下载掌阅APP，畅读海量书库
立即打开
从先进制造业的国家发展战略演进角度，无论是美国的从“去工业化→工业化→以软带硬”的工业互联网战略到美国国家先进制造战略计划，德国的从机械化、电气化、信息化到以硬带软的工业4.0的制造业创新发展战略，还是中国的“信息化带动工业化→工业化促进信息化→两化融合/深度融合→中国制造2025”的融合演进的制造强国发展战略，都是期望通过信息物理融合来实现智能制造。智能制造是当前世界制造业的共同发展趋势 [31] 。
数字孪生是实现信息物理融合的有效手段。数字孪生能够实现智能制造物理空间与虚拟空间之间的虚实映射与双向交互，形成“数据感知-实时分析-智能决策-精准执行”实时智能闭环，将物理空间的实况数据与虚拟空间的仿真预测等数据进行全面交互与深度融合，从而增强虚拟空间与物理空间的同步性与一致性。
统计当前发表的数字孪生研究成果发现：数字孪生与智能制造领域的智能装备、智能工厂、智能服务等结合的论文最多，占当前所发表的数字孪生论文总数的一半以上。在工业界，西门子、戴姆勒、ABB等践行智能制造的企业发表数字孪生研究成果数量最多。相关统计结果表明，学术界和工业界将数字孪生作为践行智能制造的关键使能技术之一。
如图1-3所示，随着传统信息技术向新一代信息技术的演进，新一代信息技术促进了CPS和数字孪生的出现和发展，CPS和数字孪生又为智能制造的实施提供有效手段。
图1-3 CPS和数字孪生的演进 [32]
在谈工业4.0及智能制造时，我们很容易混淆数字孪生和CPS。数字孪生在虚拟空间中创造高度仿真的虚拟模型，以模拟物理空间中发生的行为，并向物理空间反馈模拟结果或控制信号。这种双向动态映射过程与CPS核心理念极其相似，因此很容易让人当成一回事。
从功能上讲，数字孪生与CPS都是为了使企业能够更快、更准地预测和检测现实工厂的生产现场状态，并从中发现问题进而优化生产过程，提升产品质量。CPS被定义为计算过程和物理过程的集成，而数字孪生则是使用物理系统的数字模型进行模拟分析，实施优化。
在制造场景中，CPS与数字孪生都包括真实物理空间和虚拟空间，真实的生产活动在物理空间完成，而智能化的数据管理、分析和计算则由虚拟空间的各种应用程序和服务来完成。物理空间感知并收集数据，虚拟空间分析数据、处理数据并做出预测和决策。物理空间和虚拟空间之间无处不在的物联网（Internet of Things，IoT）连接，是实现交互的基础。
具体比较，CPS和数字孪生各有所侧重。CPS强调计算、通信和控制功能，传感器和控制器是CPS的核心组成部分，面向的是工业物联网基础下的信息与物理空间融合的多对多连接管理 [32] 。数字孪生则更多地关注虚拟模型，根据模型的输入和输出，解析和预测物理空间的行为，强调虚拟模型和物理实体的一对一映射关系。相比之下，CPS可以解读为基础理论框架，而数字孪生可以理解为对CPS的工程实践。
虚拟仿真是实现数字孪生的基础技术。在工厂规划与流程再造中，虚拟仿真是常用的技术手段。比如西门子的Tecnomatix就是比较成熟的生产系统虚拟仿真软件。数字孪生与虚拟仿真的主要区别在于，数字孪生要求实现真实物理工厂和虚拟数字工厂之间不断的循环迭代，数字孪生构建的虚拟数字工厂需要用到的虚拟仿真是高频次、不断迭代演进的，而且贯穿工厂的全生命周期。虚拟仿真是通过将包含确定性规律和完整机理的模型转化成软件的方式来模拟物理实体。只要模型正确，输入信息和环境数据完整，仿真就可以基本正确地反映物理实体的特性和参数，但不会涉及对物理实体的动态反馈。因此，虚拟仿真只是通过创建和运行数字孪生体来保证数字孪生体与对应物理实体实现有效闭环的一种技术，是实现数字孪生的诸多关键技术之一，不能把它跟数字孪生混为一谈。
