數字孿生演進模型及其在智能制造中的應用

江海凡，丁國富，肖 通，樊孟杰，付建林，張 劍

（西南交通大學先進設計與制造技術研究所，四川 成都 610031）

信息物理系統（cyber-physical system, CPS）是通過建立物理空間和信息空間的雙向連接通道，實現數據感知、傳輸、計算和控制[1].數字孿生（digital twin）則通過鏡像物理實體構建虛擬模型并建立物理實體及其虛擬模型的雙向數據連接；在模型和數據雙驅動下，實現虛實同步和虛實融合，為實現CPS提供了更為清晰、可行的技術路線[2].

作為實現CPS的關鍵使能技術，數字孿生受到廣泛關注，數字孿生模型及其建模方法成為當前的研究熱點.Grieves最早給出了數字孿生的通用參考模型，即數字孿生三維模型，包括物理實體、虛擬模型及其連接[3].Tao等[3-4]通過引入數據和服務，將三維模型拓展為五維模型，并探討了其在十大領域的應用.上述參考模型高度概括了數字孿生的組成及其內涵，為數字孿生建模和應用指明了方向.但仍然過于抽象，較難直接應用于工程實踐.

針對具體應用場景和對象，學者提出了各自的數字孿生模型、建模方法和架構：Bao等[5]從車間生產過程的角度建立了產品數字孿生模型、過程數字孿生模型和操作數字孿生模型，并探討了上述模型間的互操作；Cecil等[6]設計并實現了一個基于物聯網的信息物理架構實現微型設備的分布式協同制造和裝配；Jiang等[7]將離散事件系統（discrete event systems, DES）應用到數字孿生三維模型，探討了車間級的數字孿生建模和應用方法.

綜上，學者們從通用的概念模型與專用的應用模型兩方面提出了各自的數字孿生模型.但都較少從構建方法和過程的角度考慮如何分階段、有步驟地構建和應用數字孿生.換言之，缺少對數字孿生技術路線的描述.Kritzinger等[8]提出按照虛實融合程度將數字孿生細分為數字模型（digital model）、數字投影（digital shadow）以及嚴格意義上的數字孿生.江海凡等[9]等借鑒這一分類方式，探討了從數字模型車間到數字投影車間，到數字孿生車間的演進過程以及各演進階段的運行機制.在此基礎上，本文進一步提出數字孿生演進模型（digital twin evolution model, DTEM）的概念.通過時間軸串聯起數字模型、數字投影和數字孿生，將其與智能制造背景下具體應用場景、使能技術與工具相關聯，賦予其空間、時間、應用等維度新內涵，形成數字孿生的3個演進階段，探討DTEM在智能裝備、智能生產和智能運維中的典型應用.

1 DTEM

DTEM由基本模型、關聯關系、演進過程和融合過程4個部分組成，見圖1.基本模型包括物理實體和虛擬模型：前者是建模、分析和優化的對象；后者又分為可視化模型、仿真模型和數據模型，分別從不同維度實現對物理實體的映射.關聯關系從空間維度表征了上述虛擬模型與物理實體間的映射關系，見圖1中黑色箭頭；演進過程從時間維度描述了從數字模型、到數字投影、到數字孿生的演進過程，見圖1中藍色箭頭；融合過程則從應用維度描述了不同演進階段在系統不同生命階段等典型應用，見圖1中綠色箭頭.

圖1 數字孿生演進模型及其內涵Fig.1 Digital twin evolution model and its connotations

DTEM從時間維度將數字孿生構建與應用過程分為3個階段，即數字模型、數字投影和數字孿生.

數字模型包括物理實體、可視化模型以及仿真模型.其中，可視化模型借助先進圖形技術實現物理對象和仿真過程的可視化，提供便捷的人機交互環境，降低仿真建模難度，同時有利于加深對仿真過程的理解.仿真模型基于對現有對象/系統運行機制的理解，借助仿真技術分析和優化物理對象/系統.該階段物理對象/系統往往尚不存在或尚未運行，無法建立有效的虛實連接關系；適用于產品/系統設計與規劃階段，例如，產品性能分析、車間布局規劃、生產計劃/過程驗證與優化等應用場景.

