AI 基础
什么是数字孪生？
将 Unite.AI 添加到您在 Google 上的首选来源
数字孪生是针对特定用途的真实世界实体或过程的数字化表示，它与对应实体的观测相连接，并为定义的监测、预测、测试或决策支持任务而维护。
连接方式和目的使孪生区别于静态的 3D 模型。同步可以是连续的、事件驱动的或周期性的；它不必完全实时，但其延迟和不确定性必须适合所做决策。
要点概览
- 孪生将物理或运行的对应实体、数据连接、数字化表示、模型和服务相结合。
- 验证关注模型是否正确构建；确认关注模型是否足以满足预期用途。
- 数字线程在整个生命周期阶段中连接数据和决策；它与单个孪生相关，但范围更广。
- 网络安全、互操作性和不确定性决定孪生是否可信。
核心组件与同步
传感器、控制系统、维护记录和企业数据描述对应实体。数据层对齐标识符、单位、时间戳和质量。模型可以结合物理、统计、规则和机器学习，而服务则提供状态、预测或建议。
在某些系统中，同步是双向的：物理观测更新孪生，经过批准的决策可以影响物理系统。其他孪生则为只读。需说明同步频率、允许的控制路径以及数据陈旧时的行为。
模型、仿真与情景分析
仿真可以在不与特定资产保持持续连接的情况下测试单一情景。孪生利用同步的上下文，使情景反映对应实体的当前或近期状态。它可以运行多次仿真，但两者并非同义词。
预测可用于支持维护、质量、排程或能源决策。机器学习可以补充物理模型，而约束条件可防止统计拟合推荐不可能的状态。
验证、确认与不确定性
验证软件、方程、接口和数值实现。将预测与独立观测在预期的运行范围内进行确认。量化来自传感器、参数、模型结构和未来条件的不确定性。
孪生是针对特定用途而适配的，并非普遍精确。经确认用于短期温度预测的模型可能不适用于安全认证或长期疲劳分析。需记录版本、校准历史以及不支持的条件。
数字线程与生命周期集成
数字线程将需求、设计、制造、运行、维护和退役记录相连。不同生命周期阶段的孪生可利用该线程保持可追溯性，避免标识不兼容或真相重复。
互操作性依赖共享的语义和接口，使数据结构或类似的元数据治理变得有用。当供应商和组织提供不同层次时，所有权必须保持清晰。
安全性与人工决策授权
孪生提升了运营数据的价值和连通性。威胁包括传感器欺骗、模型篡改、未授权控制、机密设计泄漏以及依赖关系被破坏。应采用身份验证、分段、签名更新、监控和安全失效模式。
建议应展示证据和不确定性，并对高影响操作进行人工批准。孪生可以改进决策，但它不承担改变工厂、建筑、车辆或护理流程的后果。
数字孪生架构与同步
数字孪生是对物理资产、过程、系统或环境的持续维护的数字化表示，它与观测相连并用于特定决策。它不同于一次性仿真，因为状态和参数会在整个生命周期中更新。其架构将资产标识、传感器、运行历史、几何或拓扑、物理或数据驱动模型、仿真以及应用关联起来。可用范围可能是单个电机、生产线、建筑或车队；若在没有明确决策边界的情况下声称完整的孪生，则验证变得不可能。
同步融合遥测、检查、维护记录和外部条件。时间对齐、单位、校准、缺失数据以及资产层级是基础。状态估计方法将噪声观测与模型对齐，而参数估计则调整行为。更新频率应匹配业务需求：控制相关状态需毫秒级，能源规划需小时级，结构退化需月度级。如果测量不确定性和因果关联未知，更多实时数据并不一定更好。
模型、确认与不确定性
基于物理的孪生编码守恒定律和机制；经验孪生从历史数据学习；混合孪生则两者结合。仿真可用于测试情景、优化排程、估算剩余寿命或支持调试。将预测与保留的运行时期和受控干预进行确认，覆盖不同负载和失效模式。量化参数和测量不确定性，避免将单一路径呈现为确定性。仅在正常运行下校准的模型在预测罕见故障时可能最不可靠。
验证关注方程和软件是否正确实现；确认关注孪生是否足以真实地反映其使用场景。保持从需求到模型、数据、校准和验收测试的可追溯性。审查对假设的敏感性并与简单基线比较。针对安全相关决策，保留独立的保护控制并要求人工授权。
生命周期、安全性与价值
通过分段、网关、最小权限和签名更新来保护运营技术与孪生之间的连接。受损的孪生可能泄露设计和生产数据或导致不安全的维护。对模型和资产配置进行版本管理，记录校准，并淘汰陈旧的孪生。将避免的停机时间、能源、产量、维护质量和决策时间与基线进行比较，计入传感器和集成成本。数字孪生仅在其经确认的表示能够影响可追溯决策时才创造价值。
案例示例：风力涡轮机的数字孪生
涡轮机孪生将资产配置、SCADA 遥测、振动、天气、检查和维护历史与物理及数据驱动模型相连。状态估计对噪声传感器进行校正，仿真则在候选运行模式下预测载荷和部件温度。验证使用保留的季节数据和已知的维护事件，报告不确定性、风况误差以及对传感器偏差的敏感性。该孪生不发出安全关键的控制指令。
轴承风险估计上升会促使依据证据和不确定性进行检查计划。由此产生的发现更新资产记录和模型校准。更换传感器、改造叶片或更新控制器会生成新的孪生配置。网络分段将诊断与控制分离，模型更新采用签名。价值通过避免的停机时间、能源、维护以及决策前置时间与历史和可比涡轮机对比来衡量，同时计入感知和维护孪生的成本。
实施证据与运营准备度
生产决策需要的不仅是成功的演示。需明确预期用户、运行环境、输入、输出、依赖关系、所有者以及每种重要故障的后果。调优前建立可复现的基线和版本化的评估集。测试常规案例、边界条件、格式错误或缺失的输入、分布漂移、依赖中断、误用以及最可能被忽视的群体或环境。将任务质量与校准或不确定性、延迟、吞吐量、资源成本、可访问性、隐私和安全性一起衡量。记录每一次转换和阈值，以便独立审阅者能够复现结果并区分证据与吸引人的原型。
在上线前，指定发布、例外、变更、回滚和退役的授权。采用分阶段发布，保留安全回退，并通过有意注入的故障验证监控。运营遥测应揭示输入质量、输出行为、模型或规则版本、依赖健康、人工覆盖以及已确认的结果，同时避免收集不必要的敏感数据。设定警报阈值和响应负责人，然后在部署后审查真实世界的证据，而不是假设离线性能会持续。每当数据源、用户、模型、供应商、政策、硬件或目标变化时都需重新评估。维护中的系统还需有文档化的恢复、事件学习、删除与保留流程，以及明确的停用或替换时点。
常见问题
3D 模型是数字孪生吗？
单独来看不是。当它与特定对应实体相连并为明确的运营目的进行维护时，才成为孪生的一部分。
数字孪生必须控制物理资产吗？
不。部分孪生仅用于监测或预测。当涉及控制时，必须明确其授权和安全边界。
主要参考文献
