智能制造是新质生产力形成和发展的重要驱动力，是工业 4.0/5.0 的核心，以及推动实现高效、灵活、绿色、智能的生产方式。数字孪生技术作为智能制造的关键技术之一，通过构建物理设备与虚拟模型之间的实时映射和同步，为制造业的智能化、高效化提供有力支持，推动制造业的转型升级。

智能制造数字孪生是在现代传感技术、网络技术、自动化技术、拟人化智能技术等技术的基础上，通过智能化的感知、人机交互、决策和执行技术，对产品、制造过程或整个工厂进行虚拟仿真，实现设计过程、制造过程、管理过程和制造装备智能化，提高制造企业产品研发、制造和管理效率，是信息技术、智能技术与装备制造技术的深度融合与集成。例如，在产品设计方面，通过数字孪生构建产品虚拟模型，进行产品性能仿真和优化设计，提高产品设计质量和效率 ；在生产制造方面，实时监控生产过程，预测设备故障，优化生产流程，降低生产成本 ；在供应链管理方面，基于数字孪生实现供应链数据的集成和共享，优化资源配置，提高供应链协同效率。

本文首先介绍了智能制造数字孪生概念模型和技术框架；其次，阐述了智能制造数字孪生关键技术，最后，对未来技术发展进行展望。

1 智能制造数字孪生概念模型

1.1 概念模型要求

智能制造数字孪生概念模型 ( 以下简称“概念模型”) 是在数字空间实现物理实体及过程的属性、方法、行为等特性的数字化建模，是对实体对象外部形态、内部机理和运行关系等的整体抽象描述。概念模型主要应满足如下要求 ：

(1) 持续迭代更新。在生产过程中，各类生产数据实时变化，概念模型应能根据物理实体的运行状态和反馈信息持续更新迭代，保持与物理实体的同步。

(2) 虚实交互映射。支持虚拟空间与物理空间的交互，虚拟空间既能实时反映制造过程物理空间状态，更应能通过数据融合、分析、优化、控制物理空间的运行。

(3) 多源数据驱动。制造过程涉及数据类型众多，应能融合多源异构数据，包括实时传感器数据和历史数据，以提高概念模型的准确性。

(4) 自适应参数调整。概念模型能根据不同应用场景支持自适应调整参数设置，以提高概念模型在不同环境下的适用性。

(5) 迭代优化决策。结合虚拟仿真与数据分析，支持迭代优化决策，辅助实现生产系统的智能化。

1.2 概念模型架构

本文提出由物理实体、服务实体、数字孪生实体、数据实体和各部分间的连接实体组成的五维数字孪生模型。基于文献，针对智能制造领域特点，提出如图 1 所示概念模型架构。

图 1  智能制造数字孪生概念模型架构

(1) 物理实体

物理实体是基础，对智能制造的每一个数字孪生应用场景，可以进一步划分单元级、系统级和复杂系统级等不同粒度层次。例如，整个智能工厂的数字孪生，车间生产线可作为单元级，生产线所在车间可作为系统级，而整个工厂则作为复杂系统级。如果以车间为数字孪生对象，则可将构成生产线的设备作为单元级，实现单个设备的监测、故障预测和预警以及维护；生产线作为系统级，对生产进行调度、进度控制和产品质量控制；整个车间则作为复杂系统级，对整个车间生产运行进行监测与调度优化。

(2) 数字孪生实体

数字孪生实体根据物理实体的不同层次和特点，从不同时间和空间尺度对物理实体进行描述，包括几何模型、物理模型、规则模型和行为模型等，支持产品数字孪生、生产数字孪生、设备数字孪生，贯穿整个智能制造产品生命周期管理价值链。

几何模型描述物理实体如工厂、车间、生产线、设备或设备元器件等的形状、尺寸、位置、空间布局或装配关系等，一般具有时空一致性，常用软件工具通过三维建模方式创建。

物理模型在几何模型基础上增加物理实体的物理属性、约束和特征等，如结构、流体、电场、磁场建模仿真等，可从微观和宏观等不同尺度通过一些工具软件进行数学近似模拟和刻画。

