“华如研究”系列之三：工业数字孪生体的概念形态、构建范式与应用实例
数字孪生概念经过大约20年的发展和演变，当下已成为热点，数字孪生是以建模仿真为核心的一种技术，也可以称为是建模仿真技术的演化发展，并非对建模仿真技术的取代。在建模仿真技术领域依然存在许多短板和“卡脖子”的情况下，对数字孪生的研究应建立在建模仿真技术基础上循序渐进。考虑到数字孪生技术对建模仿真的拓展和推动，以及引出的新的问题，也有必要开展深入研究，在遵循科学客观规律的前提下，争取实现少走弯路和跨越式发展。
数字孪生应具有如下三个基本特点，所针对的对象或过程首先具有时间上的宏观持续性，能够观测和获取系统状态数据，并且具有在线或实时干预、调整的必要和可能。在这个前提下，通过构建数字孪生体并在其上开展研究和分析，最终反馈或作用于物理世界，是数字孪生概念或有关技术的前提和使命任务。除此之外的数字化技术严格意义来讲都不能称为数字孪生，例如计算机辅助工程采用数字化手段对系统结构、电磁、热的分析，系统仿真中的弹道仿真和控制管理系统仿真，作战对抗的计算机兵棋或计算机生成兵力等，这些数字化方法都可以也应当是数字孪生技术栈的一部分，但需要有新的架构和范式的牵引和改造集成。
进一步从数字孪生的研究对象来看，至少可大致分为简单系统和有组织的复杂系统（或称为“体系”），所谓简单系统是系统的机理是确定的、可以用数学方程加以描述的，例如航天器；有组织的复杂系统无法用数学方程描述，且自身具有不确定、混沌、涌现等特点，例如城市、战争或生产制造系统。这两类系统的数字孪生最大的差异是模型和建模方法，其次在系统观测和反馈控制上也有显著的差异，甚至直接决定工程可实现性，最终体现在不同系统数字孪生构建范式上。
数字孪生：Digital Twin（数字双胞胎），也被称为数字映射、数字镜像。是充分的利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。
数字孪生体：数字孪生体是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，通过性能和状态优化以及指令发送来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。
MBSE：基于模型的系统工程（Model-Based Systems Engineering，MBSE）是建模方法的形式化应用，以使建模方法支持系统需求、设计、分析、验证和确认等活动，这些活动从概念性设计阶段开始，持续贯穿到设计开发以及后来的所有寿命周期阶段。
X 语言：是一种面向复杂系统支持 MBSE 的新一代一体化建模仿真语言，X 语言深层次地融合现有建模语言 SysML、Modelica 的思想及描述规范，基于离散事件系统规范 (Discrete Event System Specification, DEVS)，实现系统架构设计和物理特性的一体化建模。
LVC：源于军事的一种仿真技术。实况-虚拟-构造 (Live、Virtual、Constructive, LVC)，Live代表真实的人操作真实的装备，Virtual代表真实的人操作模拟器，Constructive代表纯数字模型，在军事仿真的应用中，都会存在以模型训练、试验鉴定、装备论证和作战实验为目的，将LVC三种形态的实体在同一个场景中联合运行。LVC的形式和很多数字孪生的场景非常类似。
模型：模型是对客观世界中的实体和活动进行抽象而形成的正规化的表达。模型的表达形式可以是符号、图形、文本、数学公式、几何结构等等。模型的作用是帮助人类分析问题、处理问题、传播理念。
近年来，数字孪生技术在航空航天、工业制造、交通物流等多个行业中被大范围的应用，但各个行业对数字孪生的认知存在着差异，构建数字孪生体也存在着不同的方式。针对数字孪生都会存在以下几个误区：
认为三维就是数字孪生，忽略数字孪生的关键作用是分析复杂系统，三维视景只是结构的可视化，使得人们观察孪生对象时有了更直观的感受，但是与对于其内在机理的挖掘和推演还有很大距离；
认为在与现实世界双向映射的虚拟场景中，人类能控制物理世界中的某些设备，下达指令就是数字孪生。忽略了数字孪生的辅助决策甚至自主决策的作用；
在数字孪生系统中，数据存储在关系型数据库或者大数据中，数据大多以二维表的形式存在，数据间的关联关系通过主键、外键或者类SQL查询语句建立。这种形式，没有在数字空间中，对孪生对象建立起整体的架构模型，也没办法形成数据和业务问题间的关联关系，从而无法从数据的角度运用模型算法去挖掘出更深层次的逻辑关系。
