下载掌阅APP，畅读海量书库
立即打开
数字孪生车间概念提出之后，北京航空航天大学的陶飞等人紧接着给出了数字孪生车间的参考架构，同时对物理车间异构要素融合、虚拟车间多维模型融合、车间物理-信息数据融合、车间服务/应用融合等关键问题进行了研究分析。从物理融合、模型融合、数据融合和服务融合4个维度，系统地探讨了实现数字孪生车间信息物理融合的基础理论与关键技术，进一步完善数字孪生车间理论，为企业实践落地数字孪生车间提供了理论参考。
基于数字孪生车间理论参考模型，制造企业及相关科研机构在航空航天、汽车制造、造船、能源动力等工业领域展开了广泛的实践。
在航空航天领域。北京理工大学的赵浩然、刘检华等人针对数字孪生车间的实时可视化监控难题，提出一种基于实时信息的生产车间三维可视化监控方法 [13] 。他们分析了数字孪生车间与三维可视化实时监控之间的关系，提出一种多层次的三维可视化监控模式和实时数据驱动的虚拟车间运行模式，对基于实时信息的生产车间三维可视化实时监控方法的4个关键实现技术（虚拟车间几何建模、车间实时数据管理、车间多层次三维可视化监控和车间状态看板构建方法）进行了详细阐述。并面向卫星制造车间设计开发了孪生车间的可视化实时监控系统。
北京航空航天大学的刘蔚然、陶飞等人基于数字孪生车间理论构建了数字孪生卫星总装车间，实现对卫星总装车间的数字化映射与智能化管控 [14] 。数字孪生卫星总装车间在实际卫星生产过程中，具体实现工艺的规划与仿真、物流的智能配给、总装过程监控与快速调度、全要素管理与配置，以及总装过程中卫星的系统功能虚拟集成与验证、全流程质量分析追溯、整星虚拟测试等。西北工业大学的常笑、贾晓亮针对飞机大修车间的感知能力不足、决策实时性差、动态响应能力不足等问题，提出一种知识驱动的飞机大修数字孪生车间主动管控方法，并设计了一种实现框架。
在汽车制造领域，上海大学的刘丽兰等人针对轿车底盘装配车间构建了对应的数字孪生车间，解决了装配车间多源异构数据的通信与采集，以物理装配车间运行装配机理构建虚实映射规则和行为准则，实现数字孪生车间的实时同步运作，最终基于数字孪生车间实现了对轿车底盘装配过程的实时远程监控和设备故障预警 [15-16] 。
在能源领域，东南大学的严兴煜、高赐威等人面向发电厂基于数字孪生车间理论，在电力专业领域提出了数字化电厂的概念，并给出了数字孪生电厂的总体框架及其关键技术 [17] 。华北电力大学的房方、姚贵山等基于数字孪生车间的理论，针对并网风电机组构建了风力发电机组的数字孪生系统、综合机理与数据方法，搭建了各子系统实时动态模型；通过对数据信息流的有效组织，解决了风电机组和数字孪生系统之间的数据实时通信、精准映射及可视化呈现问题；应用多模型数字线程交互技术，实现了对风电机组整机动态载荷的实时模拟。
综合数字孪生车间在各制造细分领域的实践应用案例，可以发现当前数字孪生车间的实践应用主要集中在对物理车间的实时同步虚拟仿真、可视化远程监控，以及基于车间大数据的设备故障分析。当前面向不同制造场景下构造的数字孪生车间框架和其构建方法并不具有通用性，不同细分领域孪生模型的构建机理也存在很大差别。为了提高孪生模型开发的效率和质量，孪生模型的标准化甚至模块化开发正在变得愈发重要。此外，当前的数字孪生车间实践处于起步阶段，数字孪生车间有待进一步与大数据、人工智能算法结合，真正实现信息物理深度融合与智能决策。
随着工业信息系统、5G网络、人工智能和机器学习、工业大数据等技术的快速发展与成熟，数字孪生车间在智能制造领域和车间装备智能维护领域展现了良好的前景，逐步获得来自军民两个领域的重视，包括离散制造、航空航天、新能源等行业均开始持续关注和探索数字孪生车间在其相应领域的应用以及数字孪生车间背后的关键技术和应用潜力。然而，数字孪生车间理论所描绘的美好愿景与工业与装备领域的现实技术水平间存在着巨大的鸿沟，很多基础性的技术要求仍不具备，具体体现在如下几个方面。
1）多行业的数字化设计水平较低。航空航天、汽车制造等行业的优势更多体现在集成创新层面，基础设计能力水平仍然不高，很多传统行业的数字化设计水平较低，缺乏支撑数字孪生技术体系构建所需的基础数学模型、仿真模型，尤其是关键核心部件或工艺过程的数字化仿真能力欠缺，成为制约数字孪生车间孪生模型构建的最大瓶颈。
2）复杂工业系统和复杂装备数据价值较低。在现有典型复杂工业系统领域或复杂装备领域，随着大数据概念和技术的推广，以及诊断、预测和健康管理需求的不断增加，数据中心或增强的工业信息化系统平台大都具备对工业大数据的存储和管理能力，尤其近年不断积累了一定量的历史数据，覆盖仿真、设计验证、测试和试验、在线运行、维护和维修等全寿命周期的不同环节，但这些数据限于工业数据和高度关联于不同行业领域的专家经验，而数据分析师和领域工程师间尚存在一定割裂，无论是管理机制、技术体制还是从业人员专业能力均存在局限。加之，已有累积数据质量较差，价值过低，与现实迫切的需求难以匹配，数据源已经成为当下和未来一段时间制约数据分析和利用，乃至构建有价值的数字孪生车间的基本性瓶颈。
3）成本和收益、研究和应用间的差距短期内难以消除。装备领域由于其特殊性，对成本和收益尚不敏感，但过小的规模和领域的特殊性决定了短期内无法取得较大突破。而可能取得大规模应用和技术应用突破的工业领域，限于成本和收益的矛盾，尤其短时间内无法解决的收益模式和收益量化的问题，会在某个阶段或技术推广时间节点前成为现实制约。
综上所述，构建多领域通用的、更智能化的数字孪生车间需要多种关键技术的共同作用，包括人工智能技术、知识图谱技术、多传感器融合技术、寿命预测技术、数据分析技术、支撑试验和验证技术。而大多技术目前仅在某一特定领域有局部突破，距离综合形成大规模应用还有一定的距离，有待进一步的发展。