行为模型描述不同层次、不同时空下物理实体在内外部不同作用因素和作用机制下的行为和行为演化，是一个复杂的过程，可采用马尔可夫链、有限状态机等进行描述。

规则模型描述领域、准则、知识和经验，例如设备操作规程、设备调优参数、生产线运行管理规则、物料投放标准等，随着规则的增加和演化，使数字孪生实体逐渐形成实时判断、自优化、自校正和预测等能力，对物理实体进行控制和运行指导。规则模型可以通过整合现有知识库，并结合机器学习技术来发掘新的规则，从而构建和完善。通过虚拟现实 (VR) 和增强现实 (AR) 等技术对几何模型、物理模型、行为模型和规则模型等进行集成、融合和一致性校核，并与物理实体虚实叠加及融合显示，提高数字孪生体的真实性、沉浸性和交互性。

(3) 服务实体

服务实体对数据、模型、算法等进行服务化封装，为数字孪生实现提供服务支持。根据服务类型，可分为数据服务、仿真服务、业务服务等。数据服务包括数据采集、存储、清洗、关联、融合、挖掘、接入、访问等各类数据管理、处理与访问服务 ；仿真服务包括建模仿真、仿真模型组装、仿真模型融合、仿真模型管理等。业务服务对数字孪生应用过程中面向不同制造领域、不同层次用户满足各类制造业务需求的服务进行封装，以各类软件形式存在，包括面向现场操作人员的服务、面向管理决策人员的服务等，按需使用、灵活组合，实现各类制造业务能力。

(4) 数据实体

数据实体集成融合信息数据、物理数据，满足信息空间与物理空间的一致性需求，为智能制造数字孪生提供全要素、全流程和全业务的数据支持。物理数据包括反映各类物理实体规格、功能、性能、关系等的静态属性数据与反映物理实体运行状况、性能、环境参数等的动态过程数据，这些数据通过预设的标准值和各类传感器采集的数据进行设定和获取。

信息数据包括数字孪生模型数据、知识数据、生产制造业务数据等。模型数据反映数字孪生实体几何模型、物理模型、行为模型和规则模型等孪生模型数 ；知识数据包括各类制造业务标准与规则、生产知识、专家知识等 ；生产制造业务数据包括生产管理、产品管理、物料管理、调度管理、企业管理等数据。

(5) 连接实体

连接实体实现物理实体、数字孪生实体、服务实体以及数据实体之间的普适化工业互联，支持虚实实时互联与融合。通过各种传感器、嵌入式系统等对物理实体数据进行实时采集并传输到孪生数据实体，经过孪生数据实体处理后的通过相应的协议传输反馈给物理实体，实现物理实体的运行优化。物理实体实时数据通过协议传输到数字孪生实体，进行数字孪生模型的虚实一致性校正，数字孪生实体仿真分析等数据转化为控制指令传输到物理实体，对物理实体进行实时交互控制。物理实体、数字孪生实体和数据实体与服务实体实时连接，进行数据、模型、业务服务的实时访问与优化。

1.3 概念模型准确性和可靠性

概念模型的准确性和可靠性是数字孪生技术应用于智能制造的关键。可通过如下手段保障概念模型的准确性和可靠性。

(1) 数据融合。集成不同来源数据，通过时空对齐、格式对齐等数据融合的方式，提高数据的准确性和一致性。

(2) 精确建模。采用精确数学模型和算法，模拟物理实体的行为，使概念模型能够准确反映物理实体的特性。

(3) 概念模型校准。对数字孪生实体和物理实体进行数据同步性和一致性检查，确保数据同步和一致。

(4) 闭环反馈。比较数字孪生模型的输出与物理实体的实际性能差异，向模型依据差异情况进行模型调整，建立模型与物理实体的闭环反馈机制。

(5) 概念模型持续自学习和优化。通过人工智能等技术，进行概念模型持续自调整和自优化，持续提高模型预测和分析能力。

(6) 概念模型测试和验证。进行不同场景下概念模型准确性和可靠性测试和验证。

(7) 安全性保护。确保概念模型数据安全，防止数据泄露和篡改。

2 智能制造数字孪生技术架构

智能制造数字孪生技术架构描述了智能制造数字孪生概念模型不同实体之间交互的技术实现结构。如图 2 所示，物理层涉及制造领域人员、设备、物料、工艺、环境等生产要素。不同制造领域的物理实体有所不同。例如，钢铁冶炼加工企业，物理实体有冶炼高炉、矿石、铸件、冶炼控制系统等 ；船舶制造企业，物理实体有船舶原型、船舶部件、待修船舶等。

图 2 智能制造数字孪生技术架构

感知传输层提供物理层不同层次之间的互通。数据层包括物理实体的各类静态和动态数字化信息。

模型层和服务层为应用层提供各类服务，包括模型服务、数据服务、仿真服务和业务服务等。应用层利用上述各层能力，灵活构建智能制造不同领域、不同粒度的数字孪生实体，例如生产过程数字孪生、设备数字孪生、工艺优化数字孪生等，覆盖产品生命周期管理全价值链和制造全流程链。

