數字化時代背景下的數字孿生技術現狀分析

今日的數字化技術正在不斷改變每個公司。未來，所有的公司都將變成數字化的企業，這不僅是要求公司開發設計出具備數字化特色的商品，更指的是根據數字化方式改變所有商品的設計、開發、製造和服務全過程，並根據數字化的方式鏈接公司的內部和外部因素。

伴隨着商品生命週期的減小、商品定製化水平的提高，以及公司必須同上下游建立起協做的生態環境，都驅使公司不得不採用數字化的方式來加快商品的開發設計，提高開發設計、生產製造、服務項目的有效性及提高公司內外部天然環境的開放性。
這類數字化的變化對於傳統式的製造業企業而言頗有可能會很是艱難，由於它同延用了幾十年的根據工做經驗的傳統式設計方案和生產製造核心理念相去甚遠。設計人員頗有可能再也不須要取決於根據開發設計具體的物理原型來認證設計構思，也不用根據繁雜的物理實驗才能夠認證商品的可信性，不用展開小批量生產研發就能夠直接預測分析生產的短板，乃至不用去現場就能夠洞察市場銷售給顧客的商品運行情況。
這類方法，毫無疑問將圍繞整個商品的生命週期，不但可以 加快商品的開發設計全過程，提高開發設計和生產製造的實效性和合理性，更有效的掌握商品的應用情況並幫助顧客避免損失，更能精確的將顧客的真正應用情況反饋到設計端，完成商品的合理改善。
而全部的這一切，都須要公司具備完善的數字化工做能力，而其中的基礎，即是數字孿生，即DigitalTwin技術。
1、數字孿生的定義
數字孿生，說白了，就是指對於物理世界中的物件，根據數字化的方式來搭建一個數字世界中如出一轍的的實體，藉此來完成對物理實體的掌握、剖析和提高。
一、數字孿生定義的發展歷史
二零零二年密歇根大學教授Dr.MichaelGrieves在發表的一篇文章中第一次明確提出了數字孿生定義，他以爲根據物理學設備的數據，可以 在虛擬（信息）空間搭建一個可以 定性分析該物理學設備的虛擬實體和子系統，並且這類關聯並非單邊和靜態數據的，而是在所有商品的生命週期上都關聯在一塊兒。
顯而易見，這必定義不只指的是商品的設計方案階段，而延伸至生產加工和服務項目階段，但是因爲那時候的數字化方式比較有限，於是數字孿生的定義也僅僅滯留在商品的設計方案階段，根據數字模型來定性分析物理學設備的原型。

