下载掌阅APP，畅读海量书库
立即打开
数字孪生体的发展主要经历了技术准备期、萌芽期、潜伏期、快速成长与扩张期4个阶段，如图1.9所示。
数字孪生体的概念在制造领域的使用，最早可追溯到美国国家航空航天局（National Aeronautics and Space Administration, NASA）的阿波罗项目。在该项目中，NASA需要制造两个完全相同的空间飞行器，留在地球上的飞行器被称为数字孪生体，可用来反映（或镜像）正在执行任务的空间飞行器的状态/状况。在飞行准备期间，数字孪生体的空间飞行器被广泛应用于训练；在任务执行期间，留在地球上的数字孪生体被用于仿真实验，并尽可能精确地反映和预测正在执行任务的空间飞行器的状态，从而辅助太空轨道上的航天员在紧急情况下做出最正确的决策。从这个角度可以看出，数字孪生体实际上是通过仿真，反映真实运行情况的样机或模型。数字孪生体具有3个显著特点：数字孪生体与其所要反映的对象在外表（指产品的几何形状和尺寸）、内容（指产品的结构组成、材料属性及其宏微观物理特性）和性质（指产品的功能和性能）上基本相同；允许通过仿真等方式来镜像/反映真实的运行情况/状态；主要运用在航天器的运行、维护环节。需要指出的是，此时的数字孪生体还是实物。
图1.9 数字孪生的发展历程
随着数字化制造技术的快速发展，一批以CAD、CAE、CAM、CAPP、MRP、PDM、MES、PLM等为代表的计算机辅助技术和信息管理系统出现了，如何充分利用信息技术和数字空间已成为实现产品研发创新、提高产品研发生产效率和质量的重要手段。在这个背景下，2003年，迈克尔·格里夫斯（Michael Grieves）在美国密歇根大学的《产品全生命周期管理》课程上提出了“与物理产品等价的虚拟数字化表达”的概念，并给出了定义：一个或一组特定装置的数字复制品，能够抽象地表达真实装置并以此为基础进行真实条件或模拟条件下的测试。该概念源于能更清晰地表达装置的信息和数据的期望，希望能够将所有的信息放在一起进行更高层次的分析。同时，Grieves给出了数字孪生体的概念模型，如图1.10所示。其中包括3个主要部分，分别是现实空间的实体产品、虚拟空间的虚拟产品，以及物理空间和虚拟空间之间数据和信息双向交互的接口。
虽然这个概念在当时并没有称为数字孪生体，而是在2003—2005年被称为“镜像的空间模型”（Mirrored Spaced Model），在2006—2010年被称为“信息镜像模型”（Information Mirroring Model）。但是该概念模型形象、直观地体现了虚实融合、以虚控实的理念，且具备数字孪生体应用的所有组成要素，即物理空间、虚拟空间及两者之间的关联或接口，因此可以被认为是数字孪生的雏形。2011年，Michael Grieves教授在《几乎完美：通过PLM驱动创新和精益产品》一书中引用了其合作者John Vickers描述该概念模型的名词—数字孪生体，并一直沿用至今。可以说，数字孪生体概念模型的提出是源于对物理产品全生命周期数据的表达、管理与应用需求，从而推动企业产品的研发创新与效率提升。
图1.10 数字孪生体概念模型
数字孪生体概念模型（见图1.10）从以下几个方面极大地拓展了阿波罗项目中的“孪生体”。
（1）将孪生体数字化，采用数字化的表达方式建立一个与产品物理实体在外表、内容和性质一样的虚拟产品。
（2）引入虚拟空间，建立虚拟空间和物理空间的关联，彼此之间可以进行数据和信息的交互。
（3）形象、直观地体现了虚实融合，以虚控实的理念。
（4）对该概念进行扩展和延伸，除了产品，针对工厂、车间、生产线、工艺过程、制造资源（工位、设备、人员、物料等），在虚拟空间都可以建立相对应的数字孪生体。
但是，该概念模型在2003年提出时并没有引起国内外学者的重视，主要是因为：
（1）当时在生产过程中收集产品相关信息的技术手段有限，大多是采用人工方式和基于纸质文件，尤其是难以实现实时数据的在线采集。
（2）物理产品的数字化描述尚不成熟，相关的软/硬件条件难以支持在虚拟空间中精确定义和完整描述物理产品的属性和行为。
（3）移动通信技术尚不够成熟，虚实之间数据和信息实时传输的可靠性难以保证。
（4）当时的计算机性能和算法难以实现对大数据的高效处理和分析。
2011年之后，随着物联网、云计算、大数据和人工智能等新一代信息技术的快速发展，数字孪生体迎来了新的发展契机。2011年，数字孪生体由美国空军研究实验室（Air Force Research Laboratory, AFRL）提出并得到了进一步发展，目的是解决未来复杂服役环境下的飞行器维护问题及寿命预测问题。他们计划在2025年交付一个新型号的空间飞行器，以及与该物理产品相对应的“As-Built”（设计定稿）数字化模型，即数字孪生体，其在两个方面具有超写实性：包含所有的几何数据，如加工时的误差；包含所有的材料数据，如材料微观结构数据。2012年，AFRL提出了“机体数字孪生体”的概念，即机体数字孪生体作为正在制造和维护的机体的超写实模型，是可以对机体是否满足任务条件进行模拟和判断的，是由许多子模型组成的集成模型。机体数字孪生体的组成元素如图1.11所示。
