本文来自公众号：Nature自然科研（ID：Nature-Research），作者：陶飞、戚庆林，题图来自：视觉中国
北京航空航天大学的陶飞和戚庆林分析了虚拟模型何以通过从设计到运维的决策仿真和优化，提升智能制造的水平。
数字孪生——对机械或系统的精确虚拟复制——正在掀起一场革命。通过结合传感器采集的实时数据，这些复杂的计算机模型几乎能全要素映射某项产品、流程或服务。很多大型公司已经在使用数字孪生发现问题并提高效率[1]。一项分析预测，到2021年，全球一半的公司都会使用这一技术[2]。
一些城市管理机构正在为城市打造数字化孪生体，上图为这一概念的艺术想象图。| 来源：Integrated Environmental Solutions
美国国家航空航天局（NASA）就在使用数字孪生监测其太空飞船的状态。能源公司通用电气（GE）和雪佛龙也在用这些数字化孪生体追踪风力发动机的运转情况。新加坡更是在开发整个城市的数据映射，专门用来监测并改进其公用设施。机器智能和云计算则能提高这些模型的能力。
实现数字孪生的潜力之前有很多工作要做。每个模型都要从零开始构建——并没有通用的方法、标准或规范。将数千个能感知振动、温度、受力、速度、功率等等的传感器数据集合起来绝非易事，另外还有数据拥有者分散，格式不统一的问题。比如，对一辆汽车来说，其材料和结构数据可能在设计师手里，制造工艺的数据可能属于生产商，销售和保养的数据则属于4S店。
结果呢？一片混乱。这种数字孪生体可能无法映射真实的物理世界，导致管理层做出错误决策。
我们将在下面列出一些主要问题，并呼吁产学携手，共同解决克服这些挑战。
数据难题
第一步要先决定采集哪些数据[3]。答案往往不是显而易见的。例如，如果想构建一个风力发电机模型，可能需要监测齿轮箱、发电机、叶片、主轴和塔架的振动，以及控制系统的电压。此外，扭矩、转速、各个部件的温度以及润滑油的状态也要追踪，再加上环境条件（风速、风向、温度、湿度和气压）。
缺失或错误的数据可能会扭曲结果，掩盖故障。比方说，一旦振动传感器发生故障，风力发电机的摆动就会无法监测。北京一家能源企业必可测科技就花了很大力气才搞明白造成蒸汽轮机过热的原因其实是润滑油泄露，而实际上是数字孪生体中缺失了润滑油量这个监测值。
布置传感器的最佳数量和位置也必须决定好。放得太少，预测就会不够准确；太多又会让用户被过于细节的数据所淹没。数据的采集频率也很关键。如果工程师每分钟从风力机齿轮箱读取数据，他们就会漏掉更短暂的故障。但是每秒抽样一次又会产生过多数据，导致数据传输瓶颈。
举个例子：有估算数据显示，谷歌的自动驾驶汽车每秒会产生1G的数据。但目前蓝牙连接的处理速度只有前者的0.03%。
再者，不同类型的数据很难融合。振动能以时间长度或频率表示；温度能用摄氏度或华氏度表示；视频和图像的分辨率可能不同。计时步调也可能不一致，特别是当数据采样频率不同的时候。例如，飞机的通信系统每几纳秒就会发送一个信号，而导航系统则是每秒记录一个位置。为抽样频率更高的数据取平均值意义不大，因为这样会损失细节。
另一个障碍是数据的所有者太过分散。比如一架波音飞机就包含了来自70个国家500多家供货商的零件，而每个供货商又有自己的数据界面、格式和软件。一般而言，这些公司不愿意对外分享商业上敏感的信息。国家也是一样——日本就限制向韩国的竞争对手出口某些电脑芯片，美国也禁止向中国公司华为出口芯片和其他技术。
模型挑战
要为某个物体或系统构建数字孪生体，研究者必须为其各个部分建模。德国生产商西门子为其产品和生产线创建了许多数学模型和虚拟表达，其中包括三维几何模型和有限元分析，后者可以追踪温度、应力和应变。故障诊断和生命周期则交由其他模型处理。
这些为不同目的所写的软件在被手工整合起来的时候，会出现其他错误。如果没有标准或指南，就很难验证最终模型的精度。很多数字孪生都需要组合使用。例如，一架虚拟飞机可能包含一个三维机身模型、一个故障诊断系统和一个监测空气和压强的系统。
还有，对数字孪生体的定义也没有统一的说法。有些人认为任何三维模型或模拟都算；另一种更大胆的想法则认为它表示一系列可以将数字世界和物理实体对应起来的集成模型或软件，可以包括或不包括来自传感器的实时数据。两者各有其规范，几乎没有重叠之处。
