“數字雙胞胎”與建模仿真技術曾被稱作智能制造業的下一波浪潮，工業4.0也要求，若要虛和實的互動以及相互增強，數字化模型必須先出現。

什么是數字雙胞胎

“數字化雙胞胎”（Digital Twin）是指以數字化方式拷貝一個物理對象，模擬對象在現實環境中的行為，對產品、制造過程乃至整個工廠進行虛擬仿真，從而提高制造企業產品研發、制造的生產效率。

所有“產品”最早是人類大腦里的一個模糊概念，在沒有數字化模型幫助的情況下，要打造出一件產品或一套生產流程，必然會經歷多次迭代設計，有時候僅僅為了驗證產品的某一個尺寸，部件之間的裝配關系，流程的某一環節，就不得不制造出很多個中間產品或重新設計流程（被稱為打樣），耗費大量時間、金錢和人力。采用數字化模型的設計技術（常指CAD技術，即數字化輔助設計），就可在虛擬的三維數字空間里從無到有地創造出部件和產品以及工藝流程。在虛擬的三維空間里，可以輕松的修改部件和產品的每一處尺寸和裝配關系，使得產品幾何結構的驗證工作、裝配可行性的驗證工作、流程的可實行性大為簡單，因此可以大幅度減少迭代過程中的物理樣機的制造次數，時間，成本。除此之外，專門的電路CAD設計技術可以根據電路以及器件的原理，在三維數字空間設計出電路，并且也可以進行虛擬的驗證和迭代設計。同樣也可以大幅度減少制造物理樣機的代價。這就是數字化模型一定會早于物理實體產品出現的原因。實際上，在最終的產品制造出來之前，有很多個數字化模型代表著產品迭代的各個階段。這些模型或者其中的一部分，仍然有可能被以后的型號或者產品線所采用，這也是數字化模型的一個附加好處。

建模仿真的“前世今生”

建模仿真最早來源于上世紀60年代至70年代的計算機語言編寫的數字算法，當時只是簡單的用于計算特定物理現象，解決設計問題；之后的二十年，隨著工作站和微機的普及以及計算能力的提高，仿真技術的應用逐漸遍及各個學科和不同層面；而且不會停留在設計階段，正在向產品和系統的全生命周期擴展，構成與實體形影不離的“數字雙胞胎”。由于仿真能夠在產品生命周期提供無縫協助和優化，將會成為制造體系的核心功能之一，未來智能工廠是基于模型的系統工程或基于模型的制造，軟件定義產品、決定企業盛衰，仿真技術制造系統關鍵組成部分的黃金時代才剛剛開始。Gartner預測，到2021年，全球50％的大型工業公司將使用數字雙胞胎，從而使這些組織的效率提高10％，尤其是制造業和工程行業的公司，如果想要在競爭中保持領先地位，就需要考慮實施數字雙胞胎。

制造業是目前數字雙胞胎最常用的行業，按時向客戶提供保質保量的產品對制造企業至關重要，如果機器的運轉不能協同并以適當的容量工作，就回影響員工、生產、可交付性以及最終客戶的滿意度；采取實時監控、不中斷生產的情況下進行測試、并且能夠在設施中收集的數百萬個數字據點獲得更多信息，數字雙胞胎使制造企業更加智能。

在德勤的一份案例研究中，一家工業制造企業決定采用數字雙胞胎方法，來解決其在現場遇到的問題，從而解決維護費用和客戶延遲交付。制造企業收集了設備以及正在生產的產品數據，來研究裝配過程及其與產品質量的關系。因此，該項目能夠識別低效率并優化裝配流程，將返工率降低了15％至20％。

數字雙胞胎的國內現狀

最早在市場上提出“數字化雙胞胎”模型概念的是西門子，基于模型的虛擬企業和基于自動化技術的現實企業的“數字化雙胞胎”（Digital Twins），包括“產品數字化雙胞胎”、“生產工藝流程數字化雙胞胎”和“設備數字化雙胞胎”，三個層面又高度集成為一個統一的數據模型，并通過數字化助力企業整合橫向和縱向價值鏈，提供工業生態系統重塑和實現“工業4.0”自下而上的切實之路。

數字雙胞胎的引入國內僅僅幾年時間，目前處于初步探索與實踐環節，距離廣泛應用還有很長的路要走；目前數字雙胞胎技術還面臨著諸多難題，主要可分為三類：一是高仿真度，高保真度的仿真建模是構建數字雙胞胎體系的關鍵，數字雙胞胎作為物理實體在數字空間的超寫實動態模型，產品虛擬模型的高精度性、多物理場建模、高保真度響應模擬等是首要解決的技術難題。二是數據收集，由于數字孿生技術的應用以海量數據為基礎，并且是基于全要素、全生命周期的數據，而有關這些數據所涉及的先進傳感器技術、自適應感知、精確控制與執行技術等難題急需攻關。三是實時監測與健康預測技術也尚待完善，實時和預測是數字孿生的核心要素，一方面物理產品的數據動態實時反映在數字孿生體系中，另一方面，數字孿生基于感知的大數據進行分析決策，進而控制物理產品，而其中離不開相應的高實時性數據交互、高置信度仿真預測、超級計算能力等技術能力。此外，新的設計檢驗方法仍需進一步探索，使物理模式的實驗結果更準確、更接近真實的工況，為數字孿生體的推演提供可靠的數據支撐。