物理世界中尚未出现或者未成型，需要先在数字空间中构建，从而指导物理实体或者方案的实现。此时物理世界对数字世界的映射采用离线 孪生
将物理世界中关注的实体映射在数字空间中，可以实时或者离线式的进行双向的映射和控制。
三种形态不存在递进关系，而是根据不同的应用场景，使用不相同的形态。例如原生形态通常应用在复杂产品或复杂体系的设计；孪生形态通常应用于园区、场站、工厂的运营；共生形态是未来的一种模式，随着元宇宙有关技术和应用逐步普及，其应用将会慢慢的多。
系统一词来源于英文system的音译，即若干部分相互联系、相互作用，形成的具有某些功能的整体。中国著名学者钱学森认为：系统是由相互作用相互依赖的若干组成部分结合而成的，具有特定功能的有机整体，而且这个有机整体又是它从属的更大系统的组成部分。从建模仿真的角度来看，系统通常由固定结构的系统或者分系统，为完成特定目标而组合构成的。
体系（System of Systems, SoS）是一个由多个系统组成的特殊系统；每个组成的系统都有其各自的管理、目标和资源，同时这些系统在体系中进行协调以达成体系的目标。
体系虽然是由系统构成，但是与系统有非常大的差别，这些差别都对数字孪生的实现有不一样的影响。
系统的结构是组合关系，其组成要素相对固定，体系的结构是聚合关系，随着外部和内部的变化，会动态调整。
系统的目标相对明确，能够最终靠若干量化的指标来进行度量，体系的目标存在一定的不确定性，一定要通过专家定性的经验结合定量指标来协同完成，完成目标的评价维度也比较高。
系统和体系都具有复杂的特点，但是系统的复杂性通常体现在对其物理特征的描述方面，而体系的复杂性更多的体现在其组成要素的数量多、分布广以及要素的动态聚合和行为涌现方面。
运用物联网、人工智能等技术，对现有物理设备或者系统来进行集成，可以实时监控运作时的状态，用于城市治理、园区（场站）运维、装备故障预测和健康管理、产线排程调度、运行能耗分析等；
运用CAX、建模仿真、运筹学和人工智能等技术，开展产品设计、物流规划、工艺和产线 培训演练
运用人工智能、虚拟现实等技术，将使用者带入虚拟或虚实结合场景，对应急事件、工艺操作等过程进行反复培训、演练和考核。
不同应用场景其对技术方面的要求存在一定的差异，在运营决策场景，更关注的是智能度，能否帮助人们辅助决策；在设计决策场景，关注的是真实度，更侧重模拟真实世界的真实度；在培训演练场景，是希望让受训人员进入到更逼真的场景，因此更侧重其拟真度。将成熟度等级分为三级，具体如表所述。
数字孪生体构建范式的核心是模型，通过建模、链接、度量和优化四个环节的螺旋迭代，构建一个持续的、权威的、综合的，具有强关联结构、动态的、可扩展的数字孪生体，可以为分析问题、处理问题提供真相源。该方法以基于模型的系统工程方法（MBSE）将孪生的物理对象用模型的方式来进行表达；然后建立起模型和模型间、数据和数据间、模型和数据间、模型和物理事件间的关联，从而能够成体系的将各种来源的数据、模型整合起来，形成一个描述孪生对象的动态的数字实体；在该基础上，通过建立量化指标体系，结合专家经验的定性分析，并采用仿真技术和数据采集的手段，解算度量值；最后运用运筹学、神经网络等手段，对孪生体模型参数进行调优。以上步骤反复螺旋迭代，可以对孪生对象开展多维度、多视点的研究，为识别规律、优化设计、预测演化提供支撑。
01 建模数字化有别于信息化、自动化的关键标志是模型。模型是对客观事物的正规化表达。模型的种类可大致分为概念模型、架构模型、算法模型、仿真模型等等。建模是根据孪生对象的内在机理和外在环境，以领域元模型为规范，以架构模型视图的形式对孪生对象进行描述和表达，建模的产出物是一组体系模型视图，清晰、明确的定义了视图模型间的结构和关联。
链接是将第一个环节“建模”的输出：体系模型视图，与仿真模型、数据和物理传感器建立起映射关系的活动。传统的虚实映射，更多的是通过数据接口或者API接口建立起关联关系，没有架构的约束和规范，当数据源或者环境等要素发生明显的变化时，需要在代码层重新联调。本环节是在“建模”的结果上，将架构模型和仿真模型、数据源、传感器等进行关联，当发生明显的变化时，可以直观在模型视图上进行更新。
度量是对数字孪生体的多维度的、量化的特征表达，也是验证、校验和确认数字孪生体模型的重要步骤。度量是从多个视角，对数字孪生体进行指标设计、数据生成、数据收集以及挖掘分析的持续定量化过程。指标设计是指从多个关注点出发设计关联指标和聚合的指标体系；数据生成是指仿真引擎调度模型产生数据的过程；数据采集是指从仿真系统或者物理传感器中搜集数据的过程；指标解算是将采集的数据按照指标算法解算的过程。
