随着工业技术以及新一代信息技术的迅速发展，航空航天、工业制造等各领域的装备日趋复杂，如无人机、卫星、工业机器人、风力发电机等典型复杂装备的集成化、智能化程度不断提高。伴随着复杂装备的发展，其设计、研制、测试、运行、维护等全寿命周期成本大幅度增加。针对复杂装备运行的可靠性、经济性等问题，故障预测和健康管理( prognostics and health management，PHM) 获得越来越多的关注，并逐渐发展为复杂装备自主式后勤保障的重要技术基础。由于传感技术与物联网技术的发展，以及复杂装备运行环境的动态变化，装备监测数据量倍增，并呈现高速、多源异构、易变等典型工业大数据特点。然而，当前 PHM 相关体系及关键技术研究主要由装备在已知理想运行状态下的监测数据所驱动，难以满足复杂装备在动态多变运行环境下实时状态评估与预测的精度及适应性需求。

数字孪生技术的出现以及迅速发展为解决上述问题提供了新的思路。数字孪生的概念模型最早由 Grieves M．W．于2003 年提出，数字孪生指在信息化平台内建立、模拟一个物理实体、流程或者系统。借助于数字孪生，可以在信息化平台上了解物理实体的状态，并对物理实体里面预定义的接口元件进行控制。数字孪生是物联网里面的一个概念，通过集成物理反馈数据，辅以人工智能、机器学习和软件分析，在信息化平台内建立一个数字化模拟。这个模拟会根据反馈，随着物理实体的变化而自动做出相应的变化。理想状态下，数字孪生可以根据多重的反馈源数据进行自我学习，几乎实时地在数字世界里呈现物理实体的真实状况。数字孪生的反馈源主要依赖于各种传感器，如压力、角度、速度传感器等。数字孪生的自我学习（或称机器学习） 除了可以依赖于传感器的反馈信息，也可以是通过历史数据，或者是集成网络的数据学习。后者常指多个同批次的物理实体同时进行不同的操作，并将数据反馈到同一个信息化平台，数字孪生根据海量的信息反馈，进行迅速的深度学习和精确模拟。

2010 年，美国国家航空航天局在太空技术路线中采用数字孪生实现飞行系统的全面诊断和预测功能，以保障在整个系统使用寿命期间实现持续安全地操作。之后，NASA 和美国空军联合提出面向未来飞行器的数字孪生范例，并将数字孪生定义为一个集成了多物理场、多尺度、概率性的仿真过程，基于飞行器的可用高保真物理模型、历史数据以及传感器实时更新数据，构建其完整映射的虚拟模型，以刻画和反映物理系统的全生命周期过程，实现飞行器健康状态、剩余使用寿命以及任务可达性的预测。美国空军研究实验室(AFRL) 于2011年引入将数字孪生技术用于飞机结构寿命预测的概念模型，并逐渐扩展至机身状态评估研究中，通过建立包含材料、制造规格、控制、建造过程和维护等信息的机身超现实、全寿命周期计算机模型，并结合历史飞行监测数据进行虚拟飞行，以评估允许的最大负载，确保适航性和安全性，进而减轻全寿命周期维护负担，增加飞机可用性。数字孪生技术近年来在工业制造领域同样发展迅速。GE 基于 Predix 平台构建资产、系统、集群级的数字孪生，生产商和运营商可以分别利用数字孪生来表征资产的全寿命周期，以便更好地了解、预测和优化每个资产的性能。ANSYS 公司提出通过利用 ANSYSY Twin Builder 创建数字孪生并可快速连接至工业物联网( industrial internet of things，IIoT) 平台，帮助用户进行故障诊断，确定理想的维护计划，降低由于非计划停机带来的成本，优化每项资产的性能，并生成有效数据以改进其下一代产品。

虽然各大研究机构及相关企业都推出了各自的数字孪生理念，但实例化的应用尚未获得实现，且对复杂装备数字孪生的定义以及关键技术尚不明确，尤其是在复杂装备状态评估与预测领域，缺乏相应的体系支撑和关键技术引导。

图1. 数字孪生工业制造示意

2.数字孪生体系架构

数字孪生技术的实现依赖于诸多先进技术的发展和应用，其技术体系按照从基础数据采集层到顶层应用层依次可以分为数据保障层、建模计算层、数字孪生功能层和沉浸式体验层，每一层的实现都建立在前面各层的基础之上，是对前面各层功能的进一步丰富和拓展，数字孪生体系架构如图2所示。