數字投影在數字模型的基礎上引入數據模型.基于傳感器技術、物聯網等實現對物理對象/系統運行狀態和參數的感知建立數據模型，借助數據處理和分析技術實現對物理對象/系統的運行監控.該階段物理對象/系統已經存在并運行，實時數據可以同步更新至虛擬模型；適用于設備/系統運行階段，例如，設備遠程監控、生產過程優化等應用場景.

數字孿生則是在數字投影的基礎上，深度融合仿真模型與數據模型.基于現場數據和仿真數據，借助大數據分析和人工智能算法實現數據挖掘和知識發現，持續優化和完善仿真模型，提高其精度和效率，最終基于對物理對象/系統未來狀態和事件的預測實現科學決策.該階段物理對象/系統已穩定運行一段時間，積累了足夠多的歷史數據；適用于決策優化與系統改進階段，例如，產品質量追溯、設備故障診斷與預警、生產過程動態調度等應用場景.

綜上所述，DTEM的內涵和意義可以概括為以下3個方面：1）從空間維度看，DTEM描述了物理實體及其虛擬模型從相對分離、到單向交互到雙向交互的融合過程.2）從時間維度看，DTEM描述了從基于領域知識對系統運行機制的理解（數字模型）、到基于實時數據對系統當前運行狀態的感知（數字投影）、到基于數據挖掘和仿真分析的行為預測（數字孿生），即從模型驅動到數據驅動，再從數據中發現規律，反過來完善和優化模型的閉環過程.3）從應用維度看，DTEM描述了實體/系統從規劃階段的離散仿真、到運行階段實時監控、到優化階段性能提升與決策優化的全生命周期應用過程.

2 DTEM應用方法與關鍵技術

2.1 基于DTEM的數字孿生應用方法

基于DTEM，將數字孿生的實施和應用過程分為4個階段.首先是構建物理實體可視化模型，為后續應用提供三維可視化操作平臺；后3個階段則依次對應DTEM 3個演進階段，即數字模型、數字投影和數字孿生.

圖2分別從可視化建模、仿真建模、數據建模與模型融合4個遞進層次論述基于DTEM的數字孿生各演進階段應用方法.

圖2 數字孿生演進模型應用方法Fig.2 Application method of digital twin evolution model

2.2 基于DTEM的數字孿生應用關鍵使能技術

圖3則給出了基于DTEM的數字孿生各應用階段的關鍵使能技術和工具平臺.

圖3 數字孿生不同應用階段使能技術與工具/平臺Fig.3 Enabling technologies and tools/platforms for digital twin at different stages of application

1）物理對象可視化使能技術與工具/平臺.建立物理對象/系統高保真的三維可視化模型是實現物理對象虛擬化的第一步，也是數字孿生區別于傳統建模仿真的特征之一.物理對象可視化使能技術包括面向真實感的可視化建模技術、大規模復雜場景組織與渲染技術、人機交互技術等.物理對象可視化使能工具包括：UG、Pro/E、CATIA、3d MAX等三維建模與模型輕量化處理工具；Unity 3D、面向對象的圖形渲染引擎（object-oriented graphics rendering engine，OGRE）、開源圖形場景（OpenSceneGraph，OSG）等三維圖形渲染引擎；虛擬現實/增強現實/混合現實（VR/AR/MR）軟硬件設備等.上述工具形成三維可視化建模平臺.

2）數字模型使能技術與工具/平臺.數字模型集成了物理實體、可視化模型和仿真模型，是數字孿生的支柱之一.數字模型使能技術包括多學科建模技術，如多領域耦合建模技術、DES仿真建模技術、系統動力學建模技術等，模型校核、驗證與確認技術（verification，validation and accreditation，VV&A），仿真評價與優化技術等.數字模型使能工具包括：MATLAB、Modelica等多學科耦合仿真工具；Flex-Sim、Plant Simulation等生產系統仿真工具；仿真評價和優化算法與工具等.上述工具形成多學科仿真平臺.