图1.11 机体数字孪生体的组成元素
机体数字孪生体是单个机身在整个产品生命周期的一致性模型和计算模型，与制造和维护飞行器所用的材料、制造规范及流程相关联。机体数字孪生体也是飞行器数字孪生体的子模型。其中，飞行器数字孪生体是一个包含电子系统模型、飞行控制系统模型、推进系统模型和其他子系统模型的集成模型。此时，数字孪生体从概念模型阶段进入初步的规划与实施阶段，对其内涵、性质的描述和研究也更加深入，具体表现在以下5个方面。
（1）突出了数字孪生体的层次性和集成性，如飞行器数字孪生体、机体数字孪生体、机体结构模型、材料状态演化模型等，有利于数字孪生体“从点到面”逐步地实施及最终实现。
（2）突出了数字孪生体的超写实性，包括几何模型、物理模型、材料演化模型等。
（3）突出了数字孪生体的广泛性，即包括整个产品全生命周期，从设计阶段延伸至后续的产品制造阶段和产品服务阶段。
（4）突出了数字孪生体在产品全生命周期的一致性，体现了单一数据源的思想。
（5）突出了数字孪生体的可计算性，即可以通过仿真分析等手段实时反映和预测对应物理实体的运行状态。
可以说，数字孪生体是各类表征物理产品特性的模型融合体。
2012年，面对未来飞行器轻质量、高负载及极端环境下长时间服役的需求，NASA和AFRL合作并共同提出了未来飞行器的数字孪生体范例。他们针对飞行器、飞行系统或运载火箭等，将数字孪生体定义为“一个面向飞行器或系统的、集成的多物理、多尺度、概率仿真模型，它利用当前最好的可用物理模型、更新的传感器数据和历史数据等来反映与该模型对应的飞行实体的状态”。同年，NASA发布的“建模、仿真、信息技术和处理”路线图中，数字孪生体正式进入公众视野。该定义可以认为是AFRL和NASA对其之前研究成果的一个阶段性总结，着重突出了数字孪生体的集成性、多物理性、多尺度性、概率性等特征，主要功能是能够实时反映和预测与其对应的飞行产品的状态，从而达到辅助决策（延续了早期阿波罗项目“孪生体”的功能）的目的，使用的数据包括当前最好的产品可用物理模型数据、更新的传感器数据及产品组的历史数据等。
通过上述分析数字孪生体的定义发现，数字孪生不仅需要描述物理实体的几何物理模型，而且应包括实时数据和历史大数据，以及基于大数据分析的监控、模拟和预测模型。可以说，数字孪生体是物理产品全生命周期所有数据和模型的融合体，其核心是模型和数据，应用范围主要是产品运维阶段，包括产品的寿命预测、健康管理和运维服务等。
2014年，Michael Grieves发布了第一篇数字孪生白皮书，认为数字孪生体将使产品设计与制造的闭环更加牢固。2016年，西门子基于数字孪生理念，构建了整合制造流程的生产系统模型，支持企业进行价值链的整合和数字化转型。达索建立了基于数字孪生的3D体验平台，利用交互体验中用户反馈的信息不断改进产品设计模型，从而优化现实世界的物理实体。2017年11月，世界最大的武器生产商洛克希德·马丁公司（LMT）将数字孪生列为未来国防和航天工业六大顶尖技术之首。全球最具权威的IT研究与顾问咨询公司Gartner连续四年（2016—2019年）将数字孪生列为十大战略科技发展趋势之一。为了推动数字孪生理论的发展及其在产品全生命周期中的落地应用，陶飞等人提出了数字孪生车间的概念，以及数字孪生驱动的产品设计、制造和服务框架，并将数字孪生模型由最初的三维结构发展为如图1.12所示的五维结构模型，包括物理实体、虚拟模型、服务系统、孪生数据以及交互连接。此外，陶飞等人结合相关合作企业的实际应用需求，重点探讨了数字孪生五维模型在卫星/空间通信网络、船舶、车辆、发电厂、飞机、复杂机电装备、立体仓库、医疗、制造车间、智慧城市10个领域的应用思路与方案，并在 Nature 上发表了一篇关于数字孪生的评论。数字孪生受到了学术界和工业界的重点关注，并在多个领域得到应用，进入了快速成长和扩张期。
图1.12 数字孪生五维结构模型与应用准则
数字孪生快速发展的原因主要有以下3个方面。
（1）德国“工业4.0”、美国工业互联和中国制造强国战略等国家战略的目标均以智能制造为核心，旨在通过信息世界与物理世界的交互与共融，实现制造业的转型升级，提高企业的市场快速响应能力和国际竞争力。数字孪生作为实现信息世界和物理世界融合的关键核心技术，为智能制造的实施提供了清晰的思路、方法和实施途径。
（2）随着模型轻量化、基于模型的定义（Model Based Definition, MBD）、基于物理的建模等模型数字化表达技术的兴起与广泛应用，使采用数字化方式在产品全生命周期的各个阶段精确地描述物理产品成为可能。
（3）大数据、物联网、移动互联网、云计算等新一代信息与通信技术的快速普及与应用，大规模计算、高性能计算、分布式计算等计算机科学技术的快速发展，以及深度学习、强化学习等人工智能算法的不断涌现，使产品动态数据的实时采集、可靠与快速传输、存储、分析、决策、预测等成为可能，为虚拟空间和物理空间的实时关联与互动提供了重要的技术支撑。