数字孪生一词首次出现在2011年美国空军研究实验室的研究数据中，用于预测飞机结构寿命并确保结构完整性。 2012 年，NASA 提出了数字孪生的概念。数字孪生是指充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程，充当物理的镜像。虚拟空间中的产品。它反映了相应实物产品的整个生命周期过程。
基于数字孪生的概念，美国工程师在2013年开发了一种耦合模型，可以让真机的数字孪生与真实流程并行运行在云平台上，并结合数据分析，综合数据驱动的分析算法和其他可用的物理知识用于模拟机器健康状况并提高机器生命周期不同阶段的生产系统性能，并更有效地预测和分析状况并提高制造透明度。管理和降低风险。此次耦合模型工程实验的成功，从理论上验证了数字孪生在工业领域的可行性。
近年来，随着德国工业4.0、中国智能制造等产业战略的公布，基于产品理念的5G、物联网、云平台、人工智能等新兴技术的应用日益成熟。是。随着基于模型定义的发展，数字孪生在工业生产领域逐渐普及，希望企业能够从生产系统的整个生命周期，包括设计、管理和生产系统，发挥数字孪生的潜在应用价值。你做。操作和维护。
本文试图回答三个问题：
1. 数字孪生与CPS的区别
2. 数字孪生与仿真的区别
3. 数字孪生开发面临的挑战
数字孪生和CPS 之间的区别
在谈论工业4.0 和智能制造时，数字孪生和CPS 经常被混淆。这是因为数字孪生与CPS 的概念非常相似。数字孪生在信息世界中创建物理世界高度仿真的虚拟模型，模拟物理世界中发生的行为，并向物理世界提供反馈模拟结果或控制信号。这种双向动态映射过程与CPS的核心概念非常相似，很容易被误认为是同一件事。
从功能上来说，数字孪生和CPS都可以让企业更加快速、准确地预测和检测实际工厂生产车间的状况，发现问题并优化生产流程，并为更好的生产和提高质量而设计。虽然CPS 被定义为计算和物理过程的集成，但数字孪生需要额外考虑使用物理系统的数字模型进行仿真分析和实施优化。
在制造场景中，CPS和数字孪生都包括真实物理世界和虚拟信息世界两部分。实际生产活动由物理世界进行，智能数据管理、分析和计算由各个信息世界进行。应用程序和服务。物理世界感知和收集来自信息世界的数据并执行决策指令，而信息世界则分析和处理数据以做出预测和决策。物理世界和信息世界之间无处不在的工业物联网连接是两个世界交互的基础。
具体比较起来，CPS和数字孪生还是有不同的侧重点。 CPS强调计算、通信和控制功能，传感器和控制器面向基于工业物联网的信息与物理世界融合的多对多连接管理。数字孪生更强调虚拟模型，根据模型的输入和输出来解释和预测物理世界的行为，强调虚拟模型和显示对象之间的一对一映射关系。相比之下，CPS更多的是一个基础理论框架，而数字孪生更多的是CPS的工程实践。
数字孪生与仿真之间的区别
仿真是实现数字孪生的基础技术，得到业界的认可。仿真分析是工厂规划和流程再造中常用的技术工具。例如西门子的Tecnomatix就是一款比较成熟的生产系统仿真软件。数字孪生与传统仿真的主要区别在于，数字孪生需要实际物理工厂和虚拟数字工厂之间的不断迭代。数字孪生构建的虚拟数字工厂所需的模拟需要频繁、持续的迭代演进。它伴随着工厂的整个生命周期。传统仿真是将包含确定性规律和完整机制的模型转换为软件来模拟物理世界的技术。只要模型是正确的，并且有完整的输入信息和环境数据，它本质上就可以准确地反映物理世界的属性和参数。
具体来说，传统仿真以软件的形式模拟物理世界的行为以获得结果。它不涉及虚拟模型到物理世界的任何动态反馈，只需要单向输入模型参数和捕获环境数据。数据。因此，仿真技术简单来说就是一种创建并运行数字孪生的技术，以确保数字孪生与相应物理实体之间形成有效的闭环。仿真只是实现数字孪生的众多关键技术之一。数字孪生不应与模拟混淆。通过数字孪生系统的通用参考架构可以更清楚地理解这一点。
数字孪生系统通用参考架构(《数字孪生体白皮书》)
数字孪生发展的挑战
目前，企业和制造商都在密切关注数字孪生技术的发展，并对数字孪生应用所能带来的价值抱有很高的期望。但无论构建数字孪生所涉及的技术是否足够成熟，或者使用它们的成本有多高，所有行业参与者现在都想知道如何在整个工厂生命周期中构建数字孪生。
具体来说，首先，缺乏贯穿工厂全生命周期的数字孪生理论框架，包括规划、生产管理、流程再造等各个阶段的框架。其次，缺乏实现这一目标的制度。实现虚拟模型与真实环境的快速交互，例如解决数字孪生工厂规划任务中的敏捷建模问题或生产控制过程中的即时反馈，最后实现有效集成和实施。现有业务系统、机制模型、工业物联网等数字孪生构建理论及集成应用方法。
针对这些挑战，下一步的重要研究方向首先是研究基于物联网和仿真、敏捷分析的数字孪生方法，以满足工厂规划阶段的要求。二是基于互联网，三是结合物联网、仿真、传统精益生产方法，研究物联网、工业大数据、生产过程再造技术的精确分析和评估。机器学习。第四阶段考虑数字孪生在不同行业场景的适应性。适应性研究不仅应该针对流程制造和离散制造，还应该针对不同的制造场景进行，例如大型制造企业与中小型制造企业、传统制造企业与再制造企业。
若转载原创文章，请注明出处。更多文章请关注新产业网公众号【ID：xinongyecn】。
版权声明：本文转载于网络，版权归作者所有。如有侵权，请联系本站编辑删除。