摘要

1、針對數字孿生技術在復雜工業系統和復雜裝備領域的基本概念、應用前景、技術內涵以及發展趨勢、已有初步研究規劃和階段性成果等進行梳理

2、歸納面向復雜工業系統和復雜裝備的智能運行和維護領域的數字孿生技術體系、關鍵技術、發展趨勢和技術挑戰等

3、分析數字孿生與其支撐的工業大數據、云計算、人工智能、虛擬現實等的相互支撐和相互促進的關系 預期能夠給復雜系統診斷、預測和系統健康管理領域對數字孿生技術感興趣研究人員提供一定的參考和借鑒

引言

研究背景

復雜裝備的狀態評估與預測逐漸成為研究的焦點。針對復雜裝備運行的可靠性、經濟性等問題，故障預測和健康管理( prognostics and health management，PHM) 獲得越來越多的關注，并逐漸發展為復雜裝備自主式后勤保障的重要技術基礎。針對在線運行的狀態監測、異常檢測、故障診斷、退化和壽命預測、系統健康管理等成為當下的研究熱點方向和領域。

由于傳感技術與物聯網技術的發展，以及復雜裝備運行環境的動態變化，裝備監測數據量倍增，并呈現高速、多源異構、易變等典型工業大數據特點。

然而，當前 PHM 相關體系及關鍵技術研究主要由裝備在已知理想運行狀態下的監測數據所驅動，難以滿足復雜裝備在動態多變運行環境下實時狀態評估與預測的精度及適應性需求。

數字孿生

數字孿生技術的出現以及迅速發展為解決上述問題提供了新的思路。

《數字孿生技術綜述與展望》介紹了數字孿生的概念模型最早出現的時間，綜述了其概念的發展、技術的使用、相關關鍵技術的探索情況和今年來的研究方向。

當前研究存在的問題

1、實例化的應用尚未獲得實現

2、對復雜裝備數字孿生的定義以及關鍵技術尚不明確，尤其是在復雜裝備狀態評估與預測領域，缺乏相應的體系支撐和關鍵技術引導

論文貢獻

在原有復雜裝備和系統的診斷、預測和健康管理體系基礎上，系統分析其與數字孿生技術之間的關聯和異同，重點分析面向復雜系統運行狀態評估和預測的數字孿生技術的內涵、關鍵技術，并展望其未來的發展趨勢和方向。

數字孿生定義及內涵

1.1 數字孿生的定義

在信息化平臺內建立一個數字化模擬：

數字孿生指在信息化平臺內建立、模擬一個物理實體、流程或者系統，這個模擬會根據反饋，隨著物理實體的變化而自動做出相應的變化。借助于數字孿生，可以在信息化平臺上了解物理實體的狀態，并對物理實體里面預定義的接口元件進行控制。

數字孿生呈現物理實體：

理想狀態下，數字孿生可以根據多重的反饋源數據進行自我學習，幾乎實時地在數字世界里呈現物理實體的真實狀況。數字孿生的反饋源主要依賴于各種傳感器，如壓力、角度、速度傳感器等。

數字孿生的自我學習( 或稱機器學習)：

除了可以依賴于傳感器的反饋信息，也可以是通過歷史數據，或者是集成網絡的數據學習。

1.2 數字孿生的內涵

隨著傳感技術、軟硬件技術水平的提高和計算機運算性能的提升，數字孿生的理念得到了進一步發展，尤其是在產品、裝備的實時運行監測方面。

應用于產品的整個生命周期

從產品全壽命周期的角度來看，數字孿生技術可以在產品的設計研發、生產制造、運行狀態監測和維護、后勤保障等產品的各個階段對產品提供支撐和指導。

在產品設計階段：

數字孿生技術可以將全壽命周期的產品健康管理數據的分析結果反饋給產品設計專家，幫助其判斷和決策不同參數設計情況下的產品性能情況，使產品在設計階段就綜合考慮了后續整個壽命周期的發展變化情況，獲得更加完善的設計方案。

在產品生產制造階段：

數字孿生技術可以通過虛擬映射的方式將產品內部不可測的狀態變量進行虛擬構建，細致地刻畫產品的制造過程，解決產品制造過程中存在的問題，降低產品制造的難度，提高產品生產的可靠性。

產品運行過程中：

數字孿生技術可以全面地對產品的各個運行參數和指標進行監測和評估，對系統的早期故障和部件性能退化信息進行豐富地反饋，指導產品的維護工作和故障預防工作，使產品能夠獲得更長的壽命周期。

后勤保障過程中：

由于有多批次全壽命周期的數據作支撐，并通過虛擬傳感的方式能夠采集到反映系統內部狀態的變量數據，產品故障能夠被精確定位分析和診斷，使產品的后勤保障工作更加簡單有效。

以衛星的監測、優化、管理和控制為例：基于遙感數據深度融合技術和系統動態實時建模和評估技術，能夠通過衛星近實時遙測數據在地面站構建衛星的數字孿生體，實時反映衛星的健康狀態并預估衛星各系統、各部件的使用壽命。

數字孿生的實現主要依賴于以下幾方面技術的支撐:

