下载掌阅APP，畅读海量书库
立即打开
数字孪生的概念最早出现于2003年，由Grieves教授在美国密歇根大学的产品全生命周期管理课程上提出。后来，美国国防部将数字孪生的概念引入航天飞行器的健康维护等问题中，并将其定义为一个集成了多物理量、多尺度、多概率的仿真过程，基于飞行器的物理模型来构建其完整映射的虚拟模型，利用历史数据以及传感器实时更新的数据，刻画和反映物理对象的全生命周期过程。
当前数字孪生的理念已在部分领域得到了应用和验证。代表性的如Grieves等将物理系统与其等效的虚拟系统相结合，研究了基于数字孪生的复杂系统故障预测与消除方法，并在NASA相关系统中开展应用验证。美国空军研究实验室结构科学中心通过将超高保真的飞机虚拟模型与影响飞行的结构偏差和温度计算模型相结合，开展了基于数字孪生的飞机结构寿命预测，并总结了数字孪生的技术优势。此外，PTC公司致力于在虚拟世界与现实世界间建立一个实时的连接，基于数字孪生为客户提供高效的产品售后服务与支持。西门子公司提出了“数字化双胞胎”的概念，致力于帮助制造企业在信息空间构建、整合制造流程的生产系统模型，实现物理空间从产品设计到制造执行的全过程数字化。针对复杂产品用户的交互需求，达索公司建立了基于数字孪生的3D体验平台，利用用户反馈不断改进信息空间的产品设计模型，从而优化物理空间的产品实体，并以飞机雷达为例进行了验证。
综上所述，数字孪生是实现物理与信息融合的一种有效手段。而车间的物理空间与信息空间难以交互和融合是实现工业4.0、中国制造2025、工业互联网、基于CPS的制造等的瓶颈之一。
数字孪生车间（Digital Twin Workshop，DTW）是在新一代信息技术和制造技术驱动下，通过物理车间与虚拟车间的双向真实映射和实时交互，实现物理车间、虚拟车间、车间服务系统的全要素、全流程、全业务数据的集成和融合，在车间孪生数据的驱动下，实现车间生产要素管理、生产活动计划、生产过程控制等在物理车间、虚拟车间、车间服务系统间的迭代运行，从而在满足特定目标和约束的前提下，达到车间生产和管控最优的一种车间运行新模式。DTW主要由物理车间、虚拟车间、车间服务系统（Workshop Service System，WSS）、车间孪生数据四部分组成。
物理车间是车间客观存在的实体集合，主要负责接收WSS下达的生产任务，并严格按照虚拟车间仿真优化后预定义的生产指令，执行生产活动并完成生产任务；虚拟车间是物理车间的完全数字化镜像，主要负责对生产计划/活动进行仿真、评估及优化，并对生产过程进行实时监测、预测与调控等；WSS是数据驱动的各类服务系统功能的集合或总称，主要负责在车间孪生数据驱动下对车间智能化管控提供系统支持和服务，如对生产要素、生产计划/活动、生产过程等的管控与优化服务等；车间孪生数据是物理车间、虚拟车间和WSS相关的数据，以及三者数据融合后产生的衍生数据的集合，是物理车间、虚拟车间和WSS运行及交互的驱动 [1] 。
与传统车间相比，DTW除传统车间所具备的功能和作用外，其物理车间还需具备异构多源实时数据的感知接入与融合能力，以及车间“人-机-物-环境”要素共融的能力。在实现异构多源数据的感知接入与融合方面，需要一套标准的数据通信与转换装置，以实现对生产要素不同通信接口和通信协议的统一转换以及数据的统一封装；在此基础上，采用基于服务的统一规范化协议，将车间实时数据上传至虚拟车间和WSS。该装置对多类型、多尺度、多粒度的物理车间数据进行规划、清洗及封装等，实现数据的可操作、可溯源的统一规范化处理，并通过数据的分类、关联、组合等操作，实现物理车间多源多模态数据的集成与融合。此外，物理车间异构生产要素需实现共融，以适应复杂多变的环境。生产要素个体既可以根据生产计划数据、工艺数据和扰动数据等规划自身的反应机制，也可以根据其他个体的请求做出响应，或者请求其他个体做出响应，并在全局最优的目标下对各自的行为进行协同控制与优化。与传统的以人的决策为中心的车间相比，“人-机-物-环境”要素共融的物理车间具有更强的灵活性、适应性、鲁棒性与智能性。
