作者

塞巴斯蒂安·施尔伯

合作伙伴数据与人工智能
Artefact

不久前，“数字孪生”一词还仅仅是一个学术概念。但如今，数字孪生已广泛应用于几乎所有行业：制造业、零售业、能源业、医疗保健业等……它带来的好处包括提高生产力、缩短产品上市时间以及提升客户满意度。事实上，在当今物理对象、流程或系统相互互联的世界中，任何与数据驱动的洞察和决策相关的应用场景，都与“数字孪生”这一概念息息相关。

从广义上讲，数字孪生是对物体（如涡轮机、汽车、人）、流程（如供应链或生产线）或整个系统（如电网、医院、城市）的虚拟呈现。它们的共同点是什么？其底层数据均源自物理世界和现实世界的测量数据。

什么是数字孪生？它们有什么作用？

如今，数字孪生正在工业的各个领域崭露头角，从制造业到零售业、汽车业、能源业、医疗保健、城市建设、科研……不一而足。数字孪生的用例和应用范围更为广泛：数据监控与可视化、效率提升、优化、情景分析、仿真以及未来状态预测。鉴于其涉及的行业和应用如此广泛，"数字孪生"这一术语缺乏明确的定义，且对不同人而言可能有着不同的含义，也就不足为奇了。

在本文中，我们将深入剖析数字孪生的核心特征，助您更好地理解这一概念并从容应对未来的讨论。此外，我们还将阐述 数字孪生两种典型模式之间的差异——这两种模式分别基于不同的数据需求、建模工作、团队技能及应用场景而产生。

掌握了这些知识，您将能够更轻松地识别这一概念，并将其应用于您的具体行业和用例中，从而从中获益。

数字孪生原型 A：数据孪生中的可视化与分析

class="lazyload

原型 A通过可视化导入的数据，并通过分析测量数据提供洞察。在其他行业和流程中，该原型通常可被概括为“商业智能”，其区别在于数字孪生通常可视化实时数据。有些公司将该原型称为“数据孪生”。

数据孪生的主要优势在于，经过清理的数据集中存储于单一位置，可供广泛用户群体访问，从而对相关对象、流程或系统提供全局视图。即使不借助人工智能或先进的机器学习算法，数据的透明度与可访问性仍能为用户提供海量信息和巨大价值。 监控、问题检测与警报等应用场景能创造额外价值；而通过任务管理或工单创建等人工交互与反馈机制，可将数据孪生融入集成的工作流管理系统。更高级的应用则利用实时数据提供预测性维护洞察，判断设备或机器何时需要检修，并根据测量数据调整维护周期。

可视化和分析数据孪生的示例：

  • 在工业领域，指任何操作室的监控屏幕，例如发电厂或生产线的控制屏幕。

  • 在物流领域，实现对整个供应链中当前库存水平的可视化。

  • 对于基础设施而言，这指的是铁路网络运营商对所有列车当前位置的概览，或是空中交通管制员对飞机位置的概览。

构建高影响力数据孪生的主要挑战在于将用户的业务知识与技术专长相结合。在拥有前一步所述的经过清理和分类的输入数据后，成功的关键在于从用户视角出发，采用以用户为中心的设计方法。基于明确定义的用户故事，我们设计图形界面，并据此推导出数据可用性的技术要求。 在可视化最小必要数据与呈现完整的端到端视图之间取得恰当的平衡，能够提供恰到好处的清晰度，从而创造洞察与价值。

数字孪生原型 B：通过动态孪生进行仿真

原型 B，即“动态”数字孪生，通过在所有此前未测量的位置动态生成信息和数据，从而创建现实世界的完整数字模型。动态数字孪生利用数据孪生中可用的数据，并生成额外信息，从而构建对整个对象、系统或流程的全面端到端视图。

动态数字孪生的核心在于能够填补数据缺失处的计算方法。 生成补充数据的方法多种多样，从基于物理方程、详细捕捉系统全部动态的模型，到简化的启发式方法、参数化等统计关系，乃至先进的人工智能和机器学习方法。这些方法不仅用于填补当前状态的空白，更是强大的引擎，能够动态生成用于场景分析和优化的替代状态输出，如下文用例部分所述。