3）數字投影使能技術與工具/平臺.數字投影在數字模型的基礎上引入了數據模型，是數字孿生的另一支柱.數字投影使能技術包括：資產管理殼（asset administration shell, AAS）、OPC 統一架構（OPC unified architecture，OPC UA）等數據建模技術；多源異構數據采集、傳輸、存儲、分析和可視化技術；基于PLC和OPC UA的虛實同步技術等.數字投影使能工具包括：OPC UA、Web service、Kafka等數據通信協議、接口和消息中間件；My SQL、Oracle等關系數據；Redis、MongoDB、HBase等非關系數據庫；Gephi、Tableau等數據分析和可視化工具.上述工具形成可視化監控平臺.

4）數字孿生使能技術與工具/平臺.數字孿生則深度集成了數字模型與數字投影.數字孿生使能技術包括基于人工智能、工業大數據的數據挖掘、模型融合、知識發現技術和服務封裝、注冊、組合、發布技術[10].數字孿生使能工具包括人工智能算法、工業大數據平臺[11]、模型融合算法、微服務管理工具等.上述工具形成決策優化與管控平臺.

3 DTEM在智能制造中的典型應用

基于第2節所述的基于DTEM的數字孿生實施方法、使能技術和工具平臺，本節通過數字孿生機床、數字孿生車間和城軌車輛數字孿生系統3個應用實例，具體說明DTEM對智能制造的指導意義和應用方法.

3.1 數字孿生機床

機床作為工業母機，是生產系統的核心設備.借助仿真和數據分析手段，構建機床數字孿生模型，對實現機床高質量生產以及保證機床長時間無故障運行具有重要意義.如圖4所示，以某五軸數控機床為例，基于DTEM的數字孿生機床實現過程分為機床可視化建模、數字模型機床、數字投影機床和數字孿生機床4個階段.

1）基于多體運動學的五軸數控機床拓撲建模.虛擬機床包括CAD模型、拓撲結構和屬性參數3個部分.基于多體運動學的拓撲結構是實現機床五軸聯動的基礎.如圖4所示，機床拓撲鏈是一個以床身為根節點的雙鏈結構，分別從工件節點W和刀具節點T指向床身M.機床各部分三維模型通過CAD軟件建立，關聯到相應的拓撲節點上，形成機床運動模型，并通過機床結構樹進行管理.進一步，通過編輯機床屬性參數，如機床類型、結構、行程、數控系統等，形成虛擬機床.

圖4 數字孿生演進模型在智能設備中的應用Fig.4 Application of digital twin evolution model in smart devices

2）基于虛擬機床的虛擬調試與加工仿真.加工仿真的實質是在數控程序驅動下，刀具掃掠體與工件進行實時布爾求交運算，模擬實際材料去除過程.根據刀具的掃掠截面可生成刀具模型，基于構造實體幾何法（constructive solid geometry，CSG）可生成工件模型[12].進一步地，通過關聯工藝模型、刀具模型、工件模型與機床運動學/動力學模型，可構建虛擬機床及其加工環境，形成數字模型機床；應用于操作指令、數控程序的無風險驗證和優化，以及虛擬加工仿真數據的獲取與分析.一方面，在實際加工前，通過虛擬數控面板對虛擬機床進行操作和調試，基于碰撞檢測驗證機床操作指令的合法性，如是否發生干涉、超過行程等.基于刀具掃掠體生成算法和圖像消隱算法[12]，實現虛擬加工仿真，驗證數控程序是否發生過切或欠切現象，優化刀具移動軌跡，減少不必要的“走空刀”過程.另一方面，結合被加工材料力學特性、材料去除機理和有限元模擬建立切削過程力學模型，通過虛擬加工仿真獲得瞬時條件下的刀具切削狀態數據，用于理論分析與工藝信息推理，例如刀具磨損量預測、材料去除率估算等.

3）基于可編程多軸運動控制器（programmable multi-axes controller，PMAC）的機床虛擬同步與遠程可視化監控.數字投影機床主要應用于機床的遠程監視和控制.利用PMAC及其應用程序編程接口（application programming interface，API）函數建立物理機床與虛擬機床的數據通信通道.在機床加工過程中，一方面，從物理機床實時采集運動變量和運行參數，同步更新至虛擬機床，實現遠程可視化監控[13].另一方面，通過定義、檢測、識別和評估異常數據和事件，對機床進行反饋控制.