此外，需要进一步区分数字孪生与计算机辅助设计（Computer Aided Design，CAD）模型。CAD模型是在虚拟空间中对物理实体几何形状和特征的表示，同时可以具有质量、材料等物理属性。当完成某个阶段的CAD设计时，相应的CAD模型就完成了。然而，数字孪生与物理实体则紧密相连，如果物理实体没有被制造出来，那么就没有它对应的数字孪生。从全生命周期的角度看，每个阶段的CAD模型是相互独立、互不连通的；而数字孪生是不断迭代并向前演化的，同时可以对物理实体进行反馈指导与虚拟验证。
对高保真三维CAD模型赋予各种属性（如材料属性、物理属性等）及功能（如运动功能、感知功能等）就形成了相应的数字孪生模型，从而帮助工程师进行产品全生命周期的虚拟验证，提前预测并消除产品可能存在的质量问题，从而缩短试验周期，降低试验成本，提高设计和生产效率。需要指出的是，数字孪生模型往往存储在图形数据库中，而非传统的关系数据库。
通过以上分析可知，CAD模型是物理实体的简单表示，数字孪生是物理实体复杂的虚拟映射。在CAD模型基础上，通过互联网、大数据、人工智能等新一代信息技术，数字孪生逐渐演化成一个复杂的相互关联的生态系统，该系统是一个高保真的、动态的三维模型，也是物理实体的完美数字替身。
半物理仿真又称为硬件在环仿真（Hardware-In-the-Loop Simulation，HILS）或半实物仿真，是利用仿真模型替代一部分物理实物，并与其他物理实物构成实时回路的一种系统实时仿真方法。半物理仿真出现于20世纪50年代，早期主要应用于武器装备（如导弹、核弹、战斗机等）的研制和测试，具有缩短研制周期、降低试验成本、减少试验危险性等优势。随着计算机控制技术的发展及其在机电系统中的广泛集成，半物理仿真在航空、航天、汽车、核动力、机器人等多个领域中得到了广泛应用。
近年来，装备系统结构越来越趋于复杂化，形成了集机械、电子、控制、液压等多领域的连续-离散混合的复杂系统。并且，建模仿真技术作为系统研究方法和手段的重要支撑技术，也呈现出多样化，如控制系统建模仿真软件Simulink、液压系统建模仿真软件AEMSim、运动系统仿真软件Motion、多领域系统建模仿真语言Modelica等，其中基于Modelica的建模仿真技术应用越来越广泛，已成为复杂系统的主流建模仿真技术。
半物理仿真作为装备系统仿真方法的一个重要组成部分，正逐渐由面向特定领域的简单系统仿真转变为面向多领域的复杂系统仿真，并且仅支持Simulink一种模型的半物理仿真技术已不能满足装备系统研发应用需求。面对装备系统结构越来越复杂化、建模仿真技术多样化等问题，半物理仿真技术如何发展，其应用如何更好地适用未来复杂系统，已成为亟待讨论和解决的首要任务 [33] 。
半物理仿真系统通常由物理构件、数字模型、信号调理单元、上位机/综合管理软件及支持数字模型运行的仿真机软硬件设备组成，如图1-4所示。数字模型以软件形式在仿真机硬件设备上运行，仿真机硬件设备与物理构件之间通过信号调理单元建立连接。为了控制与监测仿真机运行情况，上位机中一般包括综合管理软件，用于实现模型下载、变量监视、在线调参及仿真机运行控制等基本的半物理仿真功能。
图1-4 半物理仿真系统组成
与传统的数字仿真相比较，半物理仿真系统中用部分物理构件替换数字模型，发展了系统研究方法，也提高了系统仿真的可信度。其主要特性体现在以下几个方面 [34] 。
1）低建模难度。对于系统仿真而言，仿真的准确度与模型的精确度密切相关，系统中某些子系统很难或无法建立精确子模型，将直接影响系统整体仿真的准确度。而半物理仿真系统中，可以利用物理构件实物代替无法建立精确模型的子系统，从而降低建模难度，并实现系统整体仿真。