孪生团队
因此，想要构建出精确的数字孪生体，一个紧密合作的多领域专家团队必不可少。没有人能知道所有细节。材料科学家、冶金学家、机械师可能需要和工程师、计算机科学家和生产专家合作。随着应用场景变广，需要的专业领域也就越多。
大多数数字孪生都出现在通用电气或西门子这样的大企业里，因为组建一个团队的难度和开销都不容小觑。商业压力也会迫使大企业拒绝共享其模型，使得小企业落于下风。
无论是现实世界还是网络世界，都缺少一个能让专业人士交流和共享知识以及软件的通用空间。此外，工业界和学术界也缺乏联络，一部分是因为商业公司想要保守自己的机密。大多数学术研究主要集中在改进建模技术上，而不是如何优化数据和实现数字孪生上。
四座桥梁
以下几步有助于让数字孪生的研发步调更加一致。
首先，统一数据和模型标准。制造数据应当进行标准化处理，统一输出为某种通用格式，如XML（可扩展标记语言）就在电子商务和供应链软件等各个领域都有应用。如果存在其他数据标准，也应广泛推行。例如，电力领域采用电气和电子工程师协会（IEEE）订立的“暂态数据交换通用格式”（COMTRADE）标准；建筑业使用的是工业基础类（IFC）；国际医疗组织则要求数据符合HL7（Health Level 7）标准。
此外，开发数字孪生还需要一个兼容所有模型的通用设计和开发平台。这方面的一个进展是名为“全球协同环境”（GCE）的虚拟共享工作站。这是飞机制造商波音为规范其合作企业做法而建立的。企业、基金会、大学和政府应联合出资设立一个组织，负责监管一个更为通用的类似平台。该组织可以效仿芯片业1982年在美国北卡罗来纳州创立的非营利研究联盟——“半导体研究协会”。
第二，共享数据和模型。创立一个共享数字孪生的公开数据库，由政府资助机构或校企联盟负责管理。数据归属和开放性的问题应当得到妥善处理。
这方面的一个例子是美国国家科学基金会资助的openVertebrate平台。这个平台允许研究者免费共享脊椎动物解剖数据和模型。人们可以通过在线公开数据库MorphoSource浏览、下载并三维打印数字图像和三维网格文件。数据管理员则能看到样品数据的“数字借阅”记录，并收到使用情况的最新信息。
这类平台可以让工业界的研究人员购买数字孪生体的数据和模型，或是将它们出借给他人用于研究目的或商业应用开发。
第三，创新服务。企业应当开发一些产品和服务，降低数字孪生的构建和使用难度。例如，西门子的NX软件就结合了设计、仿真和生产工具。加拿大公司LlamaZOO开发了一个虚拟现实/增强现实应用，能让矿业管理者监测其车辆信息。芬兰的三家公司Metsä Group、Tieto和CTRL Reality所开发的虚拟森林可以模拟仿真不同的森林管理方案，以及其对经济收入和环境的影响。
第四，创建论坛。实践者和研究者都需要一片网络空间来自由讨论、开发、发表规范。为此，2017年，我们在中国的社交平台微信上建了一个专门讨论数字孪生的社交媒体群。基金会、大学和企业也应创办类似的论坛。
最后，我们还应挑选交通方便的地点设立现实世界的“创新枢纽”，集中连接工业界、数据科学家、网络专家、工程和商业决策人。英国基尔大学就在基尔商学院旁设立了一个“智能创新枢纽”。商业咨询师Booz Allen Hamilton也在华盛顿特区的联邦政府机构附近设立了好几个此类枢纽。
参考文献：
1.Tao, F., Zhang, M. & Nee, A. Y. C. Digital Twin Driven Smart Manufacturing (Academic Press, 2019).
2.Pettey, C. ‘Prepare for the impact of digital twins’ (2017). Gartner report available at https://go.nature.com/2krzbjd
3.Kusiak, A. Nature 544, 23–25 (2017).
原文以Make more digital twins为标题发表在2019年9月25日的《自然》评论上
本文来自公众号：Nature自然科研（ID：Nature-Research），作者：陶飞、戚庆林