4）基于模型與數據融合的機床故障預測與健康管理.數字孿生機床則為機床長周期穩定運行提供了技術保障.由于難以同時考慮機床運行過程數據特性和物理特性，模型或數據驅動的單一預測方法預測精度較低.而在機床穩定運行一段時間后，歸集和重建加工過程技術狀態，如工藝參數、機床狀態信息、機床故障信息等，以及虛擬加工仿真數據，基于模型和數據融合可以提高預測精度，實現機床預測性維護.例如，基于濾波算法融合仿真分析的理論計算值與數據驅動的預測值，實現刀具壽命預測；通過虛擬加工仿真數據訓練故障診斷模型，基于遷移學習將訓練好的模型應用于實測數據的分析，實現機床主軸軸承和滾珠絲桿的故障診斷[14].

通過上述4個階段的實施，最終形成數字孿生機床，其運行機制如圖4中 ②～⑤所示.在實際加工前，操作指令和數控程序先在虛擬機床上驗證和優化（圖4中 ②）；驗證后的指令和數控程序下載至物理機床實際執行（圖4中 ③）.基于PMAC通信機制實現虛實同步和狀態監控，并歸集實時數據和仿真數據（圖4中 ④）；基于模型與數據融合，實現機床自感知和自決策（圖4中 ⑤），形成控制閉環.

3.2 數字孿生車間

車間是信息流、物料流和控制流的匯聚地.數字孿生車間通過在制造執行各階段融合信息流、物料流和控制流[9]，實現智能化運行，如異構設備互聯與互操作、生產過程智能管理與控制，進而在保持生產柔性的同時實現提質增效.如圖5所示，以某柔性制造車間為例，基于DTEM的實現過程分為車間可視化建模、數字模型車間、數字投影車間和數字孿生車間4個階段.

圖5 數字孿生演進模型在智能生產中的應用Fig.5 Application of digital twin evolution model in smart production

1）基于OSG的復雜場景組織和渲染.OSG基于面向對象思想，在OpenGL的基礎上封裝了場景組織、模型遍歷、相機操作等功能.基于OSG可以快速地實現虛擬設備建模、三維可視化布局和生產過程可視化等功能，建立虛擬車間，為后續應用提供便捷的仿真和數據可視化操作平臺.

2）基于DES的生產計劃/過程仿真評價與優化.數字模型車間主要應用于車間規劃和生產準備階段，主要涉及仿真邏輯建模、DES仿真機制、仿真結果綜合評價方法3個關鍵技術，具體流程如下：① 建立設備、服務單元和物流路徑網絡模型，為每一類工件生成一個仿真邏輯模型，描述工件的所有工序活動以及各工序所涉及的資源[7].② 以生產計劃為輸入，通過解析生產計劃，形成物流和服務單元調度指令，物流任務和加工服務任務交替執行，直至完成該工件的所有工序[15].③ 建立生產計劃、系統性能評價指標體系，基于可拓層次分析法、改進CRITIC法和熵值法確定各指標的組合權重，得到不同生產計劃的綜合評分[16].在綜合得分最高的生產計劃基礎上，基于區域法識別影響評分結果的關鍵指標，并溯源至車間配置參數.通過設計正交實驗對生產計劃和車間性能進行進一步優化.

3）生產執行過程可視化監控與動態調整.數字投影車間主要應用于車間執行階段，實現對生產過程異常數據和事件的實時感知，并作出相應的調整和調度.設計了一個生產排程與調度、指令傳輸與執行反饋、物理資源的三層架構.生產排程與調度層基于調度模型和算法制定生產計劃或調度方案發送至制造執行系統執行，并根據執行反饋數據進行動態調整.在中間層，MES通過信息中間件Kafka向數據采集與監視控制系統發送生產指令，包括出入庫指令、物流指令、操作指令等.SCADA將生產指令轉換為控制變量并寫入內存數據庫Redis，從而控制設備狀態和行為；并將執行結果通過Kafka反饋回MES，包括執行開始、執行成功、執行失敗等.另一方面，虛擬車間通過Redis獲取實時數據，與物理車間在關鍵狀態和執行進度上保持一致.物理車間的異常數據和事件將實時更新至虛擬車間.這些異常數據和事件將被捕獲、分析和評估.基于仿真分析結果，生成新的控制指令，對物理車間生產計劃和方案進行動態調整.