2）强实时。由于真实物理构件是在物理时间域运行的，这就要求半物理仿真系统中的数字模型必须与物理构件保持时间同步，从而使得半物理仿真系统整体以强实时方式运行。与全数字模型仿真的非实时和软实时相比，强实时仿真更贴近真实物理空间，半物理仿真结果与实物运行结果具有更好的一致性。
3）高可信度。由于半物理仿真系统引入了真实物理构件，可以替代某些低精确度子系统模型，因此在仿真过程中可以实现对模型参数的校正，以及对无法测量参数的辨识，显著提高了仿真结果的可信度。
4）实现极限工况仿真。使用真实物理构件代替部分数字模型，在提高仿真可信度的同时，还可以对研究对象进行极限工况的仿真，避免了真实环境下实验测试的安全危害，也降低了实验成本。
半物理仿真与数字孪生均具有强实时、高可信度的特点。另外，从虚实交互的角度，半物理仿真与数字孪生具有一定的相似性。半物理仿真系统由物理实体、虚拟模型和数字模型构成，它们相互作用并相互影响，缺少任何一部分系统即陷入瘫痪，彼此依赖程度很高。而数字孪生是物理实体的完美映射，物理空间与虚拟空间是两个相互平行的系统，物理实体和数字孪生系统分别独立存在、独立运行。
元宇宙出自1992年出版的科幻小说作家尼尔·斯蒂芬森的《雪崩》（见图1-5）。美国的Roblox认为“元宇宙”用来描述虚拟宇宙中持久的、共享的、三维虚拟空间。该空间具备8个关键特征，即身份（Identity）、朋友（Friend）、沉浸感（Immersiveness）、低延迟（Low Friction）、多样性（Variety）、随地（Anywhere）、经济（Economy）、文明（Civility），文明是最终发展方向。
图1-5 元宇宙发展进程
对于元宇宙的概念，目前尚无统一的定义，表1-2总结了不同学者/机构对元宇宙的定义。
数字孪生和元宇宙都是在创造数字世界中的虚拟对象，但本质上完全不同。元宇宙定位于在虚拟的数字化形态下的永生，和物理空间是弱关联的，最好是脱离物理空间自由发展 [35] ；但数字孪生要求必须和物理空间对象进行强绑定，实现虚实互动的闭环，让人们能够更好地控制和预测物理空间，提高物理空间效率与安全性。
表1-2 不同学者/机构对元宇宙的定义
数字孪生的目的不是脱实向虚，而是通过核心技术优化重塑一个更美好的物理空间。换句话说，在元宇宙世界中我们可以铺张浪费（消耗的只是算力、存储和带宽），在现实的物理空间中我们通过数字孪生来精打细算。
数字孪生和平行系统的提出和发展具有相似的技术背景，都是伴随着物联网、新一代人工智能等技术的发展而逐步引起重视的。一方面，高精度传感器、高速通信和物联网等技术的发展使虚拟模型和物理实体之间的实时交互成为可能；另一方面，大数据、机器学习等技术的发展和推广使数据的价值得以凸显。两者都是以数据驱动来构建与物理实体相对应的虚拟系统，并在虚拟系统上进行实验、分析，解析并优化控制难以用数理模型分析的复杂系统。但是，数字孪生与平行系统是两类不同的原创范式，在核心思想、研究对象、基础设施和实现方法等方面都存在一定的区别 [36-37] 。
1）核心思想不同。数字孪生的核心思想是预测控制的牛顿定律，平行系统则以引导型的默顿定律
控制和优化系统。在给定当前系统状态与控制的条件下，可以通过解析的方式求解下一时刻状态，从而精确预测其行为的系统称为牛顿系统，如CPS。与牛顿系统相对应的是系统行为能够被默顿定律影响或引导的默顿系统。
2）研究对象不同。数字孪生研究的是由虚拟空间和物理空间组成的CPS，平行系统主要针对社会网络、信息资源和物理空间深度融合的CPSS（Cyber-Physical-Social Systems，社会物理信息系统）。