虚拟车间本质上是模型的集合，这些模型包括要素、行为、规则三个层面。在要素层面，虚拟车间主要包括对人、机、物、环境等车间生产要素进行数字化/虚拟化的几何模型和对物理属性进行刻画的物理模型。在行为层面，虚拟车间主要包括在驱动（如生产计划）及扰动（如紧急插单）的作用下，对车间行为的顺序性、并发性、联动性等特征进行刻画的行为模型。在规则层面，虚拟车间主要包括依据车间繁多的运行及演化规律建立的评估、优化、预测、溯源等规则模型。
在生产前，虚拟车间基于与物理车间实体高度逼近的模型对WSS的生产计划进行迭代仿真分析，真实模拟生产的全过程，从而及时发现生产计划中可能存在的问题，实时调整和优化。在生产中，虚拟车间不断积累物理车间的实时数据与知识，对其运行过程进行连续的调控与优化。同时，虚拟车间逼真的三维可视化效果可使用户产生沉浸感与交互感，有利于激发灵感、提升效率；而且虚拟车间模型及相关信息可与物理车间进行叠加和实时交互，实现虚拟车间与物理车间的无缝集成、实时交互与融合。
WSS是数据驱动的各类服务系统功能的集合或总称，主要负责在车间孪生数据驱动下对车间智能化管控提供系统支持和服务，如对生产要素、生产计划/活动、生产过程等的管控与优化服务等。例如，在接收到某个生产任务后，WSS在车间孪生数据的驱动下，生成满足任务需求及约束条件的资源配置方案和初始生产计划。在生产开始之前，WSS基于虚拟车间对生产计划的仿真、评估及优化数据，对生产计划做出修正和优化。在生产过程中，物理车间的生产状态和虚拟车间对生产任务的仿真、验证与优化结果被不断反馈到WSS，WSS实时调整生产计划以适应实际生产需求的变化。DTW有效集成了WSS的多层次管理功能，实现了对车间资源的优化配置及管理、生产计划的优化以及生产要素的协同运行，能够以最少的耗费创造最大的效益，从而在整体上提高DTW的效率。
车间孪生数据主要由物理车间相关的数据、虚拟车间相关的数据、WSS相关的数据以及三者融合产生的数据四部分构成。物理车间相关的数据主要包括生产要素数据、生产活动数据和生产过程数据等。生产过程数据主要包括人员、设备、物料等协同完成产品生产的过程数据，如工况数据、工艺数据、生产进度数据等。虚拟车间相关的数据主要包括虚拟车间运行的数据以及运行所需的数据，如模型数据、仿真数据以及评估、优化、预测等数据。WSS相关的数据包括从企业顶层管理到底层生产控制的数据、如供应链管理数据、企业资源管理数据、销售/服务管理数据、生产管理数据、产品管理数据等。以上三者融合产生的数据是指对物理车间、虚拟车间及WSS的数据进行综合、统计、关联、聚类、演化、回归及泛化等操作后产生的衍生数据。车间孪生数据为DTW提供了全要素、全流程、全业务的数据集成与共享平台，消除了信息孤岛。在集成的基础上，车间孪生数据进行深度的数据融合，并不断对自身的数据进行更新与扩充，是实现物理车间、虚拟车间、WSS的运行和两两交互的驱动。
数字孪生车间的参考系统架构，如图3-10所示。
图3-10 数字孪生车间的参考系统架构 [1]
