数字孪生（Digital Twin）的技术应用逐步向工业生产的各个领域渗透，不仅可以针对产品建立可以实现虚实融合的数字孪生模型，也可以帮助企业建立工厂的数字孪生模型（实现工厂的可视化、透明化，优化设备布局和工厂物流，提高设备绩效）。工业数字孪生促进产品全生命周期管理，为远程操控、设备健康监测与管理等方面提供了更多可能。数字孪生技术是数字化转型升级的关键综合应用。
数字孪生就是制造业的未来
数字孪生、物联网IOT与机器学习的配合，让数据带来行动（Transforming Data into Action）。数字孪生技术背景是通过物理映射的模型来远程监控，通过数据来控制。根据从各种物联网传感器来的实时数据不断适应运行变化，并借助机器学习/人工智能预测相应物理计算物的未来，说白了物理世界变成了一个鲜活生命，每一口呼吸那就是数据的涌现。
数字孪生整合来自人工智能、软件分析、机器学习数据来构建数字仿真模型，可以提供物体变化和变化模型的数据。以数字的方式为物理对象创建虚拟模型，以模拟它们的行为。虚拟模型可以通过数据了解物理行为的状态，并进行估计和分析其动态变化过程。
所有的物理对象都将具有嵌入式计算和通信能力，以便它们能够感知环境并相互通信以提供服务。这些智能互连和互操作性也被称为物联网或机器对机器(M2M)通信。由于传感器和执行器(sensors+actuators)的可用性与价格变得平民化，数据采集变得相对容易。
物理世界和虚拟世界的融合是信息物理系统（CPS）领域的热门话题，是工业4.0的关键。信息物理系统（CPS,Cyber-Physical Systems）是一个综合计算、网络和物理环境的多维复杂系统，通过3C（Computation、Communication、Control）技术的有机融合与深度协作，实现大型工程系统的实时感知、动态控制和信息服务。CPS实现计算、通信与物理系统的一体化设计，可使系统更加可靠、高效、实时协同，具有重要而广泛的应用前景。
数字孪生初期是一个为预测性维护而创建物理资产模型的概念。数字孪生充分利用物理模型、传感器、运行历史等数据，在虚拟空间中完成映射，从而监控和识别与其真实物理对应物的潜在问题，通过结合基于物理的模型和数据驱动的分析来预测物理孪生对象剩余使用寿命remaining useful life(RUL)。
数字孪生许多人简单理解只是个映射模型其实没有抓住核心，以我的观察核心其实是RUL预测、数据协同控制。
数字孪生是一种超越现实的概念，可以被视为一个或多个彼此依赖的装备系统的数字映射系统。
数字孪生系统主要由3个主要部分组成：
现实空间中的实物产品；
虚拟空间中的虚拟产品；
将虚拟和真实产品联系在一起的数据和信息的连接。
为此，收集和分析海量的制造数据，寻找其中的信息和连接成为智能制造的关键。
数字孪生的技术架构
数字孪生的基本架构包括传感器和测量技术、物联网和机器学习。
从计算的角度来看，推动数字双胞胎的关键技术是数据和信息融合，促进信息从原始传感器数据流向更高级别的数据理解和洞察。通过基于物理的模型和数据驱动分析实现数字孪生的关键功能是提供资产的准确运营状态，这样才有助于数字孪生反映其相应物理双胞胎体（physical twin）的预警、异常检测、预测和优化的能力。
物联网系统通过其智能网关和边缘计算设备进行实时数据采集，随后融合预处理的传感数据可以喂养数字孪生模型。而离线数据经过文本/数据挖掘算法处理后输入到数字孪生体来。数字孪生结合了建模和分析技术来创建特定目标的模型，例如飞机的关键部件等。因此，数字孪生被指定为预测性维护工作以实现准确的预测，当然背后需要使用物联网传感器获取持续的数据，加上机器学习与算法的处理。
数字孪生4个主流应用场景
数字孪生通过为制造单元中的关键资产提供预测服务来确定相关的行动方案。物联网的日益普及是企业利用数字孪生平台来提升其服务和平台的理想选择。目前国际上数字孪生最为常用的应用有：