3）基础设施不同。数字孪生的基础设施是数字双胞胎，主要由物理实体和描述它的数字镜像组成，数据是连通物理实体和数字镜像的桥梁，以实现在虚拟空间中实时映射物理实体的行为和状态。平行系统的基础设施是由物理子系统、描述虚拟子系统、预测虚拟子系统、引导虚拟子系统构成的数字四胞胎（见图1-6），以实现对物理系统的描述、预测、引导。
图1-6 平行系统的基础设施 [36] （见彩插）
4）实现方法不同。数字孪生主要基于物联网传感数据和仿真来构建物理实体的数字镜像。平行系统主要通过多智能体方法进行建模。在技术层面，数字孪生强调对物理系统相关数据进行全部且高精度获取，系统或数据之间的关联模型要尽可能精确并可靠。平行系统不过分要求数据的完备性、准确性与可靠性，特别是对于环境数据和与效用相关的社会资源数据，因为它可以生成环境（场景）和资源数据，也可以做计算实验，同时，并不过分要求模型的准确性，建模难度大大降低。
按照我国国家标准《机械产品数字样机通用要求》中的规定，数字样机（Digital Mock-Up，DMU）是对机械产品整机或具有独立功能的子系统的数字化描述，这种描述不仅反映了产品对象的几何属性，还至少在某一领域反映了产品对象的功能和性能。
随着三维CAD软件的不断发展，DMU的形式和内涵都发生了很大变化，最初仅仅是为了展示产品并表达设计意图，而后便逐渐深入产品研制的各阶段活动中。以空中客车公司（以下简称空客）为例，DMU逐渐演化出可配置的DMU（Configured DMU，CDMU），功能性的DMU（Functional DMU，FDMU）和工业DMU（industrial DMU，iDMU），如图1-7所示。
空客认为，完整的DMU应由三维模型、产品结构和产品属性组成；其中产品结构描述三维模型的层次依赖和组织关系，产品属性则描述三维模型的状态。这种数据组织方式被称为CDMU，如图1-8所示。
图1-7 空客DMU的演化
图1-8 空客对CDMU的定义
为了在数字化产品创建早期丰富DMU的功能和行为，空客提出了FDMU。FDMU以DMU为载体，提取部件并赋予其物理意义，支撑需求与功能分析、系统架构设计以及综合性能仿真等工作。
由于CDMU与FDMU侧重于设计阶段，为了探索如何利用DMU优化制造过程，空客在A320neo新型号研制中使用了区别于并行工程的协同工程与配套的工业DMU概念。在车间制造环节，车间的生产偏差等真实数据必须作为工程设计环节的输入被赋予iDMU，并不断迭代。当制造环节结束后交付物理产品时，工程设计环节产生的是一个包含真实物理产品数据的as-built iDMU，它是制造成品完整的数字化定义。
1）DMU是对设计活动的描述，即描述设计者对产品的理想定义。换言之，设计者在设计产品时会给出精确的尺寸数据、产品结构、重心分布、装配关系等信息。显而易见，真实的产品由于加工、装配、使用等实际因素，与设计数据很难一致；而在此基础上开展的仿真分析，其有效性也同样受到限制。所以说DMU虽然反映了设计理性，定义了理想产品，却并不能准确反映实际产品系统的真实情况。
2）数字孪生是对物理实体的表征。数字孪生的构建是一个在虚拟空间中对物理实体的工作状态和工作进展开展全要素重建及数字化映射的过程，数字孪生具有实时、动态和双向的特点，结合数据分析技术，可以提供实时预警、预测性维护和动态优化等能力。然而无论如何完善数字孪生，它总是不可能完全等同于物理实体，而只能是高度近似 [39] 。因此，数字孪生是在虚拟空间中物理实体的表征。
综上所述，结合胡虎等 [40] 构建的三体智能理论，数字样机与数字孪生作为定义理想产品和描述实体产品的2个方面，完全可以有机地统一在数字虚体、机器实体、意识人体构成的CPS之中，如图1-9所示。可以发现，数字样机反映了设计者的意识，而数字孪生体现了赛博空间、物理空间和意识空间的高度融合，因此数字孪生将成为人类与机器深度沟通的“中间件”。
