如果追溯“数字孪生”源头，最初其实只有“物理孪生”（Physical Twin）。

在上世纪六七十年代美国宇航局的阿波罗计划中，建造了多艘相同的太空飞行器，就像“孪生体”。在飞行准备过程中，孪生体被广泛用于训练；在飞行任务期间，它被用来模拟地球模型上的备选方案，其中可用的飞行数据被用来尽可能精确地反映飞行条件，从而在危急情况下协助宇航员做出正确判断。这一方法后来也用于飞机制造业，通过飞机孪生体来优化和验证飞机系统的功能。

随着计算机技术的发展，最初始于“孪生” 的物理实体，越来越多的物理部件被数字模型取代，并扩展至产品生命周期的各个阶段，直至形成与物理实体完全一致的虚拟数字模型，称为“数字孪生”。早在2003年，一直从事产品生命周期管理PLM的Michael Grieves教授，在产品生命周期管理课程中提出镜像空间模型：与物理产品等价的虚拟数字化表达。而到了2010年，美国宇航局NASA首次提出了“数字孪生”的概念，通过虚拟化、仿真技术以及飞行器的实时状态、历史维护、健康管理等数据，利用数字技术对各种物理孪生对象进行替代，以适应现阶段深空探索的需要。随后，NASA发布“建模、仿真、信息技术和处理”路线图，这也使得数字孪生概念正式进入公众视野。2013 年，美空军发布《全球地平线》顶层科技规划文件，将数字主线（digital thread）和数字孪生并列视为“改变游戏规则”的颠覆性机遇，并从 2014 财年起组织美国军火商洛马、波音、诺格、通用电气、普惠等公司开展了一系列应用研究项目。就此，数字孪生理论与技术体系初步建立，美国防部、NASA、西门子等公司开始接受这一概念并对外推广。

当前，数字孪生在工业界和学术界有多种不同的定义和理解，但从根本上讲，数字孪生是以数字化的形式对某一物理实体过去和目前的行为或流程进行动态呈现和反馈。它的真正功能在于能够在物理世界和数字世界之间全面建立准实时关系，这也是它的价值所在。

表1 数字孪生定义

（Source：《数字孪生应用及安全发展综述》）

基于工业界及学术界对数字孪生的定义，《智能制造术语解读》将数字孪生技术定义为：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。数字孪生概念包含了几个关键要素：首先是物理实体：即真实存在的产品系统；其次是物理实体的虚拟数字模型: 通过数字化的手段所产生的产品系统的模型和镜像；较重要的是，物理实体和虚拟模型之间的数据和信息交互系统。包括从真实空间到虚拟空间的数据传输:研发阶段的样机和制造、运营阶段的产品向虚拟模型反馈数据从虚拟空间到真实空间的信息和流程:在研发和生产阶段。与此同时，也包括虚拟模型驱动样机和产品的生产;在运营阶段，虚拟模型可以反映和预测真实产品的运营状态，也可以驱动真实产品的更新(包括软件的更新)。

目前行业内对数字孪生的应用场景主要有两大派系，即仿真派和运行派。仿真派主要是指利用计算机辅助仿真(CAE)实现对设计原型在虚拟环境下工作状态的模拟；而运行派则主要是指通过工业物联网技术实现物理设备在真实运行环境中的状态监测和分析。

国外也有人称为产前数字孪生(Pre-Natal Digital Twin)和产后数字孪生(Post-Natal Digital Twin)，说的也是在产品设计仿真阶段和真实运行阶段。

仿真一派（机理模型驱动）仿真派属于机理模型驱动派，主要是由设计仿真软件公司主导，代表性的有达索、西门子、Ansys、Matlab Simulink、AspenTech和国内的安世亚太等厂商。对于仿真软件公司来说，数字孪生往往指的是结合机械、流体力学、光学、热力学、电子等设计原理，利用基于数字化的计算机辅助设计和仿真工具，将现实世界中的物理实体（设备、建筑、交通等），在计算机软件定义的信息空间中通过虚拟的孪生体映射出来，一方面可以让设计阶段有直观的感知和测量能力，而另一方面，结合预设的运行环境和自定义条件的输入参数，结合各种物理模型，可以预测和验证虚拟实体在模拟环境和输入下的系统表现，进而保障设计质量，提高设计的鲁棒性。