图2. 数字孪生体系架构

数据保障层是整个数字孪生技术体系的基础，支撑着整个上层体系的运作，其主要由高性能传感器数据采集、高速数据传输和全寿命周期数据管理三个部分构成。先进传感器技术及分布式传感技术使整个数字孪生体系能够获得更加准确、充分的数据源支撑，海量复杂系统运行数据包含用于提取和构建系统特征的最重要信息，相比于专家经验知识和系统，系统实时传感信息更准确、更能反映系统的实时物理特性，对多运行阶段系统更具适用性。高带宽光纤技术的使得海量传感器数据的传输不再受带宽的限制，降低了系统延时，保障了系统实时性，提高了数字孪生系统的实时跟随性能。分布式云服务器存储技术为全寿命周期数据的存储和管理提供了平台保障，高效率存储结构和数据检索结构为海量历史运行数据存储和快速提取提供了重要保障，为基于云存储和云计算的系统体系提供了历史数据基础，使大数据分析和计算的数据查询和检索阶段能够快速可靠完成。

建模计算层在获得数据保障层提供的数据后利用数据驱动方法和基于数学模型的方法对系统进行多物理、多尺度层面的建模，使所建立的模型与实际系统准备匹配、实时同步，并能预测系统未来状态和寿命，依据其当前和未来健康状态评估其执行任务成功的可能性。建模计算层主要由建模算法和一体化计算平台两部分构成，智能算法部分充分利用机器学习和人工智能领域的技术方法实现系统数据的深度特征提取和建模，通过采用多尺度多模型的方法对传感数据进行多层次多尺度的解析，挖掘和学习其中蕴含的相关关系、逻辑关系和主要特征，实现对系统的超现实状态表征和建模。计算部分分为系统嵌入式计算和云服务器计算两部分，协同完成系统的计算任务。嵌入式计算层在端上完成数据的分析和建模，使得数据分析工作不再仅仅依赖于云端计算，并且通过端上数据计算和处理，减小了通过链路传输的数据量，节省了传输时间，提高了系统时效性; 云服务器计算层是整个体系的计算核心，为复杂的建模计算提供硬件计算平台，在平台上利用分布式计算方法对经过链路传送到云端的数据以及历史存储数据进行高速解析，智能算法模型的训练和应用都在云端完成。建模计算层是整个数字孪生体系的核心部分，为功能层提供多视角、多尺度的系统模型和评估结果。

功能层面向实际的系统设计、生产、使用和维护需求提供相应的功能，包括多层级系统寿命估计、系统集群执行任务能力的评估、系统集群维护保障、系统生产过程监控以及系统设计决策等功能。针对复杂系统在使用过程中存在的异常和退化现象，在功能层开展针对系统关键部件和子系统的退化建模和寿命估计工作，为系统健康状态的管理提供指导和评估依据。对于需要协同工作的复杂系统集群，功能层为其提供协同执行任务的可执行性评估和个体自身状态感知，辅助集群任务的执行过程决策。在对系统集群中每个个体的状态深度感知的基础上，可以进一步依据系统健康状态实现基于集群的系统维护保障，节省系统的维修开支和避免人力资源的浪费，实现系统群体的批量化维修保障。数字孪生体系的最终目标是实现基于系统全寿命周期健康状态的系统设计和生产过程优化改进，使系统在设计生产完成后能够在整个使用周期内获得良好的性能表现。作为整个数字孪生体系的直接价值体现，功能层可以根据实际系统需要进行定制，在建模计算层提供的强大信息接口的基础上，功能层可以满足高可靠性、高准确度、高实时性以及智能辅助决策等多个性能指标，提升产品在整个寿命周期内的表现性能。

沉浸式体验层提供给使用者人机交互良好的使用环境，让使用者能够获得身临其境般的技术体验，迅速了解和掌握复杂系统的特性和功能，并能够便捷地通过语音和肢体动作访问数字孪生体功能层提供的信息，获得分析和决策方面的信息支持。未来的系统使用方式将不再仅仅局限于听觉和视觉，同时还将集成触摸感知、压力感知、肢体动作感知、重力感知等多方面的信息和感应，使使用者在使用时能够完全复现真实的系统场景，并通过人工智能的方法了解和学习到真实系统本身不能直接反映的系统属性和特征。通过学习和了解在实体对象上接触不到或采集不到的物理量和模型分析结果，使用者能够对系统获得更深入的理解，设计、生产、使用、维护等各个方面的改进和优化灵感将被激发和验证。体验层是直接面向用户的层级，以用户可用性和交互友好性为主要参考指标。

3. 数字孪生关键技术

3. 1 多领域多尺度融合建模

多领域建模是指在正常和非正常工况下从不同领域视角对物理系统进行跨领域融合建模，且从最初的概念设计阶段开始实施，从深层次的机理层面进行融合设计理解和建模。当前大部分建模方法是在特定领域进行模型开发和熟化，然后在后期采用集成和数据融合的方法将来自不同领域的独立的模型融合为一个综合的系统级模型，但这种融合方法融合深度不够且缺乏合理解释，限制了将来自不同领域的模型进行深度融合的能力。多领域融合建模的难点是多种特性的融合会导致系统方程具有很大的自由度，同时传感器采集的数据要求与实际系统数据高度一致，以确保基于高精度传感测量的模型动态更新。多尺度建模能够连接不同时间尺度的物理过程以模拟众多的科学问题，多尺度模型可以代表不同时间长度和尺度下的基本过程，并通过均匀调节物理参数连接不同模型，这些计算模型比起忽略多尺度划分的单维尺度仿真模型具有更高的精度。