该架构主要包括5层：1）物理层，主要指车间人、机、物等物理车间实体，以及物理车间对应生产活动的集合，负责产品生产加工的物理空间实现，同时具有自感知、自决策、底层数据采集与传输等功能；2）模型层，主要指DTW的虚拟车间及其承担的虚拟生产活动，包括虚拟车间的各类模型、规则、知识等，负责生产活动在虚拟空间的仿真、分析、优化、决策等；3）数据层，指车间孪生数据服务平台，负责为DTW的物理车间、虚拟车间和WSS运行提供数据支撑服务，并具备车间孪生数据的生成、处理、集成、融合等数据生命周期管理与处理功能；4）服务层，负责为车间生产提供智能排产、协同工艺规划、产品质量管理、生产过程管控、设备健康管理、能效优化分析等各类车间生产服务；5）应用层，主要指开展具体产品加工生产涉及的智能生产、精准管控、可靠运维等智能制造任务应用需求。
制造企业已逐步认识到信息流、物料流、控制流在生产执行过程中的重要性，并建立起诸如ERP、MES、SCADA等系统，实现了信息、物料、控制的有序流动。然而，在传统的制造模式中，信息流、物料流、控制流在生产执行各阶段仍然相互独立，缺乏有效整合，因而难以形成合力，从而制约了生产效率和系统智能化水平的进一步提高。具体分析如下。
1）在生产执行前，物料流尚未开始，以信息流为主导，计划部门制订生产计划时往往不考虑资源匹配或执行中资源到位情况，使得实际生产中计划难以按时完成，同时也缺乏必要手段来验证、评估和优化生产排程。
2）在生产执行中，以物料流为主导。目前MES通常采用自顶向下设计方法和层次控制结构，定义的功能模块往往只能确保父模块和子模块之间的通信而不能对底层变化做出反应，各工位端的设备实时状态（故障、修复、调试、运行等）和进度难以及时反馈至其他工位端和计划部门，造成信息流与物料流脱节；另外，SCADA主要用于数据采集与监视，在数据分析挖掘和实时数据驱动下在线仿真方面存在不足。
3）在生产执行一段时间后，由于缺乏物料流和信息流数据融合机制，无法形成完整的实时/历史数据集来复现生产过程，无法实现产品质量追溯和潜在价值信息挖掘以优化系统决策，形成精准可靠、行之有效的控制流。针对上述问题，以信息流、物料流和控制流在生产执行各阶段的交互与融合为主线，在数字孪生现有研究成果基础上，探索物理车间虚拟化和从虚拟车间到数字模型车间（Digital Model Shopfloor，DMS）、数字投影车间（Digital Shadow Shopfloor，DSS）、DTW模型构建及其演化规律，从而给出DTW运行机制。
下面从两个方面论述DTW的演化机理 [11] ：1）物理车间到信息空间的虚拟映射与重建，即物理车间虚拟化；2）从虚拟车间到数字孪生车间的进化过程，即数字孪生车间的演化。
图3-11描述了物理车间和虚拟车间模型。如图3-11a所示，生产车间是一个典型的层次结构，同时包括物理硬件（如过程控制传感器、执行器）和信息管理软件（SCADA、MES等）。如图3-11b所示，从轴向看，从CPS的可交互、可控制、可计算三个要求出发，三个轴分别从可视化模型、逻辑模型和数据模型三个维度来刻画物理车间；从周向看，三个不同维度又从三个层次实现了对生产车间各尺度的映射，如从对象可视化、组成要素、监控变量三个维度刻画了设备层，从布局可视化、组织结构、评价指标刻画了单元/产线层（子系统），从过程可视化、运行机制、系统决策刻画了车间层（复杂系统）。
图3-11 物理车间和虚拟车间模型 [9]
可视化模型旨在构建一个与物理车间在视觉效果上高度形似的虚拟车间，同时为后续应用提供一个人机交互平台，体现“可交互”性。它可分为对象可视化、布局可视化和过程可视化三个层次，为逐层递进关系，其中，对象可视化和布局可视化构建了虚拟车间的静态场景，过程可视化则描述了虚拟车间的动态运行过程。
1）对象可视化。对象可视化指基于图形学、机构学等实现生产对象几何外形和机械结构的映射。为实现对机床、机械手这类复杂设备的刻画，提出从几何属性、运动属性和功能属性三个方面实现对象的可视化。对象几何属性包括设备形状尺寸、外观颜色、纹理、材质等，可通过CAD软件实现；根据对象的装配关系建立对象拓扑结构，定义部件间拓扑关系，并添加相应物理属性（如关节速度、行程限制等），从而刻画对象运动属性；在运动属性的基础上，赋予其逻辑关系，将单个关节的运动按逻辑关系串联成一组有特定功能和意义的动作链（如机器人的抓取、复位等），形成对象功能属性。