仿真技术是实现工业产品及制造过程模拟仿真与优化的核心技术，是支持工程师进行产品创新设计较重要的工具和手段，在保证产品质量的同时能大幅度缩短产品研发周期，节省产品研发成本。

如今，仿真技术已经成为对人类社会发展进步具有重要影响的一门综合性技术学科，种类繁多，例如对流场、热场、电磁场等多个物理场的仿真，对振动、碰撞、噪声、爆炸等各种物理现象的仿真，对产品的运动仿真和材料力学、弹性力学和动力学仿真，对产品长期使用的疲劳仿真，对整个产品的系统仿真，以及针对注塑、铸造、焊接、折弯、冲压等各种加工工艺的仿真，装配仿真，帮助产品实现整体性能更优的多学科仿真与优化，还有针对数控加工和工艺机器人的离线编程与仿真（其中数控仿真又可以分为仅仿真刀具轨迹，和仿真整个工件、刀具和数控装备的运动），以及面向车间的设备布局、产线、物流和人因工程仿真等。

在数字化设计技术和仿真技术发展和集成应用的过程中，产生了 Digital Mockup（DMU，数字原型）、Digital Prototyping（数字样机）、Virtual Prototype（虚拟样机）、Functional Virtual Prototype（全功能虚拟样机）等形态的数字孪生，用于实现复杂产品的运动仿真、装配仿真和性能仿真。

这种数字孪生的定义方式能够将概念或者物理世界中的实体，通过精准的物理模型，映射到计算机的可视化空间中，不仅可以通过可视化形成直观的设计，还可以形成可制造或者工程化的设计资料，并且还能借助计算机软件的数字仿真能力，对设计进行多样化的、可重复的、持续的验证，保证设计原型和制造成果的一致性。

但这种形态的数字孪生，提供的是设计阶段的仿真验证能力，并不涉及到设备真实运行状态的监测和评估。这类数字孪生，大部分是一个开环的设计和仿真，很少考虑到制造出来的设备或者系统，也很少使用到真实环境中的动态数据。而在真实的运行过程中，由于环境的动态、多变和复杂的本质，很多难以在设计和仿真中预计的情况都会发生，往往会造成设备或者系统的实际运行偏离了设计的目标，而产生严重的质量问题，厂商往往不得不被动的一遍一遍根据表现出来的结果修改设计，来满足真实环境的要求，但这种努力往往由于环境和输入的多变性而收效甚微。同时，在高维度下的仿真模型，需要非常大的计算量，因此也很难满足实时分析的要求。

同时，在真实运行环境中，由于传感器本身的安装、部署和成本限制，设备或系统的很多状态数据是难以采集和测量的，因此很多运行状态并不能采集到仿真环境中的各种状态，因此也无法验证是否达到设计目标。

另一方面，在场景非常复杂的时候，特别是输入变量维度多且非线性的复杂场景下，很难用单一的纯机械、化学或者电子类的机理模型来实现对真实场景的精准模拟，这时候传统的仿真工具就难以给出准确的仿真结果。

另一类数字孪生，也叫产后数字孪生，指的是通过传感器的数据采集，实现设备状态的实时监控和分析，对设备的性能进行监测、评估和预警。

提供这类数字孪生解决方案的厂商包括GE、西门子、耐德电气、浙大中控、和利时、PTC Thingworx、Software AG Cumulocity、微软Azure以及寄云科技在内的自动化厂商和工业物联网厂商。