图1-9 数字孪生与三体智能理论
国际系统工程师协会（INCOSE）将系统工程定义为一种能够使系统实现跨学科的方法和手段。系统工程专注于在系统开发的早期阶段定义并文档化客户需求，然后再考虑系统运行、成本、进度、性能、培训、保障、试验、制造等问题，并进行系统设计和确认。
由此可见，系统工程可被应用于建立跨学科的复杂大系统，通过对系统的组成、结构、信息流等进行科学的、有条理的研究和分析，使学科与学科之间、子系统与子系统之间以及系统的整体与局部之间相互协调和配合，从而优化系统的运行，更好地实现系统的目的 [41] 。
伴随着需求的增长和技术的革新，传统工业逐渐向智能化、数字化转型。在新的工业环境下，系统复杂度提升所产生的庞大信息量与数据量给传统的基于文档的系统工程带来了前所未有的挑战。于是，随着模型驱动的系统开发方法的兴起，特别是在软件领域，人们将模型驱动与系统工程相结合，提出了基于模型的系统工程方法（Model-Based Systems Engineering，MBSE）。
MBSE强调贯穿于全生命周期的技术过程的形式化建模，建立的系统模型既解决了项目经验积累和复用的问题，也通过多视角的系统顶层需求建模与系统架构建模，为复杂系统或体系的向下分解与及时验证提供了模型依据，体现了整体论与还原论的辩证统一；而针对物理层构建的各专业领域（机械、电子、流体、力学、气动等）的物理模型，也体现了对具体实现技术的描述，使系统工程不再仅仅是使能技术，还包含了完整的工程实现所需的技术集合。可以看见，MBSE与传统的系统工程最主要的区别是贯穿于全生命周期的技术过程的形式化建模，重点在形式化，而不是有无建模 [42] 。
当前，MBSE已成为创建数字孪生的框架，数字孪生可以通过数字主线集成到MBSE工具套件中，进而成为MBSE框架下的核心元素。而从系统生命周期的角度，MBSE又可以作为数字主线的起点，使用从物联网收集的数据，运行系统仿真来探索故障模式，从而随着时间的推移逐步改进系统设计。
随着产品复杂度和业务复杂度的增加，企业正在或即将面临数据量急剧增加的挑战，数据质量和数据的及时性已经开始影响前端业务的正常开展，将数据服务化，通过“数据+模型”驱动价值创新将成为企业差异化竞争的关键。很多工业企业都开始认识到数据的价值，甚至把数据比喻为石油，但让企业头疼的是工业数据种类繁多、数据格式纷繁复杂。而且，这些数据散落在各个孤立的信息系统、桌面计算机或工控设备甚至各种杂乱无章的纸质单据中。因此，工业企业迫切需要做的是让这些数据流动起来，将其转化为企业创新和转型的动力。于是，数字主线（Digital Thread）概念开始进入企业管理层的视野。
数字主线概念最先于2003年由美国空军（USAF）和洛克希德·马丁（Lockheed Martin）公司在联合研发的F-35闪电Ⅱ项目中提出。数字主线技术实现了设计数据和制造数据的打通，从而极大地提升了战斗机制造和装配的自动化程度 [43] 。在制造过程中，可直接基于三维设计模型进行NC（Numerical Control，数字控制）编程、三坐标尺寸校验和工装设计等。这些模型还被用于持续保障中的培训和维护。洛克希德·马丁公司在PDM（Product Data Management，产品数据管理）系统中实现了数字主线，成为设计制造协作以及与全球合作伙伴和供应商协同的基础，大大提升了设计和制造效率以及数据准确性。
