协同进化的数字孪生—数字工程的多维动态方法
致力于数字孪生体技术的研究与发展
通过解决方案和工程化应用造福人类
来源：数字孪生DigitalTwin
作者：仝小冬 鲍劲松 陶飞
导 读
近日，东华大学鲍劲松教授团队在国际期刊《Advanced Engineering Informatics》上发表题为“Co-evolutionary digital twins: A multidimensional dynamic approach to digital engineering "的新论文。论文提出数字工程中数字孪生演进的新方法——协同进化数字孪生(Co-evolutionary digital twins, CoEDT)。CoEDT提出了基于集成分布式的系统架构，研究了基于模型的系统工程(Model-Based Systems Engineering , MBSE)中多个数字孪生(Digital Twin, DT)的演进行为。CoEDT的动力学模型不仅详细描述了DT间的复杂交互和协同进化，还支持多DT行为测度，为产品开发提供全面洞察。
全文下载链接
https://www.sciencedirect.com/science/article/pii/S1474034624002027
引用本文：
TONG X, BAO J, TAO F. Co-evolutionary digital twins: A multidimensional dynamic approach to digital engineering [J]. Advanced Engineering Informatics, 2024, DOI: 10.1016/j.aei.2024.102554.
一、摘 要
数字工程（Digital Engineering, DE）作为一种关注产品或系统在其生命周期的各个阶段需求的工程范式，旨在系统地提升工程价值。在促进产品创新、优化功能、提高性能和提高整体产品质量方面，数字孪生（Digital Twin, DT）具有内在的适应性，促进DE能够不断修改信息物理系统（CPS）以应对在交互协作、智能优化和全过程回顾分析方面遇到的问题。然而，现实世界环境的复杂性使得传统的单一数字孪生演进研究无法在全生命周期范围内解决复杂的系统问题。针对这一挑战，本文提出了协同进化数字孪生（Co-evolutionary Digital Twins, CoEDT），具有以下几个特点：
(1) CoEDT 研究多个相互关联DT的演进行为；
(2) CoEDT 采用分布式的协同进化系统架构并且集成了基于模型的系统工程(Model-Based Systems Engineering, MBSE)；
(3) CoEDT为研究多个 DT 在整个生命周期中的复杂交互和协同进化，提供了详细的动力学模型。该动力学模型还支持对多 DT 行为的实时测量，以检测系统异常。CoEDT通过构建一个模拟生命周期的平行世界，为未来的产品开发提供更全面的洞察力。
与认知数字孪生（CDT）相比，CoEDT更强调涉及跨不同生命周期阶段和实体的多DT交互的研究，旨在在整个生命周期中实现系统能力的持续增强。因此，DT、CDT 和 CoEDT 之间更直接的比较见表 1。
二、 研究动机
数字工程必须能够最大限度地提高效率并进行动态更新，以跟上全球互联的浪潮。数字孪生的演进可以实现自主优化和迭代循环，在数字工程中发挥着重要作用。为了充分实现DE的愿景，需要在系统的整个生命周期中集成与系统相关的所有可用数据、信息和知识。这是一项具有挑战性的任务。
本研究通过在整个产品生命周期中联合所有 DT，超越单纯的信息集成，并使这些多 DT 能够在相互支持下协同发展。如图1所示。因此，本研究的贡献包括以下方面：
(1)结构方面：受细胞的启发，构建了一个模块化和鲁棒的CoEDT结构，促进了多个工程学科和系统部门之间的协作；
(2)动力学方面：明确集体DT之间的内在相关性和行为模式，构建协同进化动力学，实现产品生命周期系统异常的快速识别和诊断；
(3)发展方面：对于产品的生命周期，我们只能观察其中一个场景在其过程中的结果。要探索另一个没有发生的场景的结果，需要一种平行世界存在的错觉。CoEDT可以解决这一反事实问题，为未来的产品开发提供更深入的见解，并加强数字工程的实施。
三、 集体数字孪生及其协同进化
3.1 集体数字孪生的协同进化
定义：协同进化数字孪生（Co-evolutionary DTs, CoEDT）是指在相互关联的多个数字孪生中观察到的并发行为，其中存在多向因果关系，能够改变个体DT的独立进化特征。CoEDT具有以下特点：
(1) 可靠性：CoEDT 具有强大的容错机制，可防止一个 DT 中的故障影响另一个 DT 的运行；
(2) 模块化：DT的数量可以根据需要进行调整，以适应任何产品生命周期。每个DT都是高度可重用的，可以用来创造未来的新产品；
(3) 增强协作：CoEDT 支持生命周期阶段或部门/团队之间的资源共享，促进产品开发过程中的协作。
图 2. CoEDT表现出具有时间动态的多向网络结构，其中每个DT都与其他DT进行双向通信。DT通过将自己的真实世界数据与从其他DT获得的数据相结合，可以识别更全面的上下文特征并共享它们。
3.2协同进化建模
协同进化建模可分为四个步骤，如图3所示。最初，采用信息论方法从生命周期环境中的数据流中提取DT的进化特征。为了揭示协同进化的潜在因果关系，我们引入统计物理学将信息量转换为向量表示，解释了DT之间的相互作用，并将多DT的协同进化抽象为物理粒子运动。最后，基于CED建立了关于时间变化的协同进化函数。
（a） 利用信息论方法从生命周期环境中的数据流中提取DT的进化特征;（b） 引入统计物理学，将信息量转换为向量表示;（c） 利用条件熵和互信息分析DT不同阶段之间的非线性因果关系，并将其转换为DT之间的对齐和交互维度;（d） 受粒子引力和排斥运动的启发，计算DT在相互影响下的进化方向;（e） 最后，基于上述过程，计算每个DT的动态进化过程。
3.3基于MBSE的协同演进架构
由于创建了新的交互模式和解决方案，CoEDT 在 DT 的基础上扩展了数量、规模和复杂性。CoEDT 和 MBSE 的结合促进了 DT 的可重用性。我们提出建立基于MBSE的协同进化钻石架构，以解决传统V模型的局限性，实现MBSE和CoEDT更好的集成。基于MBSE的协同进化钻石架构可以表示为图4。
四、结 论
虽然早期的研究已经探索了通过DT的迭代优化实现的进化过程，但这种进化仅限于单个DT的活动。本研究阐明了多DT之间相互作用促进下的协同进化有益结果。
首先，引入相互关联的DT的集体概念并建立了受细胞生物学启发的CollDTs分布式结构。其次，将信息论纳入CoEDT中，定量分析多DT在整个产品生命周期中的协同进化。通过阶次参数的制定，对多DT与系统稳定性的协同进化进行了评价，准确测量了系统内部的内在变化。从多个DT之间的相互作用中衍生出进化方向模型，阐明了DT的进化趋势。此外，多向因果模型阐明了DT之间的交互关系。随后，推导了CoEDT的协同进化方程和算法表达式，能够快速量化协同进化影响下各DT的进化程度。最后，在CollDTs的基础上，通过集成MBSE技术，构建了贯穿整个产品生命周期的多DT协同进化框架。因此，工程师可以通过理解各种DT之间的相互依赖关系，在整个产品生命周期中有效地集成和利用多DT。