目前中國制造業正處于轉型升級的關鍵時期，通過物聯網、大數據、人工智能和實體經濟深度融合，使得中國制造競爭力得到大幅提升。未來，數字雙胞胎也可結合物聯網的數據采集、大數據處理和人工智能建模分析，實現對過去發生問題的診斷、當前狀態的評估以及未來趨勢的預測，并給予分析結果，模擬各種可能性，提供更全面的決策支持。

來源：OFweek工控網

企業數字化轉型實現智能制造的十個必學知識！

智能制造是一個非常大非常廣的概念，除了涉及制造企業本身，還與供應鏈的上下游企業息息相關，它包含自動化、信息化、智能物流、智能計算、智能決策等多個方面。

市場背景：智能制造改革牽扯的是整個制造業，毫無疑問這是一個萬億級別的大市場。所屬的細分市場各個都是大片藍海：未來10年中國機器人市場將達6000億元人民幣；預計2018年，中國民用無人機市場將達到110.9億元；預計至2020年，中國自動化物流系統市場規模將超過1000億元……

智能制造的實現是一個從手工到半自動化，再到全自動化，最終實現智能化、柔性化生產的過程。智能制造將制造業與信息技術和互聯網技術相結合，在生產工藝、生產管理、供應鏈體系、營銷體系等多個方面實現全產業鏈的互聯互通。

那么，企業該如何實現自己的智能制造改革呢？以下十項技術都是知識點：

1.多源多通道數據實時采集感知技術

多源傳感器數據采集是智能制造過程中實現智能感知的前提，通過各類傳感器（壓力傳感器、位移傳感器、視覺傳感器等）組成，實現對多源多通道分布式數據的實時采集、分析和轉換等。

多源傳感器數據采集系統包含以下幾項技術：

· 信號轉換技術

· 實時網絡通信技術

· 多線程管理技術

· 數據緩存池技術

· 黑匣子技術

· 信息安全技術

2.異構數據內容融合與傳輸共享技術

通過對各種異構計算數據進行內容分析和融合處理，從海量數據中挖掘隱藏信息和有效數據，提高智能制造過程中各種裝備狀態監測的準確性。

異構數據包括：海量的多媒體傳感數據、文本/超文本、聲音數據、影像數據、視頻序列等。

3.復雜工況的多任務自適應協同技術

智能制造的實現往往需要能夠自主分析當前的工況環境和任務要求，實現多任務自適應協同規劃，并根據不同任務難度自適應調整作業策略。

多工況包含以下幾種（以挖掘作業為例）：

· 常用，挖掘形狀規則，且經常使用該功能

· 特殊，挖掘形狀規則，但不經常使用

· 自主標記，挖掘形狀不規則，但經常使用

· 高度自定義，高度依賴駕駛經驗的操作

4.多機協同的集群化交互與控制技術

智能制造的多機集群模仿生物集群行為，單機間通過彼此信息交互與自主控制來進行協同工作，從而可在各種險惡環境下低成本完成多樣性的復雜任務。

具體包括：

· 遠程操控端，人機交互裝置遠程遙控，任務指派和監控

· 移動用戶端，網頁、APP做任務指派和監控

· 智能機械端，環境感知、機身工況傳感、自主作業控制

· 移動互聯網，無線數據通訊承載

· 衛星定位，導航與測量輔助

· 云端數據中心，環境建模分析，任務和軌跡規劃，大數據分析和診斷

5.大數據驅動故障診斷深度學習技術

制造裝備運行過程中產生的海量特征數據蘊含大量的故障信息，在收集智能裝備運行特征數據的基礎上，應用深度學習算法對大數據進行知識挖掘，獲尋與故障有關的診斷規則，實現對制裝備的故障進行智能預測和分析。

6.數字孿生與數字樣機建模分析技術

數字孿生充分利用物理模型、傳感器更新、運行歷史等數據，集成多學科、多物理量、多尺度、多概率的仿真過程，在虛擬空間中完成映射，從而反映了相對制造過程中各裝備的全生命周期過程。

7.多技術路線工作方案優化決策技術

針對不確定性的、半結構化或非結構化的智能制造工作方案決策問題，通過信號推理、定量推理等方法，在不確定性、不完備、模糊信息的環境下實現智能制造與產品設計旨在服役多目標多技術路線工作方案優化的自主決策。

8.工藝工裝協同推送與自動裝夾技術

個性化推送技術及語義檢索技術融入工藝工裝推送過程中，基于融合智能裝備與產品工藝工裝特征的個性化語義檢索，形成個性化的工藝工裝協同推送機制，提高智能制造工藝設計過程中獲取產品工藝工裝的效率。

9.產品知識圖譜與知識網絡構建技術

通過對分布的多學科知識數據進行結構層次上的集成，消除多學科多領域知識數據的語法和語義分歧，使得數據結構具有一致性，進而對設計設計庫數據進行知識表示，完成知識庫的建立。

結構化數據、半結構化數據、非結構化數據通過結構化改造和篩選整合，形成趨同或者一致且無冗余的結構化數據，也就是將客觀世界主觀抽象成設計數據庫，再通過知識表示形成知識庫。

10.機電液一體化云平臺知識服務技術

知識服務技術著手于知識的自動推送，有序地組織機、電、液一體化跨學科知識，并在合適的設計過程中推送給設計人員合適的設計知識，從而實現跨學科知識服務的個性化、高效化和智能化。