GE公司在2015年成立数字化事业部后，推出了全球第一个工业互联网平台——Predix。随后，GE数字化事业部开始大力提倡基于Predix的数字主线概念，使其在业界广为流传，如图1-10所示。GE数字化事业部认为数字主线是贯通整个价值流的数据连接，它使数据资产成为驱动业务和决策自动化的关键，从而使企业获得全面的洞察。数字主线代表了整个产品生命周期中所有端到端业务流程所关联的数据和信息，能帮助企业缩短交货周期、增加盈利能力及提高客户满意度等。
图1-10 GE公司数字主线概念 [44]
综上所述，数字主线就是打通产品全生命周期（研发、制造、营销、服务等）、全价值链（用户、供应链、物流等）的数据链路，以业务为核心对这些数据进行解耦、重构和复用，以支撑新的以客户为中心的商业模式，提升企业运营效率，加快业务创新能力，提升用户体验。数字主线的目标是在正确的时间，以正确的方式，向正确的人提供正确的信息。通过产品数字主线，可以快速往前或往后查询到产品各阶段数据，如图1-11所示。例如，设计工程师可以实时在线获取已交付产品的运行状态及故障数据，从而在设计环境中进行仿真分析，实现产品快速迭代和质量问题闭环；服务工程师可在服务现场快速追溯产品结构、设计模型、生产记录以及备件信息等。
对于产品复杂、质量要求高、生命周期长的工业企业而言，数字主线具有不可估量的价值。这也是航空航天与国防行业最先采用数字主线技术的主要原因。以飞机为例，一架单通道大型客机的零部件数量在10万个以上，涉及全球几百家航电系统和零部件供应商，交付后正常使用寿命在20年以上。为了保障飞机的飞行安全和适航要求，需要按单架次管理和维护产品数据、变更记录、生产记录、供应商信息以及所有的维修和维护记录等，以保证所有的设计更改都能够落实到生产制造过程和交付运营的飞机中，并且在运营维护过程中可以追溯到设计、制造、供应商和服务等相关的所有数据。为了达到这个目的，波音公司于1994年启动了定义和控制飞机配置/制造资源管理（Define and Control Airplane Configuration/Manufacturing Resource Management，DCAC/MRM）计划，整整历时10年，耗资数十亿美元推进飞机设计和制造的数字化改造，以达到打造单一产品数据源、简化产品配置管理和精简作业流的目的，其复杂度和难度可想而知。而数字主线能够帮助企业整合全生命周期产品数据，实现全价值链端到端的可追溯性，并基于此开展跨越研发、制造、服务和供应链的协作和业务应用，确保产品质量合规，获得可持续的竞争优势。
图1-11 产品数字主线 [44] （见彩插）
基于模型的企业（Model Based Enterprise，MBE）是很多工业企业发展的目标，其将产品的完整定义都通过数字化模型（主要是三维模型）进行表达，并扩展应用到产品全生命周期的所有活动中；其核心是使用模型来驱动产品全生命周期的各个业务活动，保证数据的一致性和重用性。当前，先进企业也仅仅实现了基于模型的定义（Model Based Defnition，MBD），尚无法实现模型的持续性和开展模型驱动的业务。数字主线与MBD的结合将促进MBE快速落地。随着这种技术的不断发展，制造业的信息传递手段将从图纸、文件转换为数字模型，乃至AR/VR。
此外，数字主线使企业数据触手可及，给企业带来了前所未有的数据洞察能力，以及巨大的想象空间。我们可以借助移动终端和AR/VR技术，增强智能工厂操作人员或者服务现场维修人员的使用体验；借助基于数字主线的数字孪生技术，实现产品的远程监控、健康诊断、预测性维护，提升产品质量和产品性能，降低非计划停概率。
随着物联网和大数据技术的发展，实现数字孪生的许多关键技术都已成熟，如多物理量和多维度建模、健康预测分析模型等。但要实现对产品或系统的全面预测分析，数字孪生还需要大量的数据支撑。这些数据包括来自PLM的计算机辅助设计（Computer Aided Design，CAD）/计算机辅助工程（Computer Aided Engineering，CAE）模型和设计数据，来自ERP
