数字孪生，一座桥
工业企业的数字化转型，需要面临制造理念、组织方式和商业模式的多种变革。一个产品，从设计理念开始，经历了制造、使用和报废，跨越了时空，呈现出一个完整的生命周期。如果设想这种产品有一本履历表，那么它将忠实地记录了这个产品的各阶段生命周期相关的数据。各种健康状况和风险，都会一目了然，然而事实却并非如此。对于制造商而言，各阶段的数据通常呈现孤立、分散的特征，尤其是用户对于产品使用过程中，基本就是黑匣子。数据的分裂，让产品的各个阶段，都成为一座座孤岛而互不相连，数据失去了流动性，大大约束了人们的洞察力。
数字孪生，作为连接实体与数字空间的一种高保真、实时互动的可视化模型，随着工业互联网的发展，成为一种全新而有效的解决方案。工厂的设备，可以通过实时可视化的数字孪生，模拟机器在生产系统中的表现，形成一线操作者和管理者的决策支撑系统。
图1数字孪生设备
数据驱动，中心轴
企业数字化转型，围绕着数据驱动而来。而数据要真正产生的价值，需要靠企业知识体系来提供。因此，数字化转型，首先需要面对的是企业知识的梳理。但是传统的知识体系，往往呈现非常僵化的状态。例如，工程图档往往是企业的重要知识资产，但很多制造企业都是采用传统的图纸档案管理方式，以“底图”或“蓝图”的形式，进行分类、分密级归档保存。而代表企业重要的知识体系，如工艺说明、操作手册、工程文件等，已经随着企业信息化应用的逐步发展，一般都是通过扫描后进行管理。
然而这些图纸、电子文档所保存的知识，都是静态、分散和割裂的。颗粒度太大，缺乏语义的连接，无法实现相互之间的关联，流动性很差。这种知识体系，只是被收藏起来，但却无法高效重复使用。对于资深工程师而言，这只是一种储存方式而已，因为信息查找而言，仍然非常低效；而对于经验不足的员工而言，这些知识则像是被隐藏起来。
面临数字化转型，由于缺乏系统性的知识体系支撑，因此工业企业呈现出很多困境。工业场景复杂，存在海量多源异构的工业数据，多样性、复杂性的工业数据，造成工业场景信息孤岛化，数据利用价值低。数据浪费现象严重。尽管人工智能（AI）正在逐渐成为大数据分析的重要技术，但是传统AI训练，过度依赖人工开发算法。它无法关联自然语言所对应的概念、属性、关联性等。
数字化还带来新的问题，随着工业数字化普及，海量的CAD、CAE文件以及数字化的各类文档、说明书、操作手册等，信息量暴增，给用户决策带来新的痛点。
数字孪生，借助数字空间与物理世界的强关联，带来了全新的解决问题的视角。但在工业场景中，存在显性知识与隐性知识，各种结构化、半结构化和非结构化知识。如何将这些关联性弱的知识，能够结合在一起？
答案是编码体系。不同知识体系，往往各有一套编码规则。而规则之间的引线，则犹如毛线团，相互活结死结串联在一起。然而，重新解构编码体系，实现更底层元数据的关联，虽然是一场硬碰硬的笨功夫，但对于打开知识乱麻，却是非常有必要的。在对于管理软件的多年研究之后，笔者已经建立了一套自动编码体系，可以将各种概念，形成语义连接，将隐形的知识显性化。编码体系化，实际就是多元知识规则化。在此基础上，就可以构建出数字孪生技术，将实时运行数据的动态记录，叠加在传统静态模型中。这将彻底改变原有的知识管理方式，激活沉默的知识资产，从而帮助人们重新认识、管理和控制机器世界。
三步法构建数字孪生
可视化，对于数字孪生而言，可以看成是一个标配。但可视化，并不是数字孪生。构建机器数字孪生，需要有更完整的业务洞察。
数字孪生的建设，不仅仅是信息组织和表现形式的图形化，更在于构建过程中，要将企业的知识体系贯穿其中，让信息上下游之间的背景链路清晰明了。这个过程，可以采用“双模数字孪生”的方式，就是将几何模型和和机理模型相互嵌套。结合不同的设计、制造和运维的阶段，知识体系嵌入其中。
首先是需要对应物理实体，建立物理几何模型。构建物理几何模型，往往零配件开始。例如，一台烟草包装机，有1.5万个零件，需要一一建模，并且建立设备零部件库。这些零部件库的最小单位为零件级别，如螺丝、螺母。主要数据获取方式，包括从CAD软件、数据表以及现场测绘开始，构建实体等比的数字化模型。
图2从零配件开始建立物理几何模型及肌理模型
更难的在于第二步，需要围绕物理空间的运转逻辑，建立机理模型，对应运行轨迹。
机理模型，就是要将几何空间的零部件，跟控制系统的机器动作进行匹配。机器的真实运动轨迹，在几何模型都有对应描述。这其中，都是通过数据标签，来标识零部件的状态，并且跟控制逻辑相对应。例如，薄膜纸会剔除那些无法包装的烟支和烟包。而烟支无法包装的原因会有几十种：薄膜褶皱、烟支重量不够、圆周不够圆、空投、漏气、重量等。需要深入了解这些机理，然后将其做成模型和算法，并与几何模型相对应。