3.2 数据驱动与物理模型融合的状态评估

对于机理结构复杂的数字孪生目标系统，往往难以建立精确可靠的系统级物理模型，因而单独采用目标系统的解析物理模型对其进行状态评估不能获得最佳的评估效果，采用数据驱动的方法利用系统的历史和实时运行数据，对物理模型进行更新、修正、连接和补充，充分融合系统机理特性和运行数据特性，能够更好地结合系统的实时运行状态，获得动态实时跟随目标系统状态的评估系统。目前数据驱动与解析模型相融合的方法主要有两种思路，一种是以解析模型为主，利用数据驱动的方法对解析模型的参数进行修正; 另一种是将两种方法并行使用，最后依据两者输出的可靠度进行加权，得到最后的评估结果。但以上两种方法都缺少更深层次的融合和优化，对系统机理和数据特性的认知不够充分，融合时应对系统特性有更深入的理解和考虑。

目前数据与模型融合的难点在于两者原理层面的融合与互补，如何将高精度的传感数据统计特性与系统的机理模型合理、有效地结合起来，获得更好的状态评估与监测效果，是亟待考虑和解决的问题。

3.3 数据采集和传输

高精度传感器数据的采集和快速传输是整个数字孪生系统体系的基础。大量分布的各类型高精度传感器是整个孪生系统的最前线，为整个孪生系统起到了基础的感官作用。温度、压力、振动等各种类型传感器的分布和传感器网络的构建要以快速、安全、准确为原则，通过分布式传感器采集系统的各类物理量信息以表征系统状态。同时，搭建快速可靠的信息传输网络，将系统状态信息安全、实时地传输到上位机供其应用具有十分重要的意义。

随着传感器水平的快速提升，很多微机电系统 ( micro-electro-mechanical system，MEMS) 传感器日趋低成本和高集成度，而高带宽和低成本的无线传输，如 IoT 等技术的应用推广，能够为获取更多用于表征和评价对象系统运行状态或异常、故障、退化等复杂状态提供条件。许多新型的传感手段或模块可在现有对象系统体系内或兼容于现有系统，构建集传感、数据采集和数据传输一体的低成本体系或平台，也是支撑数字孪生体系的关键部分。

3.4 全寿命周期数据管理

复杂系统的全寿命周期数据存储和管理是数字孪生系统的重要支撑，采用云服务器对系统的海量运行数据进行分布式管理，实现数据的高速读取和安全冗余备份，为数据智能解析算法提供充分可靠的数据来源，对维持整个数字孪生系统的运行起着重要作用。通过存储系统的全寿命周期数据，可以为数据分析和展示提供更充分的信息，使系统具备历史状态回放、结构健康退化分析以及任意历史时刻的智能解析功能。海量的历史数据同时还为数据挖掘提供了丰富的样本信息，通过提取数据中的有效特征、分析数据间的关联关系，可以基于数据分析结果获得很多未知但却具有潜在利用价值的信息，加深对系统机理和数据特性的理解和认知，实现数字孪生体的超现实属性。

全寿命周期数据存储和管理的实现需要借助于服务器的分布式和冗余存储，由于数字孪生系统对数据的实时性要求很高，如何优化数据的分布架构、存储方式和检索方法，获得实时可靠的数据读取性能，是其应用于数字孪生系统面临的挑战。

3.5 VR呈现

VR技术可以将系统的制造、运行、维修状态以超现实的形式呈现给用户，对复杂系统的各个关重子系统进行多领域、多尺度的状态监测和评估，将智能监测和分析结果附加到系统的各个子系统、部件，在完美复现实体系统的同时将数字分析结果以虚拟映射的方式叠加到所创造的孪生系统中，从视觉、声觉、触觉等各个方面提供沉浸式的虚拟现实体验，实现实时连续的人机互动。VR技术能够使使用者通过孪生系统迅速地了解和学习目标系统的原理、构造、特性、变化趋势、健康状态等各种信息，并能启发其改进目标系统的设计和制造，为优化和创新提供灵感。通过简单的点击和触摸，不同层级的系统结构和状态会呈现在使用者面前，对于监控和指导复杂装备的生产制造、安全运行以及视情维修具有十分重要的意义，提供了比实物系统更加丰富的信息和选择。

