2.3 数字孪生的核心技术

数字孪生的核心技术主要体现为6个方面，如图2-13所示。

2.3.1 多领域、多尺度融合建模

当前，大部分建模方法是在特定领域进行模型开发和熟化，然后在后期采用集成和数据融合的方法将来自不同领域的独立的模型融合为一个综合的系统级模型，但这种方法的融合深度不够且缺乏合理解释，限制了将来自不同领域的模型进行深度融合的能力。

多领域建模是指在正常和非正常情况下从最初的概念设计阶段开始实施，从不同领域、深层次的机理层面对物理系统进行跨领域的设计理解和建模。

多领域建模的难点在于，多种特性的融合会导致系统方程具有很大的自由度，同时传感器为确保基于高精度传感测量的模型动态更新，采集的数据要与实际的系统数据保持高度一致。总体来说，难点同时体现在长度、时间尺度及耦合范围3个方面，克服这些难点有助于建立更加精准的数字孪生系统。

2.3.2 数据驱动与物理模型融合的状态评估

对于机理结构复杂的数字孪生目标系统，往往难以建立精确可靠的系统级物理模型，因而单独采用目标系统的解析物理模型对其进行状态评估无法获得最佳的评估效果。相比较而言，采用数据驱动的方法则能利用系统的历史和实时运行数据，对物理模型进行更新、修正、连接和补充，充分融合系统机理特性和运行数据特性，能够更好地结合系统的实时运行状态，获得动态实时跟随目标系统状态的评估系统。

目前将数据驱动与物理模型相融合的方法主要有以下两种。

（1）采用解析物理模型为主，利用数据驱动的方法对解析物理模型的参数进行修正。

（2）将采用解析物理模型和采用数据驱动并行使用，最后依据两者输出的可靠度进行加权，得到最后的评估结果。

但以上两种方法都缺少更深层次的融合和优化，对系统机理和数据特性的认知不够充分，融合时应对系统特性有更深入的理解和考虑。目前，数据与模型融合的难点在于两者在原理层面的融合与互补，如何将高精度的传感数据统计特性与系统的机理模型合理、有效地结合起来，获得更好的状态评估与监测效果，是亟待考虑和解决的问题。

无法有效实现物理模型与数据驱动模型的结合，还体现在现有的工业复杂系统和装备复杂系统全生命周期状态无法共享、全生命周期内的多源异构数据无法有效融合、现有的对数字孪生的乐观前景大都建立在对诸如机器学习、深度学习等高复杂度及高性能的算法基础上。将有越来越多的工业状态监测数据或数学模型替代难以构建的物理模型，但同时会带来对象系统过程或机理难于刻画、所构建的数字孪生系统表征性能受限等问题。

因此，有效提升或融合复杂装备或工业复杂系统前期的数字化设计及仿真、虚拟建模、过程仿真等，进一步强化考虑复杂系统构成和运行机理、信号流程及接口耦合等因素的仿真建模，是构建数字孪生系统必须突破的瓶颈。

2.3.3 数据采集和传输

高精度传感器数据的采集和快速传输是整个数字孪生系统的基础，各个类型的传感器性能，包括温度、压力、振动等都要达到最优状态，以复现实体目标系统的运行状态。传感器的分布和传感器网络的构建以快速、安全、准确为原则，通过分布式传感器采集系统的各类物理量信息表征系统的状态。同时，搭建快速可靠的信息传输网络，将系统状态信息安全、实时地传输至上位机供其应用，具有十分重要的意义。

数字孪生系统是物理实体系统的实时动态超现实映射，数据的实时采集传输和更新对数字孪生具有至关重要的作用。大量分布的各类型高精度传感器在整个孪生系统的前线工作，起着最基础的感官作用。

目前，数字孪生系统数据采集的难点在于传感器的种类、精度、可靠性、工作环境等各个方面都受到当前技术发展水平的限制，导致采集数据的方式也受到局限。数据传输的关键在于实时性和安全性，网络传输设备和网络结构受限于当前的技术水平无法满足更高级别的传输速率，网络安全性保障在实际应用中同样应予以重视。

随着传感器水平的快速提升，很多微机电系统（Micro-Electro-Mechanical System，MEMS）传感器日趋低成本化和高集成度，而如loT这些高带宽和低成本的无线传输等许多技术的应用推广，能够为获取更多用于表征和评价对象系统运行状态的异常、故障、退化等复杂状态提供前提保障，尤其对于旧有复杂装备或工业系统，其感知能力较弱，距离构建信息物理系统（Cyber Physical System，CPS）的智能体系尚有较大差距。