动态数字孪生的最大价值在于利用其动态计算引擎，探索并理解资产、流程或系统如何应对变化。运行替代方案、进行假设分析，以及了解这些变化对系统的影响，这些都是强大的应用场景，有助于改进产品设计、优化运营、完善规划并确保供应安全。以下是一些示例：

  • 对于风力涡轮机制造商而言，利用数字孪生技术评估叶片形状和位置变化带来的影响，从而改进叶片设计；

  • 对于铁路运营商而言，利用数字孪生技术实时掌握乘客上车率，并通过向乘客推荐替代出行路线来优化上车率；

  • 对于电网运营商而言，识别电力供需区域及其未来变化趋势，从而为建设面向未来的电网做出正确的投资决策；

  • 对于供应链流程，需全面掌握库存水平，并根据未来需求、交货周期和产品保质期来优化订单；

  • 对于医院而言，利用数字孪生技术来了解医护人员可用性、当前患者入住率、预期患者流量以及计划手术之间的相互依存关系，从而在控制成本的同时为患者提供最佳服务。

尽管动态数字孪生的优势毋庸置疑，但其面临的核心挑战在于构成数字孪生计算引擎的各种方法。在许多情况下，简单的启发式方法或参数化可能是最佳解决方案；而在其他情况下，诸如机器学习等更先进的统计技术则更为合适。 最精确的方法仍是运用物理方程来填补空白，并确定系统将如何应对变化。评估哪种方法是正确选择的标准，将取决于用于模型训练和部署的数据可用性、具体应用场景、输出精度的要求，以及实时计算所需的计算能力。

如何开始使用数字孪生

在实现数字孪生价值的过程中，最大的挑战之一在于将这一非常宽泛的概念转化为实践，并通过具体的应用场景创造价值。在数字孪生之旅的初期阶段，有三个方面至关重要：

  • 价值识别：将“数字孪生”这一概念转化为实际应用案例可能颇具挑战。与其从“数字孪生”的理论概念入手，不如从业务角度出发，识别潜在的问题或收益。一旦明确了特定问题的价值，即可确定哪种数字孪生原型能够妥善解决该问题。

  • 业务应用：制定关于数字孪生在实际中如何应用的用户故事。开发用户界面，并考虑如何将数字孪生融入现有流程，以确保所开发的解决方案能够被采纳，并创造真正的价值。

  • 技术范围界定：明确数据需求和技术交付平台，包括前端部分。对于动态数字孪生，需评估不同方法，并根据复杂性、准确性和数据可用性，判断是采用简单的启发式方法即可，还是应采用机器学习方法，抑或需要构建完全动态的物理模型——例如在数据极度稀疏或需要进行广泛场景分析的情况下。

尽管动态数字孪生的优势毋庸置疑，但其面临的核心挑战在于构成数字孪生计算引擎的各种方法。在许多情况下，简单的启发式方法或参数化可能是最佳解决方案；而在其他情况下，诸如机器学习等更先进的统计技术则更为合适。 最精确的方法仍是运用物理方程来填补空白，并确定系统将如何应对变化。评估哪种方法是正确选择的标准，将取决于用于模型训练和部署的数据可用性、具体应用场景、输出精度的要求，以及实时计算所需的计算能力。

简而言之：通过数字孪生从物理数据中创造价值

数字孪生已从一个学术概念演变为一种变革性工具，并在各行各业得到了成功应用。 在当今物理测量相互关联的世界中，数字孪生通过提供物理对象、流程或系统的虚拟模型，助力实现数据驱动的洞察与决策。数字孪生主要分为两大类型：（A）用于可视化和分析的数据孪生，以及（B）用于仿真和场景分析的动态孪生，从而满足不同应用场景和行业的需求。随着企业识别出具体的应用场景，它们可以通过利用数字孪生来提高生产力、优化运营并改进规划，从而确保竞争优势。