4）基于工業大數據和微服務架構的生產過程管控.數字孿生車間的意義在于對生產過程的持續優化和改進，基于數據挖掘和知識發現，在自感知的基礎上實現自優化和自決策.為實現上述目標，從MES獲取生產進度數據，例如計劃執行進度、在制品數、生產過程異常數據等；從SCADA或分布式數控系統（distributed numerical control，DNC）獲取設備狀態與運行參數，例如機床實時狀態、主軸功率、主軸轉速等；從仿真系統獲取生產計劃性能評估結果，例如設備利用率、生產線平衡率、最大完工時間等；導入Hadoop分布式文件系統（hadoop distributed file system, HDFS），形成數據池.在此基礎上，基于Hadoop及其組件構建數據分析工具池，對上述數據進行處理和分析.例如，利用數據倉庫工具Hive、面向列的分布式存儲系統HBase等實現大規模數據分布式存儲與離線批處理；利用計算引擎Spark、Storm等實現實時數據流在線處理[11].根據實際應用場景和需求，按照微服務架構進行服務注冊、封裝和發布[10]，構建車間生產管控App，提供設備故障診斷、動態調度、仿真分析、產能分析、能耗分析、質量追溯等服務.以生產過程異常監測與處理為例，主要涉及設備故障診斷、動態調度與仿真分析3項服務.以加工設備（例如機床）的實時狀態、主軸功率、主軸轉速等運行參數為輸入，基于設備故障診斷服務得到機床關鍵部件（例如主軸軸承、滾珠絲桿）的故障診斷與預警信息（參見3.1節所述機床故障預測方法）；基于上述預警信息，啟動動態調度服務，在實際故障發生前進行重調度，并通過仿真分析服務評估和優化重調度方案；最后以物流指令、操作指令等形式控制物理車間制造執行過程，從而提高車間異常處理能力，降低因異常停機導致的訂單延期風險.

通過上述4個階段的實施，最終形成數字孿生車間，其運行機制如圖5中 ②～⑤所示.在生產執行前，基于調度模型生成生產計劃發送至虛擬車間驗證和優化（圖5中 ②），驗證后的生產計劃下發MES執行（圖5中 ③）.基于執行反饋和虛實同步機制，識別物理車間異常數據和事件，并調用仿真模型評估異常的影響，決定是否重調度，而重調度方案將基于虛擬車間再次驗證、評估和優化.同時，歸集實時數據和仿真數據（圖5中 ④），形成工業大數據池；基于數據挖掘和知識發現工具以微服務形式對生產過程進行持續優化和控制（圖5中 ⑤）.

3.3 面向性能評估的數字孿生城軌車輛

城軌車輛，如地鐵，是在復雜工況下長壽命周期安全可靠服役的典型復雜產品，關系到人們的出行安全，因此對其進行性能評估、故障診斷與運行維護至關重要.如圖6所示，以某地鐵系統為例，基于DTEM的應用過程包括全路網可視化建模、數字模型列車、數字投影列車和數字孿生列車4個階段.

圖6 數字孿生演進模型在智能運維中的應用Fig.6 Application of digital twin evolution model in smart management and maintenance

1）面向全路網的列車多層級系統可視化建模.按照地鐵路網、線路、列車、車輛及其關鍵零部件的層次建立全路網可視化模型.利用可擴展標記語言（extensible markup language，XML）描述地鐵路網、線路及其站點信息；通過線路編號、列車編號和車輛編號實現這三者的關聯和綁定；基于車輛物料清單（bill of material，BOM）實現對其關鍵零部件的分層樹狀管理以及CAD模型的關聯.

