理模型分析需求来指导数据采集过程，有限成本下部署最多的数据感知点，是数字孪生应用顺利开展的一个基础。

数据和模型，是数字孪生系统的两个基本面。数据代表了物理实体，是从物理实体运行过程采集而来，代表实际；模型代表虚拟，是从数字模型分析、仿真而来，虚实融合就是模型和数据的融合。

智能计算模块是数字孪生引擎的驱动力，通过智能计算实现数字孪生服务所需要的各类功能。

预测分析，是利用“模型+数据”对物理实体的运行过程进行预测。可以是一个运行规律的计算，也可以是对几种方案的仿真评估。给出虚拟实体未来运行趋势的分析，为物理实体的运行提供优化建议。

知识推理，是利用已有的知识模型，对一些事实进行推理分析得到推理结果的过程。一般用于规律已知情况下的判断和决策。

在线/离线分析，是利用计算模型，进行在线分析、离线分析。根据所掌握的分析模型以及应用需要，可以选择在线或离线模式。一般来说，大量的计算需要采用离线模式；局部的、明确的一些判断，则可以结合边缘计算架构实现在线模式。

X在环仿真，是指“硬件在环仿真”或“软件在环仿真”。对于一个物理实体，其规划设计、安装调试过程往往是十分复杂的，利用硬件在环仿真，可以对软件设计进行优化；而软件在环仿真，又可以对硬件设计和安装进行评估和检验。利用模型和数据的融合，这部分功能在数字孪生系统中可以得到很好的支持。