【数字孪生】数字孪生的前世今生及未来之路

2019 年 1 月 22 日 产业智能官
【数字孪生】数字孪生的前世今生及未来之路


数字孪生

系列研究1.0

数字孪生的前世今生及未来之路

前世今生

概念提出

       美国密歇根大学Michael Grieves教授,于2002年在所讲授的PLM(产品生命周期管理)课程中引入了”镜像空间模型“(后又改称为”信息镜像模型“)的概念。2011年,这一概念在《Virtually Perfect》一书中得到了极大地推广,文章的合著者开始将这一概念模型称之为“数字孪生”,“数字孪生”的概念正式诞生。

目前数字孪生(Digital Twin)尚无标准定义,但对其基本含义有比较清晰的认知,即数字孪生是以数字化的方式拷贝一个物理对象,模拟此对象在现实环境中的行为,对产品、制造过程乃至整个工厂进行虚拟仿真,从而提高制造企业产品研发和制造的生产效率。

美国国防采办大学(DAU)的术语中这样定义:数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。

发展历程

       短短十数年,数字孪生技术引起了企业、研究机构、科研人员等的广泛关注。由于不受地域分布、个体数量和时间环境的限制,并且在不同专业、不同方向、不同领域均能细化应用,数字孪生技术在众多行业中具有普适性。

       数字孪生也可结合万物互联、大数据处理和人工智能建模分析,实现对过去发生问题的诊断、当前状态的评估以及未来趋势的预测,并给予分析结果,模拟各种可能性,提供全面的决策支持。





国内外发展纪:

       在2010年,NASA已经开始将数字孪生运用到下一代战斗机和NASA月球车的设计当中。美国国防部、PTC公司、西门子公司、达索公司等都在2014年接受了“Digital Twin”这个术语,并开始在市场宣传中使用。

美国国防部提出利用Digital Twin技术,用于航空航天飞行器的健康维护与保障。在数字空间建立真实飞机的模型,并通过传感器实现与飞机真实状态完全同步,这样每次飞行后,根据结构现有情况和过往载荷,及时分析评估是否需要维修,能否承受下次的任务载荷等。

工业巨头通用电气(GE)将数字孪生这一概念推向了新的高度,通用电子是将这项军方技术转为民用化的最理想载体。 GE借助Digital Twin这一概念,实现物理机械和分析技术的融合。以喷射引擎为例,喷射引擎中昂贵、且扮演关键角色的耐高温合金涡轮叶片,是制造推力的主要零件。每个叶片上都安装了传感器,这样就可以根据要求的频率传输实时数据。软件平台会将引擎的所有信息收集起来,使之数据化,并建立数字模型。   

德国西门子公司也在积极推进包括数字孪生在内的数字化业务,数字孪生已经被应用在了西门子工业设备Nanobox PC的生产流程里。

       北京航空航天大学陶飞等提出了数字孪生车间的实现模式,并明确了其系统组成、运行机制、特点和关键技术,为制造车间信息物理系统的实现提供了理论和方法参考。

       西安电子科技大学孔宪光等提出基于数字孪生的工业大数据分析论,把物理实体业务抽象成图谱,通过问题分解,在数字孪生体内进行求解。

       华龙迅达将数字孪生技术与三维虚仿真过程进行了有效融合,实现实体工厂与虚拟可视化工厂的动态联动,从全要素、全流程、全业务角度进行生产过程优化。

       科大讯飞发布建设数字孪生城市计划,使用人工智能技术,打通城市规划、建设、运行的数据闭环。








未来之路

应用场景

       建模仿真最早用于计算特定物理现象,解决产品设计中的问题,随着计算能力的提高,仿真技术的应用正在向产品的全生命周期扩展。未来智能工厂是基于虚拟制造、软件定义、数据驱动的新型生产模式时代,数字孪生将在很多行业中开创新的蓝海。

       Gartner预测,数字孪生是2019年前十位的战略科技趋势之一,具有广阔的发展前景。到2021年,全球50%的大型工业公司将使用数字孪生,将使组织的效率提高10%,他们认为制造业和工程行业的公司,如果想要保持活力,就需要考虑数字孪生。

       从具体的实施场景考虑,数字孪生要基于数字化制造的相关技术,贯穿产品的全生命周期,即产品的设计、生产、销售、运行、维修保养、回收的完整过程之中。利用数字孪生技术进行产品全生命周期管理时,要大量用到数字化制造的相关技术,以及数据管理方面的相关技术。数字化制造相关技术包括数控技术、CAD、CAPP、CAM、CAE、CAT、成组技术、MRP/MRPⅡ等;数据管理方面的相关技术包括大数据技术、云计算、边缘计算,产品数据管理PDM,产品全生命周期管理PLM等。






不同场景下应用数字孪生:

(1)产品设计阶段

       基于模型定义技术(MBD)能够实现高效、标准的产品全生命周期各阶段数据定义及数字化表达,是实现数字挛生体构建的关键技术。MBD技术充分体现了产品的并行协同设计理念和单一数据源思想,而这也正是数字孪生体的本质之一。

       产品定义模型主要包括两类数据:一类是几何信息,也就是产品的设计模型;另一类是非几何信息,存放于规范树中,与三维设计软件配套的PDM软件负责存储和管理该数据。

       为了确保仿真及优化结果的准确性,至少需要保证以下三点:

1)产品虚拟模型的高精确度/超写实性:通过使用人工智能、机器学习等方法,基于同类产品组的历史数据实现对现有模型的不断优化,使得产品虚拟模型更接近于现实世界物理产品的功能和特性。

2)仿真的准确性和实时性:可以采用先进的仿真平台和仿真软件,例如仿真商业软件Ansys,Abaqus等。

3) 模型轻量化技术:轻量化的模型降低了系统之间的信息传输时间、成本和速度,促进了价值链端到端的集成、供应链上下游企业间的信息共享、业务流程集成以及产品协同设计与开发。

(2)产品制造阶段

       在生产制造阶段,除了基于产品模型的生产实测数据监控和生产过程监控。还包括基于生产实测数据,智能化的预测与分析、智能决策模块根据预测与分析,实现对实体产品的动态控制与优化,达到虚实融合、以虚控实的目的。

       因此,多源异构数据实时准确采集、有效信息提取与可靠传输是实现数字孪生体的前提条件。

1)实体空间的动态数据实时采集:利用条码技术、RFID、传感器等物联网技术,进行制造资源信息标识,实现对制造资源的实时感知。

2)虚拟空间的数字孪生体演化:通过统一的数据服务驱动三维模型,实现数字孪生体与真实空间的装配生产线、实体产品进行关联。

3)基于数字孪生体的状态监控和过程优化反馈控制:通过实时数据和设计数据、计划数据的比对实现对产品技术状态和质量特性的比对、实时监控、质量预测与分析、提前预警、生产动态调度优化等,从而实现产品生产过程的闭环反馈控制以及虚实之间的双向连接。

(3)产品服务阶段

       在产品服务阶段(即产品使用和维护)阶段,仍然需要对产品的状态进行实时跟踪和监控,并根据产品实际状态、实时数据、使用和维护记录数据对产品的健康状况、寿命、功能和性能进行预测与分析,并对产品质量问题进行提前预警。

1)在物理空间,采用物联网、传感技术、移动互联技术将与物理产品相关的实测数据(最新的传感数据、位置数据、外部环境感知数据等)、产品使用数据和维护数据等关联映射至虚拟空间的产品数字孪生体。

2)在虚拟空间,采用模型可视化技术实现对物理产品使用过程的实时监控,并结合历史使用数据、历史维护数据、同类型产品相关历史数据等,采用动态贝叶斯、机器学习等数据挖掘方法和优化算法实现对产品模型、结构分析模型、热力学模型、产品故障和寿命预测与分析模型的持续优化,使产品数字孪生体和预测分析模型更为精确,仿真预测结果更加符合实际情况。

3)对于已发生故障和质量问题的物理产品,采用追溯技术、仿真技术实现质量问题的快速定位、原因分析、解决方案生成及可行性验证等,最后将生成的最终结果反馈给物理空间指导产品质量排故和追溯等。









道路探索

       目前数字孪生技术还面临着诸多难题:一是高写实仿真,数字孪生的数字模型具备超写实性,产品虚拟模型的高精度性使孪生结果更准确、更接近真实的工况。二是高实时交互,由于数字孪生技术是基于全要素、全生命周期的海量数据,涉及先进传感器技术、自适应感知、精确控制与执行技术等难题急需攻关。三是高可靠分析决策,通过实时传输,物理产品的数据动态实时反映在数字孪生体系中,反过来数字孪生基于感知的大数据进行分析决策,进而控制物理产品。

       数字孪生是数字化发展的高级阶段,应结合企业数字化、信息化、智能化发展历程融合推进。数字孪生技术所涉及的理念、技术、方法具有超前性,亟须各个各个行业、多种人才广泛参与,应尽快建立起普适性的定义及相关标准,打造多头并促的发展生态。



数字孪生(DT)与信息物理系统(CPS)

数字孪生

系列研究2.0

数字孪生与信息物理系统

概念


信息物理系统通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术,构建了物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统,实现系统内资源配置和运行的按需响应、快速迭代、动态优化。

数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。


本质

    

信息物理系统的本质就是构建一套信息空间与物理空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系,解决生产制造、应用服务过程中的复杂性和不确定性问题,提高资源配置效率,实现资源优化。

