CCCF译文｜虚拟复制*

2022 年 4 月 20 日 中国计算机学会

近年来随着物联网、虚拟现实、机器学习、高性能计算等技术的发展，数字孪生的研究与应用也受到了更多人的关注。本文结合众多实际案例，阐释了数字孪生技术的具体应用，在相关领域取得的进展、面临的瓶颈和挑战，以及未来的发展趋势。

关键词：数字孪生物联网虚拟现实

在1970年“阿波罗计划”的第七次载人航天（第三次载人登月）任务中，3名乘坐阿波罗13号太空船的宇航员在执行任务期间，遭遇了氧气罐爆炸事故，引起了太空船剧烈震荡，将稀缺的氧气泄漏至太空，损毁了太空船的主引擎。此时地面任务控制中心不得不想办法把宇航员们全部安全接回，但在此之前，他们必须先了解受损的太空船当时处于什么状态，可用的太空船维修材料，以及宇航员还能够做些什么。

为了弄清楚这些，他们将目光投向用于规划和演练飞行任务的飞行模拟器上。他们将阿波罗13号太空船当前的物理状态信息更新到模拟器中，并且尝试了各种情形，最终提出了一套让宇航员们成功返回地球的方案。有些人认为，这就是数字孪生技术的第一个实际应用案例，这一技术能根据实时数据来模拟物理系统的状态，并且预测其在不同条件下的性能。

数字孪生正变得炙手可热，尤其是在物联网能提供从各处的传感器传来的信息之时。这个概念正在被应用于一系列领域中，从建筑到桥梁，从风力涡轮机到航空器，从气象系统到人类心脏等。

数字孪生并不只是对某个物体或者系统的模拟。“它并不是一架飞机、一辆车、一台风力涡轮机或一个普通人的通用模型，”德州大学奥斯汀分校奥登计算工程与科学研究所所长凯伦·威尔考克斯（Karen Willcox）说，“它是一个用于特定的人或航天器的个性化模型。”

“为了符合数字孪生的定义，”威尔考克斯说，“模型需要将系统当前的状态信息考虑进去，并随着系统新数据的更新而变化。”另一个显著特征是这一模型和数据能帮助人们对这个系统制定决策，然后决策反过来可以改变数据并要求更新模型。

数字孪生最明显的用途可能是监测昂贵或复杂设备的长期健康运行，例如发动机、制造设备和暖通空调（HVAC）等。在融合了数字技术、机器学习和大数据以加快工业进程的第四次工业革命中，这一技术作为其中的一部分，正逐渐走红。

例如，IBM正运用它的Watson人工智能技术融合各类传感器，来帮助大公司决定需要做哪些维护工作，何时延长设备使用寿命和降低成本。比方说，公司会运用数字孪生技术为一架波音777飞机的发动机叶片建立模型，来监测它何时开始老化，以及何时需要升级或者替换。类似地，通用电气公司（GE）运用数字孪生技术创建了风力涡轮机模型，来预测该设备什么时候需要维护，并且将时间添加到日程表中。这样一来，风电场运营商就可以在涡轮机损坏之前解决问题，避免代价高昂的误工期。西门子公司的研究人员正将相似的方法运用在人的身体上，为人类心脏建立一个数字孪生模型。他们希望通过这种方式来预测针对特定患者的特殊治疗的有效性，而不是仅仅依靠与心脏相关的一般性的统计数据。

数字孪生技术也被用于系统的创建。荷兰鹿特丹港运用数字孪生技术创建了其航运系统，用于监测港口活动，便于人们咨询船舶停泊和启程的最佳时机，减少等待时间，从而更有效地运营港口。

威尔考克斯称，数字孪生的一个问题是，到目前为止，这个技术都是专门应用于某个特定领域，无法支持通用产品。“我们看到了一些价值较高的成功案例，非常令人兴奋，”她说，“但这类应用大多数都面向特定领域。”

威尔考克斯和德州大学奥斯汀分校的博士后迈克尔·卡普坦（Michael Kapteyn）运用贝叶斯统计、动力系统以及控制理论开发了一个概率图模型，并用它创建一个用于搭建许多数字孪生的基本模型。他说，能实现这项工作最重要的一部分，是能够量化一个模型包含的不确定性，以确保其预测不会偏离太远。

卡普坦说，数字孪生的一个隐患是它们会被大量数据的易用性迷惑。“你会很快遇到效率瓶颈，并且难以正确地消化这些数据，并从这些数据中获得有用的信息，将其输入到你的模型中。”

“另外一个问题是，”威尔考克斯说，“很多计算机科学家并不明白，工程领域中数据的使用并不是不受限的。”例如，通过添加更多的传感器，可以改善对飞机的模拟效果，但这些传感器会增加飞机的重量、热量和功耗，从而限制传感器的安装数量。

✦

孪生塔

✦

美国能源部（DoE）的橡树岭国家实验室（ORNL）为美国的所有建筑都创建了数字孪生模型，总计1.229亿栋。研究人员收集了有关这些建筑的公开数据，使用卫星图像等来验证它们的覆盖区域，使用激光探测手段来测量建筑高度，使用街道照片来统计窗户数量。研究人员利用这些测量值外推到每栋建筑的三维场景，创建了一个“自动化建筑能源模型（AutoBEM）”。有了窗户数量、楼层数量、建筑材料和屋顶类型的相关信息后，他们就能够预测每栋建筑的能源消耗特性。