优化是设计目标函数，运用运筹学、神经网络等算法模型，通过调整“建模”中的模型参数，从而获得最优或者最合适结果的过程。优化一般会用定性和定量结合的方式，明确的问题用确定的规则算法，例如线性规划、动态规划等，不确定的问题采用神经网络辅助的方式开展。
以上四个环节，反复螺旋迭代，目的是构建一个持续的、权威的、可提供权威真相源的数字孪生体及其运行环境。
01 场景一：供应链优化调度-产运销一体化调运优化数字孪生某大型能源企业，面临能源供应安全、保电保供等实际困难，以及运输网络结构简单抗风险能力比较差、人力资源成本比较高、供应链业务应用模式与实际业务需求匹配度不高、供应链运行效率低等诸多问题，需要对其产运销一体化调运系统构建一个数字孪生系统，使公司实现数字化转型、实时化调度，提升供应链网络整体竞争力，提高生产效率、运营效率和安全性。该数字孪生系统的应用场景属于运营决策中的供应链优化，按照建模、链接、度量和优化构建其数字孪生体，并优化方案。
数字孪生体由煤矿、转运点、货运列车、铁路线、指挥调度中心、港口、船舶、电厂、煤产品等构成，每个实体根据其特征设计了参数和行为流程，并建立模型及各个实体间的关系，以及结合企业的运输网络结构、业务流转关系等特征，完成整个产运销一体化调运优化业务模型及场景模型的配置，相关实体业务模型及场景模型如图2所示。
同时，将实体参数与MIS系统中实时采集的数据来进行链接，在仿真系统中通过运用混合线性规划算法，基于效益最高的目标进行仿真和指标的计算；在优化环节，通过人在回路的方式调整由于算法的问题导致不可执行的部分，进行方案调优。通过反复迭代，最终形成可下发给所有的环节的调度任务。经过优化的方案与同比方案经过数学测算，可提升整体利润率。
02 场景二：复杂装备设计-某型舰艇动力装置数字孪生某型舰艇动力装置最重要的包含泵、阀、换热器、管道、水箱等、电机、开关、继电器等设备，是一个涉及范围广、规模庞大、系统复杂、技术密集的重要系统，必然的联系舰艇遂行任务的成功与否。如何合理设计相关参数，是舰艇动力装置研究的主要问题。
舰艇动力装置模型组件包括可视化组件和设备模型组件，可视化组件是模型无关的，设备模型组件是能够适用于组态建模并可在仿真引擎中加载运行的系统模型。针对复杂系统，设备模型组件是一个多专业领域的复合模型，以动力装置为例，典型的系统组件包括：热工水力组件（泵、阀、换热器、管道、水箱等）、控制组件（控制器，与门，或门等）、电气模型（电机、开关、继电器等）。
需要完成的工作最重要的包含：组件拖放和连线设置。拖放组件在系统中添加当前模型，组件之间连线描述了两个组件之间的变量传递关系。
舰艇动力装置模型运行过程中，各设备的运行数据实时采集到系统中，可通过可视化界面实时观察设备的运作时的状态，同时系统也会给出设备的运行趋势，辅助设计人员对设备参数进行趋势变化分析。如下图所示。
（4）优化舰艇动力装置的优化问题涉及多个设备、多个子系统的参数寻优，系统提供了G-N法、L-M法、线性规划、动态规划、神经网络算法等多种优化算法，用户可通过组态编辑器，一直在优化调整模型参数，仿真引擎装载各设备模型参数，在计算步长内，执行优化算法并进行数据交换，获得的最优或者最合适的结果数据会经过预处理后推向前端。
针对某石油化学工业单位预警预测能力弱、事故成因分析难、应急处置效率低等问题，构建模拟仿真演练数字孪生系统，为设备预警预测、应急处置演练提供应用场景，通过构建仿真模型、连接装备数据、仿真处置流程，从而完成石油化厂站的应急演练和培训，如下图所示。
在数字孪生系统建设中，以安全事故为重点关注对象，建立工厂环境、设备外观、物理机理、流程行为、处置措施等参数化、全要素的模型；实时接入储罐、设施等运行数据，实现物理实体与虚拟实体的映射；通过人在回路的方式在数字空间中驱动模型运行和展现，并对关键指标做评估和分析；从而辅助开展安全事故应急预案优化，增强人员应急处置能力，提升石化厂防范预警、特情处置的整体水平。
上述构建各种数字孪生体所使用的仿真工具为华如科技的“TSIM装备数字孪生”系列新产品，产品以自主可控的复杂产品统一建模语言“X语言”和基于模型的系统工程（MBSE）为指导，围绕复杂装备的设计、制造、测试和运营全生命周期，提供体系架构建模、装备虚拟样机、运营规划仿真、半实物仿真、装备虚拟实训等能力。产品在解决复杂装备的架构设计与装备制造全周期系统仿真验证方面具备先进性和创新性，是首个将离散事件仿真、建模语言、智能体建模等技术用于工业制造的工程化产品，完全自主可控，仿真引擎和分布式中间件的性能处于国际领头羊。目前产品在核动力、探月工程和战略装备研制中起到国产替代的作用，可为国家数字化转变发展方式与经济转型、智能制造等发展的策略提供技术支撑。