这类数字孪生，指的是从设备或者系统的实际运行状态出发，通过传感器的实时采集，将物理设备的实时表现，结合设备或系统的设计文件，将3D设计文件、工艺组态和传感器的数据绑定在一起，通过直观的方式反映当前系统的运行状况，供操作人员进行监视。同时，基于预设的运行条件限制，设置相应的告警，一旦系统的实时指标跳出预设的限制，就产生相应的告警或者自动的控制动作。

同时，基于实时数据的采集，结合机器学习和人工智能的建模分析能力，通过对历史数据的建模和分析，可以构建对特定运行状态的自动识别、特定故障的自动诊断、异常状态的检测、工艺稳定性控制，并且通过神经网络和人工智能技术，基于历史数据实现对未来运行状态的预测能力。

这种数字孪生，实现的是实际运行设备的数字孪生，能够很好的实现对物理设备或者系统实时运行状态的采集和直观的监视，能够提供实时的诊断、预测能力，并且能够在系统偏离监测目标时提供预警和人工干预的能力。

图1 GE数字孪生模型

（Source：GE数字孪生白皮书）

如GE采集大量燃气轮机产生的实时状态数据，并集成一系列包括气象、运营、维护、事件的数据，结合一系列异常监测分析、相似度对比、热力学模型的分析，可以对燃气轮机运行的关键指标进行实时计算、评估、诊断和预测，实现了设备可靠性、运营性能和效率以及安全的提升。

图2 AI加速器

（Source：应用材料公司官网 ）

再比如全球半导体装备领导者美国应用材料公司，最近刚发布了新一代的智能平台AIx，可以结合设备采集的数百万点的实时数据和基于人工智能的分析，创建设备运行阶段的数字孪生，不仅可以实现对半导体生产过程的实时监测，还可以通过虚拟实验实现对每台设备数千个关键工艺参数虚拟调试和模拟，以满足半导体市场对指标如PPACt(Performance, Power, Area Cost, time-to-market)的持续优化。

但是，由于缺少设计原理和机理模型的导入，这类数字孪生对系统工作状态的解释是不准确的，数字孪生本身无法定义什么是正常的工作状态、什么是异常的工作状态以及运行的目标是什么，只能大量依赖于人工的规则设定，而监测的门限往往都是固定、一成不变的，无法适应动态的工作环境要求；而对运行状态的预测也是跟机理无关的，只能基于历史数据的采集和关联关系进行预测。

同时，由于传感器技术发展、部署条件和成本的限制，不是所有的关键运行状态都能够通过传感器来采集，传感器往往只能采集很少一部分可直接测量的状态，无法全面反映设备的各种关键状态。特别是一些老旧的非自动化的设备，无法配备传感器，就无法实现实时的状态监测。

总的来说目前数字孪生主要是以上两类定义，各自都有应用场景，但都不完整。我们要看到，这两类数字孪生，实际上是产品在生命周期不同阶段的应用，并没有冲突。我们也可以看到，如果能够将这两种数字孪生融合起来，一方面能够在设计仿真阶段就得到更全面的、基于运行数据的模拟和验证，另一方面又能够结合设计原理在运行阶段自动验证是否偏离设计模型定义的目标，同时还能够形成数据和知识的闭环，必定能够为设计、仿真、运行监测和产品优化提供巨大的帮助，构建真正意义上全生命周期的数字孪生。

如前所述，如果能够将机理模型和数据模型结合起来，将设计模型和运行的传感器数据结合起来，构建全生命周期的数字孪生，那将融合两种数字孪生的优势，不仅能够极大的提高产品设计的鲁棒性、准确性，降低产品的研制成本，加快产品研发进度，更能有效的提高设备状态监测的有效性，实现性能的精准预判。