性能优化——数字孪生有助于确定最佳参数和操作，有助于一些关键性能指标最大化并为长期规划提供预测。例如，NASA提出并采用了对航天器安全性和可靠性优化的监测和优化。通过调节和改进生产过程中的参数，对于制造中使用的很多机器进行参数设置。例如，在注塑中可能需要控制塑料的温度、冷却时间、速度等等。所有这些参数都可能受到各种外部因素的影响，例如，外界温度等。通过收集所有这些数据可以改进自动设置和调整机器的参数。
运行维护——数字孪生可以分析在不同条件下数据来分析运维表现。远程设备运维经常涉及到跨工厂、跨地域设备维护，远程问题定位等场景。数字孪生在这些方面的应用，可以提升运行、维护效率，降低成本。例如，用可视化赛车引擎以识别所需的维护（即将烧毁的组件）。
机器制造——数字孪生也被用作同时创建和开发的真实机器的数字副本。来自真实机器的数据被加载到数字模型中以便在实际制造开始之前就可以对想法进行模拟和测试。例如美国国家航空航天局使用数字孪生对空间飞行器进行仿真分析、检测和预测，辅助地面管控人员进行决策。
改善客户体验——客户是影响企业战略和决策最为关键一个变量。增强客户体验以保留和探索新客户群是企业的日常经营重点，为此你可以通过直接创建面向客户的应用程序的数字孪生，企业可以获得即时反馈，从而提升面向客户的服务。
数字孪生实际应用中的4个挑战
构建和实施数字孪生的一些挑战如下：
产品生命周期管理、制造执行系统和运营管理等多系统数字孪生模型一致性与更新存在挑战。一旦将工艺计划连接到制造执行系统后，你需要使用云服务器中的数字孪生模型来生成与生产工艺设计相关的详细工作指令。为此，如果生产环境有任何变化，整个过程都会依据设计和计划来作相应更新。
如何更好构建数字化孪生与物理网络连接关系。海量的产品模型可以帮助企业设计优秀的产品，需要时间来积累设计和制造的知识，这样你才可以不断重复使用和改进。
如何将大数据分析整合到数字孪生模型中。当直接从生产设备采集实时数据时，需要同时刷新数字孪生模型上的信息。在与实际制造结果的设计相比，大数据分析应该识别两者是否存在差异并找出其中原因。
目前，将不同的工程模型集成到数字孪生上还没有优化方法。在特定领域的工具之间存在数据传输限制。
机器学习、人工智能和物联网丰盈了数字孪生
数字孪生包括传感器和测量技术、物联网、模拟和建模以及机器学习技术。随着物联网设备的使用变得无处不在，随之而来的是物联网设备产生的大量数据。在物联网-云通信模型（IoT-cloud communication models）下设备生成的大数据数量增量会导致云服务的延迟。
有多个领域有助于数字孪生的效果实现——网络、云/边缘计算、机器学习、传感器等。在人工智能领域所做的工作是用动态贝叶斯初始化的数字孪生，利用数字孪生的概念来跟踪基于时间变量的演变以及结构监测。在物联网世界中，由物理软件模型依赖传感器数据来了解其状态、响应变化、改进运营，并由人工智能来增强数字孪生功能。
在制造业中，物联网设备从产品全生命周期中生成数据，例如设计、制造、MRO等。制造数据一般来自以下几个方面：
来自制造系统（例如MES、PDM、SCM、ERP等）以及来自其他辅助系统（例如CAD/CAM、CAE等）的数据。
来自互联网/用户的数据，例如来自电商平台、社交媒体、短视频平台等。
来自制造设备的实时性能数据、产品数据材料、环境数据等。
收集数据的处理应经过多个步骤以提取信息。通过传感器、应用程序编程接口application programming interface（API）、软件开发工具包software development kit(SDK)等各种方式收集的数据，在处理和分析之前要进行清洗这个关键动作。