数字孪生是以数字化方式创建物理实体的虚拟模型,充分利用智能数字化模型仿真技术,面向产品全生命周期过程,发挥连接物理世界和信息世界的桥梁和纽带作用,为设计、制造、运维等提供更加实时、高效、智能的服务。


数字孪生与信息物理系统不期而遇:

早在2003年,Grieves教授就提出了为一个物理实体建立数字模型的想法。当时建立数字孪生体的这一概念还不是很成熟,主要原因还是在实施上受限于数据的采集和管理方式,当时企业中的数据大多依靠人工采集,并且大部分以纸面的形式呈现。建立一个物理实体的虚体模型需要大量有关该实体的实时数据作为支撑。因此,当时的数据无论在质量还是数量上都远远无法达到建立数字孪生体的要求。十几年后的今天,诸如制造执行系统等工业系统的出现,能够完整地记录并且有效地管理产品或设备在运行过程中所产生的全部数据。并且智能传感技术,射频识别技术等感知识别类技术的出现,使得实时采集设备或产品所产生的大量数据成为可能,也为数字孪生的创建打下了基础。

信息物理系统(CPS)的本质是通过传感器采集物理实体的相关数据,之后利用系统中的通讯和计算技术对这些数据进行实时分析,挖掘数据潜在的信息内容,基于信息做出科学的决策,最后利用执行器对物理设备进行准确地控制。可以看出,CPS构造了一个基于数据流动的闭环反馈,在数据的驱动和作用下该闭环可以连续地运行,不断地进行知识积累与迭代优化,这也使得信息物理系统每次的闭环反馈无论在速度还是质量上都会得到相应的提升。CPS的实现中,驱动反馈环运行的数据无疑是主导因素,数据搭建了信息物理系统中物理空间与虚拟空间深度融合的桥梁。数字孪生技术作为CPS实现与运作的核心与精髓,在创立之初就明确了是以数据和模型为主要元素构建的基于模型系统工程。其以数据作为模型构建和驱动的基础,实现虚拟与现实的交互与协同,这一点与CPS数据驱动的构建思想是完全契合的。数字孪生技术的出现无疑为发展和拓展CPS的功能起到了极大地推动作用,有助于CPS信息空间与物理空间交互中实时性与准确性的提升。











环节

信息物理系统具体来说需要经过四个环节,分别是:状态感知、实时分析、科学决策、精准执行。

数字孪生的应用经过四个环节:映射(模拟)、监控、诊断、预测。

数字孪生技术从整体上可以看作是物理空间与含有数字孪生体的虚拟空间双向实时交互的过程,由此形成了基于数据正向与反向同时进行的反馈闭环。可以发现,这个数据反馈环与信息物理系统中包含状态感知、实时分析、科学决策、精准执行四个环节的数据反馈环有很高的相似度。二者都是数据驱动的反馈环,并且该反馈环具有迭代优化的特点。数字孪生技术的本质是对大量数据的存储与处理,故可以在其中加入大数据技术、云计算、数据挖掘等技术及智能算法。将数据处理技术与以数字孪生为代表的虚拟仿真技术相结合无疑会使信息物理系统的功能更加丰富,具有更广阔的应用前景。当数字孪生技术与信息物理系统进行结合时,借助物理实体的数字孪生体能够在不同方面为系统带来帮助。


数字孪生贯穿信息物理系统各个基础环节:

2006年,美国国家科学基金会NSF首先提出了信息物理系统(CPS)的概念,也可译为网络-实体系统,或信息物理融合系统。CPS被定义为由具备物理输入输出且可相互作用的元件组成的网络,它不同于未联网的独立设备,也不同于没有物理输入输出的单纯网络,2013年德国提出了“工业4.0”,其核心技术就是Cyber-Physical Production System(信息物理生产系统)。CPS是一个综合计算、通信、控制、网络和物理环境的多维复杂系统,以大数据、网络与海量计算为依托,通过3C(Computing、Communication、Control)技术的有机融合与深度协作,实现大型工程系统的实时感知、动态控制和信息服务。CPS能够从物理空间(Physical Space)、环境、活动大数据的采集、存储、建模、分析、挖掘、评估、预测、优化和协同,并与对象的设计、测试和运行性能表征相结合,使网络空间(Cyber Space)与物理空间深度融合、实时交互、互相耦合、互相更新;进而通过自感知、自记忆、自认知、自决策、自重构和智能支持促进工业资产的全面智能化。在中国制造2025中,CPS被认为是支撑两化深度融合的综合技术体系,是推动制造业与互联网融合发展的重要抓手。CPS把人、机、物互联,实体与虚拟对象双向连接,以虚控实,虚实融合,有两个步骤:1)虚拟的实体化,如设计一件产品,先进行模拟、仿真,然后再制造出来;2)实体的虚拟化,实体在制造、使用、运行的过程中,把状态反映到虚拟端去,通过虚拟方式进行监控、判断、分析、预测和优化。