在这里，国外的仿真厂商Ansys和物联网厂商PTC Thingworx在电机、泵等设备上的合作，已经提供了很好的参考。

图3 使用ThingWorx将实际的泵与其数字孪生体相连接（Source：《Creating a Digital Twin for a Pump》）

首先通过Ansys专业的仿真工具，对泵、电机等设备基于机理构建起来仿真模型，并通过Ansys Twin Builder开发数字孪生模型，形成轻量级的输入、输出的数值对照表，这个表将作为一个黑盒模型的输入、输出，导入到PTC Thingworx物联网平台中。基于物联网采集的输入参数的传感器数据，查找表中对应的输出结果，就可以得到在特定的真实输入下的预期输出。这种预期输出，可以作为虚拟传感器，进而指导状态监测；同时，也可以作为评判特定传感器（预期输出）的依据，进而实现动态门限的监控，改变传统状态监测固定门限、无法适应动态环境的局限性。

再比如，全球工艺仿真领导者AspenTech宣布已将工业人工智能扩展到其领先的解决方案中，以提高客户运营的盈利能力和可持续性。此外AspenTech提供的AIWorkbench将使数据科学家能够与领域专家合作，基于企业范围的全量数据开发工业智能应用。基于机理模型和数据模型融合的混合模型，AspenTech将AI直接嵌入到 Aspen HYSYS 和 Aspen Plus 过程模拟中，使工程师能够轻松构建工厂的仿真模型，并使用相关工厂数据进行校准。降阶的混合模型可以在工程、规划和动态优化解决方案之间共享，进而提高了这些应用程序的准确性和可预测性。同时，AspenTech开发了基于深度学习的先进过程控制(Advanced Process Control, APC)，可以提供更准确和可持续的运行控制模型，满足更广泛的运行和操作环境。

国内杰出的仿真厂商安世亚太和工业互联网平台厂商寄云科技，也构建了类似Ansys与PTC Thingworx的合作联盟。通过将电机的仿真模型与真实采集的运行数据结合，构建多个基于仿真模型的虚拟传感器，实现更全面的状态监测、性能评估和预测性维护的能力。

图4 合作方案架构

可以看到，通过将物联网采集的数据与仿真模型进行结合，一方面可以在特定输入和既定输出的指导原则下评判真实设备在动态输入变化下设备运行性能的偏离，进而提高监控的有效性和经济性；另一方面，还可以根据仿真模型创建出更多的虚拟传感器，解决传感器部署的问题，实现更全面的测量和监测，降低产品成本。

仿真模型与传感器的结合，不仅能够有效的提高状态监测、设备性能评估的有效性，更有助于改善和优化设计，加快研发进度，提高产品上线的进度。

从设计的角度来说，当前的复杂装备为了适应更广泛的应用场景，往往在设计过程中增加了很多的冗余设计，比如采用更高精度的传感器、增加容错设计、提高产品功率等。但是这些多余的设计成本，能否带来真实性能的提升，往往是没有办法评估的。如果能够将仿真模型和传感器数据结合，就可以有效的评判这些冗余的设计成本是否带来了性能的提升，进而降低产品的成本，加快研发进度。

同时，在很多机理模型受限的复杂运行场景下，基于设备运行的历史数据，结合深度神经网络的训练，可以构建起来基于历史经验数据的控制模型，并将此模型作为仿真模型，纳入到仿真环境中进行验证，也能够极大的加速原型的设计和仿真。

另一方面，复杂装备往往都有非常多的工艺控制参数，这些参数的设置往往需要结合现场的特点和要求进行反复调试，才能满足生产的需要。而在设计仿真阶段，往往只能在有限的场景下模拟真实环境，而无法实现更优配置。基于采集设备的历史传感器数据，结合人工智能对参数进行分析和寻优，构建设计验证阶段的虚拟实验能力，能极大的加快复杂装备在客户现场的调参和上线时间，更能基于持续采集的实时运行数据对设计参数进行调整和优化。

数字孪生正在数字化转型发挥重要的作用。无论是从设计端，还是运行端，二者不同类型的模型和数据的融合，将使得数字孪生更加丰满，给人们提供更好的洞察力。

（注：本文仅代表作者个人观点。）