/MES的制造履历和供应商数据，来自服务系统的备件、维修记录等数据，以及来自物理产品的性能、工况和环境参数等。实际数据还远远不止这些。另外，数字孪生代表的是实例化的物理产品，与物理产品的数量是1∶1的关系，那么构建其数字孪生体的数据一定也是特定的、实例化的。这就需要集成和融合跨领域、跨专业、跨组织和跨系统的数据及专业知识，而这正是数字主线的核心能力。
数字孪生和数字主线是企业数字化转型的两大核心技术，两者相辅相成、相互促进，如图1-12所示。数字主线是一个连续、无缝的数据链，把从用户需求、产品设计到生产和服务等业务环节的数字模型有机衔接起来；而数字孪生所展示的就是通过数字主线中各具体业务环节的数字模型，结合相应的算法模型进行仿真、分析和优化，并通过视觉化的形式推送给前端用户，充分发挥数字化优势，可以看出数字主线是属于数字孪生的一项关键技术。
图1-12 数字主线与数字孪生相辅相成、相互促进 [44]
美国提出的数字孪生最早是从“模型”入手，那么德国提出的数字孪生，则选择了从“资产”即资产管理壳（Asset Administration Shell，AAS）入手。这里的资产是围绕着工业4.0组件的智能特性，所有可以被“连接”的，都可以看成是资产。因此，这里的“资产”不仅仅是指设备和物料，也包括CAD模型、电气图，甚至包括合同、订单。所以德国工业4.0平台的AAS，可以用来指代任何参与智能制造流程的事物 [45] 。如果说物联网的口号是“万物互联”的话，那么在德国工业4.0的世界中，就变成了“万物有壳”。
资产管理壳，是德国自工业4.0组件开始，发展起来的一套描述语言和建模的工具，使设备、部件等企业的每一项资产之间可以完成互联互通与互操作。借助其建模语言、工具和通信协议，企业在组成生产线的时候，可具备通用的接口，即实现“即插即用”，大幅度降低工程组态的时间，更好地实现系统之间的互操作。一般资产管理壳包含以下部分 [46] 。
1）子模型。子模型用于将资产管理壳构建成可区分的部分。每个子模型指的是资产中明确定义的领域或主题（例如，运营或工程模型）。子模型可以实现标准化，例如文档子模型。
2）子模型元素。每个子模型由一组元素组成。子模型元素进一步描述资产的属性（例如温度值）、文件（例如文档手册）和引用（引用同一或另一个管理外壳内的另一个元素）。
3）标识。标识是资产管理壳识别管理外壳、子模型和子模型元素的唯一标识，例如，使用虹膜和URI。
4）语义引用。AAS的每个元素都可以用语义引用来注释，例如，链接到eCl@ss属性，从而为每个元素附加一个标准化的语义定义。
5）实例和类型级别。AAS既可以指资产实例（例如位于拉登堡的混凝土驱动器），也可以指资产的产品类型（例如ABBACS880驱动器类型）。
实际上，相较于资产管理壳这样一个起到管控和支撑作用的“管家”，数字孪生如同一个“执行者”，从设计、模型和数据入手，感知并优化物理实体，同时推动传感器、设计软件、物联网、新技术的更新迭代。但是，基于这两者在技术实现层次上比较相近，德国正在推动工业互联网联盟，将资产管理壳视为数字孪生的同义词 [47] 。
表1-3～表1-7分别从物理、模型、数据、连接和服务/功能维度对上述相关概念进行了对比总结，表1-3～表1-7中√表示强相关，〇表示相关，×表示弱相关或不相关。表1-8说明了相关概念与数字孪生的关系。
表1-3 物理维度
表1-4 模型维度
表1-5 数据维度
表1-6 连接维度
（续）
表1-7 服务/功能维度
表1-8 相关概念与数字孪生的关系
（续）