2）基于動力學模型的整機服役性能仿真評估.以大系統動力學為基礎，一方面，利用SIMPACK動力學仿真軟件建立了車輛多體動力學仿真模型及其評價指標體系，以軌道譜、運行速度等為輸入，評估不同工況下車輛運行安全性、平穩性和穩定性.另一方面，對于關鍵零部件，例如懸掛部件，基于卷積神經網絡訓練其振動信號下劣化辨識模型，通過實時振動數據對一系和二系懸掛參數進行劣化程度辨識，將辨識得出的結果轉換為結構參數更新至其相應模型，使仿真模型與物理對象在性能上保持一致，從而提升評估模型的精度.

3）基于行為映射的列車同步運行與狀態監控.基于車地通信單元和多功能列車通訊總線建立路網、列車和車輛三級監控體系.在路網監控級，基于路網和線路可視化模型，監控各線路列車實時運行狀態、站點信息、公里標等；在列車監控級，基于幀動畫，結合列車實時運行信息，模擬列車進出站、開關門、行駛等動作和行為；在車輛監控級，借助可視化圖表實時展示各關鍵零部件監控點變量，如振動、應力、溫度等.

4）基于云邊協同的列車性能預測與決策優化.對于時延敏感的數據分析、只需局部數據的異常情況下故障診斷以及關鍵零部件的短周期評估模型和計算部署在列車上，即邊緣側，包括關鍵部件劣化辨識、故障診斷、系統可靠性分析等模型.對于時效性要求較低，需要歷史數據、全局數據，需在較長周期內進行模型訓練和計算部署在地面控制中心，即云端.核心服務包括：基于歷史數據挖掘的關鍵部件劣化辨識模型、故障診斷模型的訓練，訓練好后再下載至邊緣側應用；涉及多條線路和多個列車的歷史和實時數據的、基于時空環比的異常定位；及基于潛在風險分析的維修策略和維修排程.以列車一系、二系懸掛部件狀態辨識與動力學評估為例，在云端，利用歷史與仿真的振動數據，基于卷積神經網絡訓練懸掛部件劣化辨識模型，將訓練好的模型下載至列車邊緣端部署；在邊緣端，基于劣化辨識模型辨識懸掛部件劣化程度，更新云端動力學仿真模型相應的懸掛部件參數（例如，一系/二系彈簧橫向/垂向剛度，二系橫向/垂向減震器阻尼等），使仿真模型與懸掛部件的性能保持一致，得到更為準確的動力學評估結果，如橫向平穩性指標，輔助決策者制定更為精準的維修策略與計劃，實現列車的預測性維修.

通過上述4個階段的實施，最終形成城軌車輛數字孿生系統，其運行機制如圖6中 ②～⑤所示.基于行為映射獲得線路、列車和車輛運行工況和實測數據進行可視化監控，同時輸入至建立好的車輛動力學模型進行性能評估（圖6中 ②）.在實時數據驅動下，計算列車平穩性、安全性和穩定性等指標，評估列車服役性能并反饋回監控中心（圖6中 ③）.基于實測數據在邊緣端對關鍵零部件進行故障診斷和劣化辨識（圖6中 ④）；實測數據和仿真數據將傳輸并存儲至云端，進行模型訓練、異常定位和維修策略制定，從而更加精準地控制列車行為，保障行車安全（圖6中 ⑤）.

4 結 論

本文提出了數字孿生演進模型（DTEM），將數字孿生演進階段與工程應用階段相結合，賦予了DTEM具體的工程背景和應用場景，有利于豐富和完善數字孿生建模方法理論體系.通過數字孿生機床、數字孿生車間和數字孿生城軌車輛3個應用實例詳細演示了DTEM在智能裝備、智能生產、智能運維中的實施方法、實施過程和潛在應用價值，通過逐階段、分步驟實施，不斷加深物理對象與其虛擬模型的融合程度，無限逼近于“孿生”.基于DTEM的指導和對實施階段的劃分以及各階段應用方法、關鍵使能技術、工具平臺的介紹，有利于企業在數字孿生實踐中研判當前所處階段，并從實際需求和應用場景出發制定適合自身發展的數字孿生建設目標、實施方案和技術藍圖.