2）布局可视化。基于可视化对象模型库，通过拖拽相应对象和输入其在车间坐标系下的位姿信息实现对象的精准定位；通过关联生产对象形成生产单元/产线；最后通过多联通图描述物流路径以串联起多个生产单元/产线，实现快速虚拟布局。
3）过程可视化。过程可视化指利用三维动画技术和虚拟漫游技术等实现对生产布局场景、设备加工过程和物料流转过程的虚拟漫游和场景再现。
逻辑模型通过对物理车间组成要素、组织结构和运行机制建模达到与物理车间“神似”的目的，通过生产计划/过程运行模拟和分析评价，实现对物理车间的优化，体现“可控制”性。逻辑模型可分为组成要素、组织结构、运行机制三个层次，前两层刻画了系统静态结构，而运行机制层则刻画了静态结构下各要素间的相互作用关系。
1）组成要素。将车间组成要素（控制设备、加工设备、物流设备、仓储设备、物流路径、生产对象、外部接口）分别映射为控制器、处理器、执行器、缓存器、物流路径、流动实体和虚拟服务节点7个基本逻辑元素，并通过图形化、形式化描述各要素的属性和行为。
2）组织结构。通过虚拟服务节点将7元素关联成服务单元，通过封装内部行为和对外接口，对外隐藏内部细节，对内自组织运行，实现对各类生产单元的映射和生产组织关系的刻画；进一步地，通过绑定物流路径、物流设备和虚拟服务节点形成物流路径网络模型，实现服务单元间的物流关联和物流组织关系的刻画。
3）运行机制。基于流动实体、服务单元、物流路径网络模型动态关联工艺、生产和物流，构建生产逻辑模型，实现物料在虚拟车间的有序逻辑流动，刻画系统运行机制。
数据模型通过构建数据采集通信、数据分析评价、数据辅助决策体系实现物理/虚拟车间的“契合”，体现“可计算”性，可分为监控变量、评价指标和系统决策三个层次。
1）监控变量。监控变量泛指一切可以从物理车间获得的设备运行参数、状态和生产信息等，涵盖不同数据来源（传感器、控制系统、PLC等）、不同数据格式（数字量、模拟量等）、不同采集对象（设备、产线、车间等）。用监控变量 V =<CUID，Obj，Var，Val，Uni，Ran>统一数据格式，其中，6个参数分别为全局唯一编号、监控对象名、监控变量名、监控值、单位、合理范围。某设备的实时状态可通过监控变量集来描述，以某五轴数控机床为例，其监控变量集 V Set ={启停状态，报警号，报警内容， X 坐标， Y 坐标， Z 坐标， A 摆角， B 摆角，主轴功率，主轴转速，主轴电流，加工速度，上电时间，NC程序当前行内容}。
2）评价指标。为表征设备/系统的状态和性能，对监控变量进行统计与分析以形成评价指标 N = f （ V 1 ， V 2 ，…， V 3 ），它为监控变量的函数。类似地，以某机床为例，其设备指标集N_Set={空闲率，故障率，全局设备效率（Overall Equipment Effectiveness，OEE）}。
3）系统决策。系统决策指根据设定目标对系统参数进行调节，决策依据是评价指标，最终作用于监控变量上。目标 T = f （ N 1 ， N 2 ，…， N n ）为评价指标的函数，以某生产系统为例，目标集T_Set={质量最高，成本最低，效率最高，性能最佳}。
通过可视化、逻辑、数据模型的建立可在信息空间快速构建出一个与物理车间几何高度相似、内部逻辑一致、运行数据契合的虚拟车间。在此基础上进一步探讨物理/虚拟车间到DMS、DSS和DTW的演化。借鉴Kritzingeer等对“数字孪生”的分类方法，将“数字孪生车间”分为DMS、DSS和DTW的三个演化阶段，各演化阶段物理/虚拟车间的数据集成程度逐步提高，最终实现物理/虚拟车间数据的深度融合，如图3-12所示。