高性能計算、先進傳感采集、數字仿真、智能數據分析、VＲ 呈現。

1. 3 從診斷、預測和系統健康管理到數字孿生

當前的系統健康管理技術主要依賴于系統數學模型和傳感數據，借助智能算法對目標系統進行分析和保障，能夠提供系統監測、系統關鍵部件的壽命預測和健康管理功能。隨著高精度傳感技術、多領域多模型融合技術、全壽命周期數據管理技術以及高性能計算技術的不斷發展，系統故障診斷、預測和健康管理技術的發展前景變得更加廣闊，這些現代技術支撐著其向著功能更完備、計算更準確、分析更智能的方向發展，整個體系開始向著數字孿生的方向進行演變。

數字孿生技術體系

按照從基礎數據采集層到頂層應用層依次可以分為數據保障層、建模計算層、數字孿生功能層和沉浸式體驗層4 層。每一層的實現都建立在前面各層的基礎之上，是對前面各層功能的進一步豐富和拓展。

數字孿生技術體系如圖 2 所示：

數據保障層： 整個數字孿生技術體系的基礎，支撐著整個上層體系的運作。

建模計算層： 在獲得數據保障層提供的數據后利用數據驅動方法和基于數學模型的方法對系統進行多物理、 多尺度層面的建模，使所建立的模型與實際系統準備匹配、實時同步，并能預測系統未來狀態和壽命，依據其當前和未來健康狀態評估其執行任務成功的可能性。

功能層： 面向實際的系統設計、生產、使用和維護需求提供相應的功能，包括多層級系統壽命估計、系統集群執行任務能力的評估、系統集群維護保障、系統生產過程監控以及系統設計決策等功能。

沉浸式體驗層： 主要目的在于提供給使用者人機交互良好的使用環境，使使用者能夠獲得身臨其境般的技術體驗，迅速了解和掌握復雜系統的特性和功能，并能夠便捷地通過語音和肢體動作訪問數字孿生體功能層提供的信息，獲得分析和決策方面的信息支持。

圖 3 所示引自 NASA OCT 路線圖技術領域，以數字孿生中的技術集成為例描述了數字孿生技術的廣闊發展前景，重點解決與極端可靠性相關的技術需求，使數字孿生技術融入實際工程實踐中不斷發展。

數字孿生關鍵技術

3. 1 多領域多尺度融合建模

多領域建模：

在正常和非正常工況下從不同領域視角對物理系統進行跨領域融合建模，且從最初的概念設計階段開始實施，從深層次的機理層面進行融合設計理解和建模。

多尺度建模：

能夠連接不同時間尺度的物理過程以模擬眾多的科學問題，多尺度模型可以代表不同時間長度和尺度下的基本過程并通過均勻調節物理參數連接不同模型，這些計算模型比起忽略多尺度劃分的單維尺度仿真模型具有更高的精度。

3. 2 數據驅動與物理模型融合的狀態評估

目前數據驅動與解析模型相融合的方法主要有兩種思路：

1、以解析模型為主，利用數據驅動的方法對解析模型的參數進行修正；

2、將兩種方法并行使用，最后依據兩者輸出的可靠度進行加權，得到最后的評估結果。

但以上兩種方法都缺少更深層次的融合和優化，對系統機理和數據特性的認知不夠充分，融合時應對系統特性有更深入的理解和考慮。除此之外，論文中還總結了一系列構建數字孿生系統必須突破的瓶頸。

3. 3 數據采集和傳輸

高精度傳感器數據的采集和快速傳輸是整個數字孿生系統體系的基礎

數據采集難點：傳感器的種類、精度、可靠性、工作環境等受到當前技術發展水平的限制，采集數據的方式也受到局限

數據運輸的關鍵：實時性和安全性。

構建集傳感、數據采集和數據傳輸一體的低成本體系或平臺，也是支撐數字孿生體系的關鍵部分

3. 4 全壽命周期數據管理

復雜系統的全壽命周期數據存儲和管理是數字孿生系統的重要支撐

全壽命周期數據存儲和管理的實現需要借助于服務器的分布式和冗余存儲，由于數字孿生系統對數據的實時性要求很高，如何優化數據的分布架構、存儲方式和檢索方法，獲得實時可靠的數據讀取性能，是其應用于數字孿生系統面臨的挑戰。

3. 5 VＲ 呈現

介紹了VR技術對孿生系統的意義和其局限性。

3. 6 高性能計算

數字孿生系統復雜功能的實現很大程度上依賴于其背后的計算平臺，系統實時性要求高運算性能，運算性受限于當前的計算機發展水平和算法設計優化 水平，因此，應在這兩方面做突破以服務于數字孿生技術的發展。

高性能數據分析算法的云化、異構加速的計算體系 ( 如 CPU + GPU、CPU + FPGA) 是現有云計算基礎上，可以考慮的能夠滿足工業實時場景下高性能計算的兩個方向。

3. 7 其他關鍵技術

異常狀態或故障狀態仿真與注入、工業數據可用性量化分析、小樣本或無樣本的增強深度學習……均是當前在數據生成、數據分析與建模等方面的研究特點或挑戰。半物理仿真、驗證和評估方法及體系等對于數字孿生平臺的構建也十分必要。

挑戰和發展趨勢

多行業的數字化設計水平較低

復雜工業系統和復雜裝備數據價值較低

垂直領域的軟件專業化水平較低

成本和收益、研究和應用間的差距短期內難于彌合

數字孿生技術體系涉及的其他關鍵技術，包括傳感器及傳感器融合技術、壽命預測技術、支撐試驗和驗證技術等，均與現實應用存在一定差距，需一邊探索和嘗試，一邊優化和完善。