这些经过清理的数据集成和存储起来用于各级制造数据的交换和共享。此外，通过人工智能和机器学习、深度学习等先进数据分析方法和工具进行的实时数据或离线数据分析和挖掘是通过云计算来处理。从大量动态和模糊数据中提取的有价值的信息，使制造商能够加深对产品生命周期各个阶段的理解。因此，这将有助于制造企业做出更理性与智慧的商业决策。
数字化转型关键：大数据、云和信息物理系统的融合
信息物理系统(CPS)让基于数据分析的物理环境控制变得非常容易。物理系统从现实世界收集感官信息，并通过通信技术（无线）将它们发送到数字孪生计算模块。物联网/CPS和手机的兴起使产品更加互联和可访问，产生的大量数据允许准确定位，并通过及时深入的决策执行进一步实现对企业的主动管理。因此，人、数据、智能算法的融合对数字化制造效率有着深远的影响。
海量制造数据的采集、可视化和分析是智能制造的关键。数字孪生可以管理和优化整个制造过程（从原材料的输入到成品的输出）。虚拟车间包括操作人员、材料、设备、工具、环境等的物理模型以及行为、规则、动力学和许多其他因素。产品虚拟模型被用来建立产品数字孪生，产品数字孪生将始终与产品保持同步以探索新的增值服务机会，例如：
1.使用中的产品受到实时监控，产品数字孪生不断记录产品使用状态、环境数据、运行参数等；
2.可以模拟出产品在不同环境中的运行情况。因此，它可以确定不同的环境参数和操作行为会对产品稳定性、寿命和性能产生什么影响，从而有效管理物理产品的状态和行为。
3.基于实物产品的实时数据和历史数据，数字孪生可预测产品剩余寿命、故障发生概率等。
根据对运行的状况、剩余寿命和故障的预测，进行主动维护，避免突然停机。此外，当产品的虚拟模型出现故障时，将直观地诊断和分析故障，从而将故障部位的位置和故障的根本原因显示给用户。数字孪生可以提供拆卸顺序、备件等的维护和维修操作(MRO)指南，在开始MRO之前，先了解基于虚拟现实和增强现实在虚拟世界中开展MRO的演练以进行预测分析。由于虚拟模型忠实地反映了零件的机械结构和相互之间的耦合，它可以识别MRO策略是否有效、可执行性和最优化。产品生命周期不同阶段的数据被积累和继承，可为下一代产品的创新做出贡献。
在设计阶段，产品创新依赖于对市场偏好和客户需求的准确解读。一旦设计发生变化，制造过程就可以很容易地更新，包括更新材料清单、流程和分配新资源。因此，数字孪生、大数据和服务的融合，实现了生产、计划、优化和制造过程的实时性。
在产品的日常运营和MRO中，实物产品的虚拟模型通过传感器与产品的真实状态同步，可实时生成产品的运行状态和组件的健康状态。除了传感器数据，数字孪生还集成了历史数据，例如维护记录、能耗等，通过对这些数据的分析产品数字孪生可以持续预测产品的状态和剩余寿命、产品和故障概率。
数字孪生还可以通过比较实际产品响应和预测特定场景下的产品响应来分析未知问题，从而提高产品寿命和维护效率，降低维护成本。智能制造获取和分析所有数据需要大数据技术，最近几年IOT传感器与大数据的专业人才特别稀缺。
结论
数字孪生已被华为、特斯拉、GE等许多公司战略性选择的下一代核心基础设施，并都在专注于开发CPS相关技术和平台利用。人、数据和智能算法的融合对制造效率具有深远的影响。
从安全的角度来看，对智能制造系统的安全攻击也提出新挑战，例如，对物理基础设施、设备和环境的破坏很可能仅仅因为制造系统中执行器（actuators）与这些物体相连接而发生。你要从一开始就将物联网和机器学习嵌入到安全预防中来，并与智能制造系统中的功能集成才可以。
这篇文章前后写了很久，很硬核，我想你读起来也很难懂。但是作为新商业重要一环：
数字孪生是个重要思维模型与实践，融合AI、IOT、大数据、云计算与CPS等技术与数字化商业，抓住它就是抓住智能制造与工业4.0的牛鼻子。
有些知识是需要啃的，偶尔反刍的，有的只需要略读。数字孪生需要啃一啃，更重要找到点去实践。（本文完）