图3-12 数字孪生车间的演化 [9]
图3-13中阶段①是生产要素管理的迭代优化过程，同时反映了DTW中物理车间与WSS的交互过程，其中WSS起主导作用。当DTW接到一个输入（如生产任务）时，WSS中的各类服务系统在车间孪生数据中的生产要素管理的历史数据及其他关联数据的驱动下，根据生产任务对生产要素进行管理及配置，得到满足任务需求及约束条件并且与其他相关环节关联的初始资源配置方案。WSS获取物理车间的人员、设备、物料等生产要素的实时数据，对要素的状态进行分析、评估及预测，并据此对初始资源配置方案进行修正与优化，将方案以管控指令的形式下达至物理车间。物理车间在管控指令的作用下，将各生产要素调整到适合的状态，并在此过程中不断地将实时数据发送至WSS进行评估及预测，当实时数据与方案有冲突时，WSS再次对方案进行修正，并下达相应的管控指令。如此反复迭代，直至对生产要素的管理最优。基于以上过程，阶段①最终得到初始的生产计划/活动。阶段①产生的数据全部存入车间孪生数据库，并与现有的数据融合，作为后续阶段的数据基础与驱动 [1] 。
图3-13中阶段②是生产计划的迭代优化过程，同时反映了DTW中WSS与虚拟车间的交互过程，在该过程中，虚拟车间起主导作用。虚拟车间接收阶段①生成的初始的生产计划/活动，在车间孪生数据中的生产计划及仿真分析结果的历史数据、生产的实时数据以及其他关联数据的驱动下，基于要素、行为及规则模型等对生产计划进行仿真、分析及优化，保证生产计划能够与产品全生命周期各环节及企业各层相关联，并能够对车间内部及外部的扰动具有一定的预见性。虚拟车间将以上过程中产生的仿真分析结果反馈至WSS，WSS基于这些数据对生产计划做出修正及优化，并将生产计划再次传至虚拟车间。如此反复迭代，直至生产计划最优。基于以上过程，阶段②得到优化后的预定义的生产计划，并基于该计划生成生产过程运行指令。阶段②中产生的数据全部存入车间孪生数据库，与现有数据融合后作为后续阶段的驱动。
图3-13 数字孪生车间的运行机制 [1]
图3-13中阶段③是对生产过程的实时迭代优化过程，同时反映了DTW中物理车间与虚拟车间的交互过程，其中物理车间起主导作用。物理车间接收阶段②的生产过程运行指令，按照指令组织生产。在实际生产过程中，物理车间将实时数据传至虚拟车间，虚拟车间根据物理车间的实时状态对自身进行状态更新，并将物理车间的实际运行数据与预定义的生产计划数据进行对比。若二者数据不一致，则虚拟车间对物理车间的扰动因素进行辨识，并在扰动因素的作用下对生产过程进行仿真。虚拟车间基于实时仿真数据、实时生产数据、历史生产数据等车间孪生数据，从全要素、全流程、全业务的角度对生产过程进行评估、优化及预测等，并以实时调控指令的形式作用于物理车间，对生产过程进行优化和控制。如此反复迭代，直至实现生产过程最优。该阶段产生的数据存入车间孪生数据库，与现有数据融合后作为后续阶段的驱动。
通过以上三个阶段，车间完成生产任务并得到生产结果（如产品），生产要素相关信息存入WSS中，开始下一轮生产任务。通过阶段①、②、③的迭代优化，车间孪生数据被不断更新与扩充，DTW也得到不断的进化和完善。