复杂系统的VR 技术难点在于需要布置大量的高精度传感器采集系统的运行数据以为虚拟现实技术提供必要的数据来源和支撑，同时，虚拟现实技术本身的技术瓶颈也亟待突破和提升，以提供更真实的虚拟现实系统体验。

另一方面，现有工业数据分析中，往往忽视数据呈现的研究和应用，随着日趋复杂数据分析任务以及高维、高实时数据建模和分析需求，强化对数据呈现技术的关注，是支撑构建数字孪生体系的一个重要环节。目前很多互联网企业均不断推出或升级数据呈现的空间或软件包，工业数据分析可以在借鉴或借用这些数据呈现技术的基础上，加强数据分析可视化的性能和效果。

3. 6 高性能计算

数字孪生系统复杂功能的实现很大程度上依赖于其背后的计算平台，实时性是衡量数字孪生系统性能的重要指标，因此，基于分布式计算的云服务器平台是其重要保障，同时优化数据结构、算法结构等以提高系统的任务执行速度同样是保障系统实时性的重要手段。如何综合考量系统搭载的计算平台的计算性能、数据传输网络的时间延迟以及云计算平台的计算能力，设计最优的系统计算架构，满足系统的实时性分析和计算要求，是其应用于数字孪生的重要内容。平台数字计算能力的高低直接决定系统的整体性能。高性能数据分析算法的云化、异构加速的计算体系(如 CPU + GPU、CPU + FPGA)是现有云计算基础上能够满足工业实时场景下高性能计算的两个方向。

3. 7 其他关键技术

人工智能的热潮推动着数字孪生技术的发展，智能制造和工业智能的快速发展催动数字孪生技术的演进和成熟，考虑商用大数据和工业大数据的本质差异，诸如异常状态或故障状态仿真与注入、工业数据可用性量化分析、小样本或无样本的增强深度学习等，均是当前在数据生成、数据分析与建模等方面的研究特点或挑战。半物理仿真、验证和评估方法及体系等对于数字孪生平台的构建也十分必要。

4. 挑战与发作趋势

随着工业信息系统、人工智能和机器学习、工业大数据等技术的快速发展，数字孪生技术在智能制造领域和装备智能维护领域展现了良好的前景，逐步获得来自于军民两个领域的重视，包括机器人、航空航天、新能源等行业均开始持续关注和探索数字孪生的技术体系、关键技术以及应用潜力。然而，数字孪生所描绘的美好前景与工业与装备领域的现实技术水平间存在着巨大的鸿沟，很多基础性的技术要求仍不具备，具体体现在如下几个方面。

1)多行业的数字化设计水平较低。航空航天、机器人等行业的优势更多体现在集成创新层面，基础设计能力水平仍然不高，很多传统行业的数字化设计水平较低，缺乏支撑数字孪生技术体系构建所需的基础数学模型、仿真模型，尤其是关键核心部件或工艺过程的数字化仿真能力欠缺，成为制约数字孪生技术发展的一大瓶颈。

2)复杂工业系统和复杂装备数据价值较低。现有典型复杂工业系统领域或复杂装备领域，随着大数据概念和技术的推广，以及诊断、预测和健康管理需求的不断挖掘，陆续开始重视建设数据中心或增强的工业信息化系统平台，大都具备对工业大数据的存储和管理能力，尤其近年不断积累了一定量的历史数据，覆盖仿真、设计验证、测试和试验、在线运行和维护维修等全寿命周期的不同环节，但限于工业数据建模和分析高度关联于不同行业领域的工程和专家经验，而数据分析师和领域工程师间尚存在一定割裂，无论是管理机制、技术体制还是从业人员专业能力均存在局限。加之，已有累积数据数据质量较差，价值过低，与现实迫切的需求和快速应用的成效难以匹配，数据源已经成为当下以及未来一段时间制约数据分析和利用，乃至于数字孪生技术发展的基本性瓶颈。

3)垂直领域的软件专业化水平较低。类似于 GE Predix 的平台难于推广的一个原因就是其定位于可以解决绝大部分行业的问题，但不同工业领域的基础水平和条件、信息处理流程、行业自身特色等不同，使得短期内难于构建适合于多领域通用化的数字孪生技术体系和技术平台，而许多垂直领域如航空航天的软件专业化水平仍然不高，人才和市场也存在一定的制约和限制，软件化水平和能力也会成为制约各领域数字孪生技术发展和推广的一个问题。

4)成本和收益、研究和应用间的差距短期内难于弥合。装备领域由于其特殊性对成本和收益尚不敏感，但过小的规模和领域的特殊性决定了短期内无法取得较大突破。而可能取得大规模应用和技术应用突破的工业领域，限于成本和收益的矛盾，尤其短时间内无法解决的收益模式和收益量化的问题，会在某个阶段或技术推广时间节点前成为现实制约。