一位领导AutoBEM计划的来自橡树岭国家实验室的计算机科学专家约书亚·纽（Joshua New）称这些建筑消耗了全美国约73%的电力。约书亚·纽指出，美国能源部的目标是到2030年将商业建筑的能源消耗量减少到2010年的30%，以应对气候变化。“通过创建全美所有建筑的数字孪生模型，我们可以寻找最具成本效益的方式来降低能源需求、排放和成本。”约书亚·纽说。

有了关于建筑物如何消耗能源的信息，研究人员可以模拟不同的干预措施，如增加绝热、减少泄漏的冷却空气量、安装节能LED照明或添加智能恒温器，然后观察数字孪生模型在这些措施的影响下如何改变能耗。橡树岭国家实验室的研究人员为田纳西州查塔努加市(Chattanooga，TN)电力委员会开发了一个数字孪生项目，对该市178377栋建筑进行建模，并创建了一个交互式地图，让用户可以看到针对每栋建筑的8种不同的节能和成本改进措施。

然而，对全美国的每一栋建筑都进行这样的模拟是很昂贵的。“我们不想模拟每一栋建筑，这会导致模拟过度。”约书亚·纽说。其团队依靠所谓的“动态原型”来替代原来的模拟。他们会选择一个感兴趣的区域，比如一家电力公司的服务区，然后选择一个代表性建筑，显示该类型结构的平均能耗。最后将其乘以该地区所有此类建筑的总楼面面积，并在原型上进行模拟。“所以，如果你有1000家超市，每家都占地1000平方英尺，我们就可以从中选出一家超市，然后乘以它所代表的1000家超市就行。这样你就只需要模拟一次，而不是1000次。”约书亚·纽说。

对全美国所有1.229亿栋建筑进行初始建模产生的计算量极大。该计算工作在阿贡国家实验室的西塔（Theta）超级计算机上花费了4500万核时，而超出正常项目分配的3000万核时需要得到特别许可。该团队提出对模型每年进行一次公开更新，整合所做的所有修改，但尚未得到允许。另一方面，使用能源部免费提供的EnergyPlus软件模拟一栋建筑一年内的平均能耗大约需要占用用户一分钟的时间，因此对每栋建筑的10种不同的干预措施进行测试需要占用用户大约10分钟时间。

由于橡树岭国家实验室只依赖于公开的可用数据，所以每栋建筑的模型都相当有限。如果在添加其收集的使用了多少能源、在什么位置以及在什么时间优化模型的数据后，这些模型依然能够做出反馈，这也仍然满足数字孪生的定义。这使得它能够估算出潜在的能源节省量，这些被节省的能耗符合银行向能源服务公司发放贷款以支付提高的能源效率成本的标准。该实验室还与多家公用事业公司签订了保密协议，允许其将这些公司有关能耗的专有数据作为反馈源，供面向公用事业的特定模型版本使用。

✦

前景广阔

✦

除了为全美国所有建筑进行建模外，还有一个来自欧盟的雄心勃勃的“目的地地球(Destination Earth)”计划，该计划创建数字孪生为地球的各种系统建模；其范围不仅包括天气和气候模型，还包括面向海洋相关的生物化学和地球化学、海洋环流模式、食物和水的可用性以及其他因素。该项目预计需要7到10年时间才能完成，将利用欧盟在高性能计算领域投资的80亿欧元（约94.5亿美元）资金，并从物联网传感器、地震监测器、卫星等来源收集数据。

“这个想法打算利用现有的气候和天气模型，这些模型逐渐优化，以包含越来越多的因素。”彼得·鲍尔（Peter Bauer）说。他是欧洲中期天气预报中心（ECMWF）的副主任，而ECMWF是该项目的一部分。例如，更多具有更高空间分辨率的数据不仅能预测加州干旱期的时间跨度，还能预测特定地区发生野火风险的概率。他说：“因此，这不仅是一个与降雨和温度变化相关的地球系统，也是一个能告诉我们火灾、干旱、高温以及潜在政治影响的地球系统。”

究竟什么可以被孪生，什么对这种模拟来说太复杂，仍然是悬而未决的问题。威尔考克斯认为，在一个有着被充分理解、专用模型以及明确需要更好决策的领域，数字孪生将是最有用的技术。她说：“人们会认为数字孪生是一种神奇的模拟技术，可以回答任何问题。而事实并非如此。”

约书亚·纽认为，在未来的系统中，利用数字孪生来解决气候变化这类人类面临的重大问题是很有价值的。类似于玩《模拟城市》（SimCity）这样的世界建筑游戏。“如果我们有《模拟地球》（SimEarth），我们可以在现实世界中模拟、测试和验证许多东西，看看如何让地球为人类变得更好。”他说，“在这些数字孪生中有很多东西需要我们学习。”

* 本文译自Communications of the ACM.“Virtual Duplicates”. 2022, 66(2): 14~16一文。

延伸阅读

[1] Kapteyn M G, Pretorius J, Willcox K E. A probabilistic graphical model foundation for enabling predictive digital twins at scale[J]. Nature Computational Science, 2021(5):337-347.

[2] Bass B, New J, Copeland W. Potential Energy, Demand, Emissions, and Cost Savings Distributions for Buildings in a Utility’s Service Area [J]. Energies, 2020,14(1):132.

[3] Bauer P, Stevens B, Hazeleger W. A digital twin of Earth for the green transition[J]. Nature Climate Change, 2021(2):80-83

[4] Rasheed A, San O, Kvamsdal T. Digital Twin: Values, Challenges and Enablers[J]. arXiv, 2019.

[5] Introduction to Digital Twins, Simple but Detailed. https://www.youtube.com/watch?v=RaOejcczPas

作者介绍

尼尔·萨维奇(Neil Savage)是来自美国马萨诸塞州洛厄尔的一位科技作家。

译者介绍