DTW虚实融合的特点主要体现在以下两个方面。1）物理车间与虚拟车间是双向真实映射的。首先，虚拟车间是对物理车间高度真实的刻画和模拟。通过虚拟现实、增强现实、建模与仿真等技术，虚拟车间对物理车间中的要素、行为、规则等多维元素进行建模，得到对应的几何模型、行为模型和规则模型等，从而真实地还原物理车间。通过不断积累物理车间的实时数据，虚拟车间真实地记录了物理车间的进化过程。反之，物理车间忠实地再现虚拟车间定义的生产过程，严格按照虚拟车间定义的生产过程以及仿真和优化的结果进行生产，使生产过程不断得到优化。物理车间与虚拟车间并行存在，一一对应，共同进化。2）物理车间与虚拟车间是实时交互的。在DTW运行过程中，物理车间的所有数据会被实时感知并传送给虚拟车间。虚拟车间根据实时数据对物理车间的运行状态进行仿真、优化、分析，并对物理车间进行实时调控。通过物理车间与虚拟车间的实时交互，二者能够及时地掌握彼此的动态变化并实时地做出响应。在物理车间与虚拟车间的实时交互中，生产过程不断得到优化。
WSS、物理车间和虚拟车间以车间孪生数据为基础，通过数据驱动实现自身的运行以及两两之间的交互。具体体现在以下三个方面。1）对于WSS：首先，物理车间的实时状态数据驱动WSS对生产要素配置进行优化，并生成初始的生产计划；随后，初始的生产计划交给虚拟车间进行仿真和验证；在虚拟车间仿真数据的驱动下，WSS反复地调整、优化生产计划直至最优。2）对于物理车间：WSS生成最优生产计划后，将计划以生产过程运行指令的形式下达至物理车间；物理车间的各要素在指令数据的驱动下，将各自的参数调整到适合的状态并开始生产；在生产过程中，虚拟车间实时地监控物理车间的运行状态，并将状态数据经过快速处理后反馈至生产过程中；在虚拟车间反馈数据的驱动下，物理车间及时反应，优化生产过程。3）对于虚拟车间：在产前阶段，虚拟车间接收来自WSS的生产计划数据，在生产计划数据的驱动下仿真并优化整个生产过程，实现对资源的最优利用；在生产过程中，在物理车间实时运行数据的驱动下，虚拟车间通过实时的仿真分析及关联、预测及调控等，使生产能够高效进行。DTW在车间孪生数据的驱动下，被不断地完善和优化。
DTW的集成与融合主要体现在以下三个方面。1）车间全要素的集成与融合：在DTW中，通过物联网、互联网等信息手段，物理车间的人、机、物、环境等各种生产要素被全面接入虚拟空间，实现了彼此间的互联互通和数据共享；生产要素的集成与融合，实现了对各要素合理的配置和优化组合，保证了生产的顺利进行。2）车间全流程的集成与融合：在生产过程中，虚拟车间实时监控生产过程的所有环节；在DTW的机制下，通过关联、组合等作用，物理车间的实时生产状态数据在一定准则下被自动分析、综合，从而及时挖掘出潜在的规律和规则，最大化地发挥了车间的性能和优势。3）车间全业务的集成与融合：由于DTW中WSS、虚拟车间和物理车间之间通过数据交互形成了一个整体，车间中的各种业务（如物料配给与跟踪、工艺分析与优化、能耗分析与管理等）被有效集成，实现数据共享，消除信息孤岛，从而在整体上提高了DTW的效率。全要素、全流程、全业务的集成与融合为DTW的运行提供了全面的数据支持与高质量的信息服务。
在DTW中，物理车间、虚拟车间和WSS两两之间不断交互、迭代优化。具体体现在以下三个方面。1）WSS与物理车间之间通过数据双向驱动、迭代运行，使得生产要素管理最优。WSS根据生产任务产生资源配置方案，并根据物理车间生产要素的实时状态对其进行优化与调整。在此迭代过程中，生产要素得到最优的管理及配置，并生成初始生产计划。2）WSS和虚拟车间之间通过循环验证、迭代优化，达到生产计划最优。在生产执行之前，WSS将生产任务和生产计划交给虚拟车间进行仿真和优化。然后，虚拟车间将仿真和优化的结果反馈至WSS，WSS对生产计划进行修正及优化。此过程不断迭代，直至生产计划达到最优。3）物理车间与虚拟车间之间通过虚实映射、实时交互，使得生产过程最优。在生产过程中，虚拟车间实时地监控物理车间的运行，根据物理车间的实时状态生成并反馈优化方案，指导物理车间的生产 [12] 。在此迭代优化中，生产过程以最优的方案进行，直至生产结束。DTW在以上三种迭代优化中得到持续的优化与完善。