3 智能制造数字孪生关键技术

3.1 数字孪生建模技术

建模根据被仿真对象或系统的构成要素、运动规律、约束条件和物理特性等，建立形式化的与物理实体相对应的虚拟数字孪生实体模型，反映物理实体的外观、内部的特性、结构和行为。具体在智能制造领域，建模技术是针对制造中的载体 ( 如数控机床 )、制造过程 ( 如加工过程中的热、力等 ) 和被加工对象 ( 如被制造的飞机 ) 等，应用机械、物理、力学、计算机和数学等知识，对建模对象的一种近似表达。

数字孪生实体模型在范围上，有全局结构模型( 例如工厂全生产线 )、局部结构模型 ( 如某一车间生产装置 )、产品结构模型和生产计划调度模型等 ；在方法上，有数学解析模型 ( 如状态空间模型 )、图示—解合模型 ( 如 Petri 网模型 ) 等 ；在功能上，有结构描述模型、系统分析模型、系统设计实施模型和系统运行管理模型等。

建模的主要过程包括制造数据采集与集成、模型创建、实时数据同步、闭环反馈和持续学习、可视化用户交互和数据安全保护等。

(1) 数据集成与融合

集成多个来源的数据，包括各类传感器数据、生产数据、设计数据、操作数据、原材料数据等。通过时空对齐、格式对齐、语义对齐、数据清洗、误差矫正等进行集成和融合，确保不同来源数据基于统一基准。

(2) 数字孪生实体模型创建

基于集成后的融合数据，构建物理实体的数字表示，即数字孪生实体模型。数字孪生实体模型的创建涉及到多种建模技术，包括几何建模、物理建模、行为建模等，使模型能够真实地反物理实体的各个方面。常用的建模技术主要有多尺度建模、多物理场建模、有限元分析 (FEA)、计算流体动力学(CFD)、数据驱动建模、蒙特卡洛模拟和模型降阶等。多尺度建模可以同时用于模拟物理实体的整体行为和局部细节，可处理从宏观的系统级到微观的组件级不同尺度问题 ；多物理场建模能够模拟多个物理过程如流体力学、热力学和电磁学等的模型，能够更准确反映物理实体行为 ；计算流体动力学(CFD) 可以用于模拟物理实体周围的流体环境，如气流、水流等 ；有限元分析作为一种求解偏微分方程的数值方法，可以用于模拟和分析模型中物理实体的应力、应变、温度分布等 ；蒙特卡洛模拟通过随机抽样和统计计算来模拟物理实体的行为，可以用于模拟不确定性和风险，是一种基于概率和统计理论的建模方法 ；数据驱动方法采用机器学习等对物理数据进行分析，学习和发现物理实体的行为规律，进行物理实体行为预测和优化。

在智能制造的许多场景中，对实时性有很高的要求，同时计算资源受限，通过模型降阶，降低模型复杂度，保留模型的主要特征，减少模型参数和计算量，提高模型的计算效率。实时性在不同的智能制造场景有不同的需求，应在需求与效能、代价之间取得平衡。

(3) 实时数据同步

通过高效的数据采集、传输和处理，进行数字孪生实体与物理实体的数据同步。通过高效的传感器技术、实时数据传输协议，以及云计算或边缘计算资源进行大量数据的预处理，提升数据传输效率。

(4) 闭环反馈和持续学习

通过闭环反馈机制，使模型输出用于指导物理实体的操作，实体反馈用于更新模型，通过机器学习等技术实现模型的持续学习和优化。

(5) 可视化用户交互

使用户能够轻松与数字孪生模型交互，并理解模型的输出。通过 VR 和 AR 等技术来提高用户体验，提供直观的用户界面和可视化工具。

(6) 安全性和隐私

通过加密技术和访问控制等来保护数据和模型。

3.2 数字孪生仿真技术

数字孪生仿真技术是建模的延续。创建和运行数字孪生实体，在虚拟实体环境中模拟和分析物理实体的行为，保证数字孪生体与对应物理实体实现有效闭环。智能制造领域的仿真技术主要有：