第三步，则是涉及到三种知识模型的构建。
第一种是设计类。从设备的设计资料出发，运用数字孪生技术，全面刻画设备的物理属性，实现虚拟设备对物理设备的真实映射，最终完成对物理设备的完全镜像。
第二种是制造知识模型的构建。运用数字孪生技术全面的刻画设备与产品之间的属性，实现虚拟设备与物理设备的数字模型真实映射。制造阶段所涉及的知识按其特性可分为基础知识、管理知识和设备知识。基础知识，表现为装备制造企业核心数据，企业组织结构、岗位、工种、人员、存货档案、固资编码、供应商等信息。生产管理知识，则表现为如生产计划、产品指标、原材料清单、绩效考核指标等。而设备知识，如供应商、规格型号、操作说明、操作规程等。
第三种是运维知识模型的构建。基于设备服务知识模型，在采集的实时数据、历史数据及领域知识等，共同实现设备的多维数字孪生模型构建。建立各种故障代码、维修对策库，并且提前通过虚拟模型，进行仿真验证，从而实现对机器状态检测、故障预测以及维修策略建议等功能。
图3设备制造知识模型与运维知识模型的构建
以上三种知识模型的建立，都离不开一套表达各种物品之间关系的知识图谱，这是构建在行业规则之上的编码体系，具有很强的支撑作用，能够快速建立知识模型，并且用可视化的方式，将背后的知识体系表达出来。
提升现场员工能力
在知识体系的基础上，构建了高保真的数字孪生，就可以在现场，提高员工的判断力，从而提升工厂的运营效率。
机器作为工业生产的必备工具，可视化管理是工业数字化转型必经阶段。而数字孪生，则更胜一筹，不仅仅让使用者对设备有形象具体的图形理解，对设备现实的状况及所有参数数据等信息一目了然，而且以非常体系化的方式，引导用户轻松使用机器。
设备数字孪生，可以将一台机器以3D的形式，展示设备整机、部套、零件之间的层次关系。用户可以借助于导航树，在烟机的不同零部件之间进行自由切换，深度了解。数字孪生会呈现出拆分动画，逐级递进，用户可以直接与场景中的3D对象进行交互，用层层“爆炸图”的方式，查看机械零件、子部件的详细信息。
图4机械结构层层分解图
设备的元器件、油路、气路等，都是等比例建模，携带各种属性信息。设备数字孪生，就像为操作者提供了一台CT机，看到机器的各种结构和属性，从而对机器有着深刻的了解。
这意味着，傻瓜式的操作，才是聪明的机器。可以基于数字孪生技术，构建3D互动模拟的在线培训系统，可以实现现实与虚拟仿真的统一。它突破了“分别翻看图纸说明书“的传统培训模式的限制，而是直接“在线手把手”。各种不同的操作规范、说明手册等，都被统一集成到一个界面上，每一步行动都有说明和提示。在大大缩短培训周期的同时，丰富了培训内容，并减少了现场实训的成本损耗和危险性。以前一台进口的高端烟草机械，即使是成熟的工人，完全掌握一台机器，需要用两三年。而现在生手工人，只需要3-6个月就可以完全上手，大大减少了对熟练工人的依赖性。
图5虚拟专家引导操作培训
设备的效率，也开始得到直截了当地优化。传统设备管理工作中，设备监管、设备控制、设备维护、库存管理等各个业务模块之间数据不互通互联，存在信息孤岛。同时还存在设备管理效率较低、设备维护成本高等问题。而基于数字孪生的设备管理应用，能够让现场发生故障的时候，不仅仅是知其然，而且知其所以然。
机器如果发生停机故障，传统方式需要统筹维修人员，然后去现场排查，排查往往又需要半天时间，找到故障原因。机器非计划停产，会给企业带来很大的损失。但这种现象，在车间里非常普遍。
而通过机器数字孪生，就可以在车间的任何一台人机界面上，直接就可以看到什么位置、何种部件、发生了何种故障。如图3中所示意。
图6设备数字孪生自动完成故障报警及诊断
这种基于设备服务知识模型，能够对设备状态进行评估，准确预警，从而帮助优化设备检测、维修计划安排和人力资源分配，大大提高了设备的运行效率与可靠度。
实际上这种应用，也可以在云平台上，对多个系统实时远程管理，并且可以细化到产线级、设备级、零部件级的运行状态，了解设备故障问题严重程度、故障描述、处理方法等。
而下一步，设备数字孪生将进一步推动智能机器的进化，实现自适应的机器控制。根据故障情况，可以直接反向去控制机器。
小记：从头到尾，串起来
从图纸到零件，从制造商到最终客户，从决策者到管理者再到操作者，数字孪生的应用贯穿在整个设备的全生命周期之中。而知识体系，则为高保真、实时互动的数字孪生提供了核心支撑。
通过数字孪生技术，实现工业知识模型化、模型软件化、软件云端协同化，推动业务流程与机器效率的提升。而在机器之上，还有车间级、企业级和供应链级。不同层次的数字孪生，对应不同的决策判断，从而使得数字化转型可以逐层切入。高保真、实时交互的数字化孪生，成为企业通向数字化转型的重要桥梁。