许多新型的传感手段或模块可在现有对象系统体系内或兼容于现有系统，构建集传感、数据采集和数据传输于一体的低成本体系或平台，这也是支撑数字孪生体系的关键部分。

2.3.4 全生命周期数据管理

复杂系统的全生命周期数据存储和管理是数字孪生系统的重要支撑。采用云服务器对系统的海量运行数据进行分布式管理，实现数据的高速读取和安全冗余备份，为数据智能解析算法提供充分可靠的数据来源，对维持整个数字孪生系统的运行起着重要作用。通过存储系统的全生命周期数据，可以为数据分析和展示提供更充分的信息，使系统具备历史状态回放、结构健康退化分析及任意历史时刻的智能解析功能。

海量的历史运行数据还为数据挖掘提供了丰富的样本信息，通过提取数据中的有效特征、分析数据间的关联关系，可以获得很多未知但却具有潜在利用价值的信息，加深对系统机理和数据特性的理解和认知，实现数字孪生体的超现实属性。随着研究的不断推进，全生命周期数据将持续提供可靠的数据来源和支撑。

全生命周期数据存储和管理的实现需要借助于服务器的分布式和冗余存储，由于数字孪生系统对数据的实时性要求很高，如何优化数据的分布架构、存储方式和检索方法，获得实时可靠的数据读取性能，是其应用于数字孪生系统面临的挑战。尤其应考虑工业企业的数据安全及装备领域的信息保护，构建以安全私有云为核心的数据中心或数据管理体系，是目前较为可行的技术解决方案。

2.3.5 虚拟现实呈现

虚拟现实（VR）技术可以将系统的制造、运行、维修状态呈现出超现实的形式，对复杂系统的各个子系统进行多领域、多尺度的状态监测和评估，将智能监测和分析结果附加到系统的各个子系统、部件中，在完美复现实体系统的同时将数字分析结果以虚拟映射的方式叠加到所创造的孪生系统中，从视觉、声觉、触觉等各个方面提供沉浸式的虚拟现实体验，实现实时、连续的人机互动。VR技术能够帮助使用者通过数字孪生系统迅速地了解和学习目标系统的原理、构造、特性、变化趋势、健康状态等各种信息，并能启发其改进目标系统的设计和制造，为优化和创新提供灵感。通过简单地点击和触摸，不同层级的系统结构和状态会呈现在使用者面前，对于监控和指导复杂装备的生产制造、安全运行及视情维修具有十分重要的意义，提供了比实物系统更加丰富的信息和选择。

复杂系统的VR技术难点在于需要大量的高精度传感器采集系统的运行数据来为VR技术提供必要的数据来源和支撑。同时，VR技术本身的技术瓶颈也亟待突破和提升，以提供更真实的VR系统体验。

此外，在现有的工业数据分析中，往往忽视数据呈现的研究和应用，随着日趋复杂的数据分析任务以及高维、高实时数据建模和分析需求，需要强化对数据呈现技术的关注，这是支撑构建数字孪生系统的一个重要环节。

目前很多互联网企业都在不断推出或升级数据呈现的空间或软件包，工业数据分析可以在借鉴或借用这些数据呈现技术的基础上，加强数据分析可视化的性能和效果。

2.3.6 高性能计算

数字孪生系统复杂功能的实现在很大程度上依赖其背后的计算平台，实时性是衡量数字孪生系统性能的重要指标。因此，基于分布式计算的云服务器平台是系统的重要保障，优化数据结构、算法结构等提高系统的任务执行速度是保障系统实时性的重要手段。如何综合考量系统搭载的计算平台的性能、数据传输网络的时间延迟及云计算平台的计算能力，设计最优的系统计算架构，满足系统的实时性分析和计算要求，是应用数字孪生的重要内容。平台计算能力的高低直接决定系统的整体性能，作为整个系统的计算基础，其重要性毋庸置疑。

数字孪生系统的实时性要求系统具有极高的运算性能，这有赖于计算平台的提升和计算结构的优化。但是就目前来说，系统的运算性能还受限于计算机发展水平和算法设计优化水平，因此，应在这两方面努力实现突破，从而更好地服务于数字孪生技术的发展。

高性能数据分析算法的云化及异构加速的计算体系（如CPU+GPU、CPU+FPGA）在现有的云计算基础上是可以考虑的，其能够满足工业实时场景下高性能计算的两个方面。