CPS通过构筑信息空间与物理空间数据交互的闭环通道,能够实现信息虚体与物理实体之间的交互联动,数字孪生技术的出现为实现CPS提供了清晰的思路、方法及实施途径。以物理实体建模产生的静态模型为基础,通过实时数据采集、数据集成和监控,动态跟踪物理实体的工作状态和工作进展(如采集测量结果、追溯信息等),将物理空间中的物理实体在信息空间进行全要素重建,形成具有感知、分析、决策、执行能力的数字孪生体。因此,从这个角度看,数字孪生是CPS的核心关键技术。









场景

信息物理系统受到工业领域的广泛关注,并已在多个环节得到应用和体现。工业领域中的智能设计、智能生产、智能服务、智能应用这四个方面尤其突出。具体的应用场景包括:无人装备、健康管理、智能维护、远程诊断、协同优化、设备管理、柔性制造、产品及工艺设计等。

数字孪生技术主要的应用模式有:制造装备工艺模型,仿真分析模型,产品定义模型以及测量检验模型。 其中,仿真分析模型能使使用者在数字化产品中看到实际物理产品可能发生的情况,这也是这项技术目前最广泛的应用模式。所有的数据模型都能够双向沟通,真实物理产品的状态和参数将通过智能生产系统集成的信息物理系统向数字化模型反馈。

<<  滑动查看下一张图片  >>

数字孪生在CPS应用场景中发挥关键作用(如图)

原创: CPS发展论坛 



工业互联网




产业智能官  AI-CPS


加入知识星球“产业智能研究院”:先进产业OT(工艺+自动化+机器人+新能源+精益)技术和新一代信息IT技术(云计算+大数据+物联网+区块链+人工智能)深度融合,在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链



版权声明产业智能官(ID:AI-CPS推荐的文章,除非确实无法确认,我们都会注明作者和来源,涉权烦请联系协商解决,联系、投稿邮箱:erp_vip@hotmail.com。



登录查看更多
19

相关内容

小贴士
相关资讯
【数字孪生】数字孪生技术从概念到应用
产业智能官
31+阅读 · 2020年2月16日
【数字孪生】数字孪生技术发展趋势与安全风险浅析
产业智能官
32+阅读 · 2019年8月28日
【数字孪生】九论数字孪生
产业智能官
33+阅读 · 2019年7月6日
【数字孪生】工业互联网支持下的数字孪生车间
产业智能官
10+阅读 · 2019年6月3日
【数字孪生】一文读懂数字孪生的应用及意义
产业智能官
23+阅读 · 2018年9月28日
【数字孪生】数字化孪生“双胞胎”技术及应用
产业智能官
12+阅读 · 2018年8月12日
相关论文
Varun Kumar,Ashutosh Choudhary,Eunah Cho
8+阅读 · 2020年3月4日
A Primer in BERTology: What we know about how BERT works
Anna Rogers,Olga Kovaleva,Anna Rumshisky
28+阅读 · 2020年2月27日
Proposal, Tracking and Segmentation (PTS): A Cascaded Network for Video Object Segmentation
Qiang Zhou,Zilong Huang,Lichao Huang,Yongchao Gong,Han Shen,Chang Huang,Wenyu Liu,Xinggang Wang
3+阅读 · 2019年7月4日
Tianyi Zhang,Varsha Kishore,Felix Wu,Kilian Q. Weinberger,Yoav Artzi
5+阅读 · 2019年4月21日
VoteNet: A Deep Learning Label Fusion Method for Multi-Atlas Segmentation
Zhipeng Ding,Xu Han,Marc Niethammer
3+阅读 · 2019年4月18日
UPSNet: A Unified Panoptic Segmentation Network
Yuwen Xiong,Renjie Liao,Hengshuang Zhao,Rui Hu,Min Bai,Ersin Yumer,Raquel Urtasun
3+阅读 · 2019年1月12日
Juntang Zhuang,Junlin Yang
7+阅读 · 2018年12月10日
MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation
Jiawei Zhang,Yuzhen Jin,Jilan Xu,Xiaowei Xu,Yanchun Zhang
8+阅读 · 2018年12月4日
Fabian Isensee,Jens Petersen,Andre Klein,David Zimmerer,Paul F. Jaeger,Simon Kohl,Jakob Wasserthal,Gregor Koehler,Tobias Norajitra,Sebastian Wirkert,Klaus H. Maier-Hein
10+阅读 · 2018年9月27日
Abhinav Moudgil,Vineet Gandhi
3+阅读 · 2018年3月22日
Top