产品仿真：如系统仿真、多体仿真、物理场仿真、虚拟实验等 ；

制造仿真 ：如工艺仿真、装配仿真、数控加工仿真等 ；

生产仿真：离散制造工厂仿真、流程制造仿真等。

数字孪生的仿真程度是智能制造数字孪生成功的关键。制造产品的每个物理特性都有自己的特定模型，如结构动力学模型、热力学模型、应力分析模型、疲劳损伤模型和材料状态演化模型等。基于多物理集成模型的仿真技术可以将这些基于不同物理特性的模型关联在一起，更准确地反映物理实体在真实环境中的状态和行为，使虚拟产品取代物理原型成为可能。通过一些多物理场仿真软件，如ANSYS、COMSOL Multiphysics 等， 可 以模拟多个物理领域，创建复杂的数字孪生模型，模拟热力学、流体力学、电磁学等多个物理过程。

为了使数字孪生实体能够真实地反映物理实体的行为，准确性至关重要。通常涉及复杂的数学模型和算法，以确保数字孪生实体能够准确地预测和模拟物理实体的性能。

数字孪生仿真不仅用于模拟物理实体的当前状态，还用于预测未来的行为和性能，进行参数优化和敏感性分析，找出影响物理实体性能的关键参数，并优化这些参数以提高性能。

通过如 Unity、Unreal Engine 等 VR 和 AR 工具，创建交互式的数字孪生仿真实体，提供沉浸式的用户体验。

3.3 数据分析技术

数据分析技术是实现对数字孪生实体数据进行深度挖掘和分析的关键技术，通过数据分析，提取有价值的信息，以进行决策制定和物理实体运行控制和优化，如运行参数的调整、故障预测和预防、性能优化等。

以机器学习和深度学习为代表的人工智能技术，是数字孪生数据分析技术的重要方向，可以提升数字孪生实体的智能水平、预测能力和自主决策能力，在智能制造数字孪生领域广泛应用。

(1) 数据驱动的建模与学习。使用机器学习算法来分析数字孪生产生的大量数据，从而发现隐藏的模式和关联。这些算法可以帮助改进数字孪生实体的准确性，并预测未来的行为。

(2) 特征提取。通过深度学习技术提取无法通过传统的物理模型来捕捉的复杂系统特征，提高数字孪生实体的泛化能力。

(3) 优化控制。通过强化学习技术，训练数字孪生实体的优化控制能力，持续完善数字孪生实体的优化控制策略生成能力，应用于物理实体，提高系统的效率和性能。

(4) 异常检测。采用人工智能技术进行系统异常检测，预测潜在的故障、发现异常行为，进行预防性维护。

(5) 自然语言处理与交互式查询 ：集成自然语言处理 (NLP) 技术，允许用户以自然语言与数字孪生实体交互，查询系统的状态，并获得直观的反馈。

(6) 计算机视觉与状态监测 ：结合计算机视觉技术，数字孪生可以使用图像和视频数据来监测物理实体的状态，并自动识别和分类不同的状态或事件。

(7) 生成对抗网络 (GANs) 与数据增强 ：使用GANs 生成新的数据点，以增强训练数据集，特别是在数据稀缺或需要模拟罕见事件时。

(8) AI 辅助的模型校准与参数优化 ：利用人工智能算法自动调整数字孪生实体的参数，以更好地拟合实际观测数据，提高数字孪生实体的预测精度。

(9) 自动化决策与自主系统 ：将人工智能相应算法集成到数字孪生实体中，使其能够基于实时数据和预先设定的目标自动做出决策，实现系统的自主运行。

通过这些方法，数字孪生技术可以充分利用人工智能的能力，实现更高级的智能模拟、预测分析和自主决策，为各种应用场景提供更深入的洞察和更有效的解决方案。随着 AI 技术的不断进步，数字孪生与人工智能的结合将越来越紧密，持续推动制造领域数字化转型和智能化升级。

4 未来技术发展展望

智能制造代表着当今先进的制造业发展模式。数字孪生已成为智能制造的核心，以及智能制造不可分割的组成部分。本文提出的智能制造数字孪生概念模型，已在新能源、电子、钢铁等领域应用，取得了较好的应用成效。在更加精细化、智能化、高效化的智能制造发展进程中，如何实现全制造要素的柔性按需组合，全制造流程的自学习、自适应和自进化，以及如何根据制造场景、制造任务的不同，在大模型日益成为基础设施的大背景下，基于交互描述式进行数字孪生实体的自生成，将为智能制造领域的数字孪生提供无限的发展空间和可能。

原文刊载于《信息技术与标准化》 2024年11期  作者：齐天泓 黄海峰 曹乐 张笑竹