從那之後，數字孿生的定義逐漸拓展到了仿真、虛擬裝配和三維打印這些行業，而到了2017年以後，伴隨着物聯網技術、人工智能技術和虛擬現實技術的持續發展，大量的工業品、機械設備具備了智能化的特色，而數字孿生也逐漸拓展到了包含生產製造和服務項目在內的完善的商品週期時間階段，並不斷完善着數字孿生的形態和定義。
二、數字孿生定義的不一樣形態
數字孿生技術貫穿了商品生命週期中的不一樣階段，它同PLM（ProductLifecycleManagement）的核心理念是一模一樣的。能夠說，數字孿生技術的發展趨勢將PLM的工做能力和核心理念，從設計方案階段真正拓展到了項目生命週期。
數字孿生以商品爲主線，並在生命週期的不一樣階段引進不一樣的因素，產生了不一樣階段的表現形態。
2.1 設計階段的數字孿生
在商品的設計階段，運用數字孿生可以 提高設計方案的精確性，並驗證商品在真正天然環境中的特性。
這一階段的數字孿生，主要包含如下做用：
數字模型設計方案：應用CAD工具開發設計出知足技術規格型號的商品虛擬原型，精準的記錄商品的各種物理學主要參數，以數據可視化的方法展示出來，並根據一系列的驗證方式來檢測設計方案的精確水平；仿真和模擬：根據一系列可重複、可變參數、可加速的仿真實驗，來驗證商品在不一樣外部因素下的特性和主要表現，在設計階段就驗證商品的適應能力。
好比，在汽車設計過程當中，由於對節能降耗的規定，達索協助包含寶馬、特斯拉、豐田在內的汽車集團運用其CAD和CAE平臺3DExperience，精確展開空氣動力學、流體聲學等層面的剖析和模擬，在外形設計經過數據剖析和模擬，大幅地提升流線形，下降了摩擦阻力。
2.2 生產製造階段的數字孿生
在商品的生產製造階段，運用數字孿生可以 加快商品導進的時間，提高設計產品的品質、減小商品的生產成本和提高商品的交貨速度。
產品階段的數字孿生是一個高度協做的過程，根據數字化方式搭建起來的虛擬生產流水線，將商品自身的數字孿生同生產線設備、生產流程等其它形態的數字孿生高度集成起來，實現如下的功能：
生產流程模擬：在商品生產以前，就能夠根據虛擬生產的方法來模擬在不一樣商品、不一樣參數、不一樣外界標準下的生產流程，完成對生產能力、效率及可能出現的生產製造短板等難題的提前預測，加快新產品導進的過程;數字化生產線：將生產製造階段的各種因素，如原料、機器設備、加工工藝配方和工藝流程規定，根據數字化的方式集成在一個緊密合做的生產流程中，並依據明確的標準，全自動的進行在不一樣標準組成下的實際操做，完成自動化技術的生產流程；同時記錄生產流程中的各類數據，爲過後的剖析和提高提供根據。重要指標值監管和過程能力評定：根據收集生產流水線的各種生產線設備的實時運做數據，完成全部生產流程的數據可視化監管，並且根據工做經驗或是深度學習建立主要設備參數、檢測指標值的監管對策，對出現違反對策的異常現象展開妥善處理和調節，完成穩定並持續提高的生產流程。
好比，爲蓋板電子玻璃生產線搭建的線上品質監管管理體系，充分收集了冷端和熱端機器設備形成的數據，並根據深度學習得到流程生產過程當中重要指標值的最佳規格型號，設置相對的SPC監管報警對策，並根據相關分析，在上萬個數據採集點中完成對特殊的品質異常狀況的診斷剖析。
2.3 服務項目階段的數字孿生
伴隨着物聯網技術的完善和傳感器成本費的下降，許多工業品，從大中型裝備到消費級商品，都應用了不少的傳感器來收集商品運做階段的天然環境和運行狀態，並根據數據剖析和優化來防止商品的常見故障，改進客戶對商品的應用感覺。
這個階段的數字孿生，可以 實現如下的做用：
實時監控和預測性檢修：根據載入智能化工業品的傳感器或是自動控制系統的各種實時主要參數，搭建數據可視化的實時監控，並給予收集的歷史數據，搭建層次化的構件、子系統甚至整個機器設備的健康評價指標體系，並應用人工智能技術完成發展趨勢預測分析；根據預測分析的結果，對維修策略及備件的管理模式展開提高，減小和防止顧客因爲非計劃停機產生的損失；提高顧客的質量指標：針對許多必須依靠工業生產裝備來完成生產製造的工業顧客，工業生產裝備基本參數的合理化及在不一樣生產製造標準下的適應能力，一般決定了顧客商品的品質和交貨週期時間。而工業生產裝備廠商可以 根據大量收集的數據，搭建起對於不一樣應用領域、不一樣生產流程的工做經驗模型，協助其顧客提高參數配置，以改進顧客的產品品質和生產率。商品應用意見反饋：根據收集智能化工業品的即時運做數據，工業品生產商可以 洞察顧客對商品的真正要求，不但能夠協助顧客加快對新品的導入週期時間、防止商品錯誤應用形成的常見故障、提高商品參數配置的精確性，更可以精準的掌握顧客的要求，防止產品研發決策出錯。
好比，爲石油鑽井機器設備出示的預測性檢修和常見故障輔助檢測系統，不但能夠實時收集鑽探機不一樣關鍵子系統，如發電機組、泥漿泵、提高絞車、頂驅的各種重要指標值數據，更能夠依據歷史時間數據的發展趨向，對核心部件的特性展開評定，並依據構件特性預測分析的結果，調節和提高檢修的對策；同時，還能夠依據鑽探機的實時狀況的剖析，對鑽探的高效率展開評定和提高，能夠合理的提高鑽探的投入產出率。
2、數字孿生的實際意義
自定義明確提出至今，數字孿生技術在持續的迅速演變，不管是對商品的設計方案、生產製造仍是服務項目，都形成了極大的促進功效。
一、更便捷，更適合自主創新
數字孿生根據設計工具、仿真工具、物聯網技術、虛擬現實技術等各類數字化的方式，將物理學設備的各種特性映射到網站空間中，產生可拆卸、可拷貝、可遷移、可改動、可刪除、可重複操做的數字鏡像系統，這極大的加快了實際操做工做人員對物理實體的掌握，可以讓許多原先由於物理學標準限定、務必依賴於真正的物理實體而沒法進行的操做，如仿真模擬、批量拷貝、虛擬安裝等，變成近在咫尺的工具，更能激起你們去探尋新的方式來優化設計、生產製造和服務項目。
二、更全面地測量
要是能夠精確測量，就能夠改進，它是工業生產行業不變的真理。不管是設計方案、生產製造仍是服務項目，都須要精確的測量物理實體的各種特性、主要參數和運做狀況，以完成精確的剖析和提高。
可是傳統的測量法，須要依賴於價格昂貴的物理測量儀器，如傳感器、採集系統、監測系統等，才能夠得到有效的精確測量結果，而這毫無疑問會限定測量覆蓋的範圍，針對許多無法直接收集到測量值的指標值，一般一籌莫展。
而數字孿生技術，可以憑藉物聯網技術和大數據技術，根據收集有限的物理傳感器指標的直接數據，並依靠大樣本庫，經過深度學習推斷出一些原本無法當即精確測量的指標值。
好比，咱們能夠運用潤滑油溫度、繞組溫度、電機轉子扭矩等一系列指標值的歷史數據，經過深度學習來搭建不一樣的常見故障特性模型，間接性推斷出發電機系統的健康指數。

三、更全面的剖析和預測能力
目前的商品生命週期管理，不多能夠完成精確的預測分析，於是一般無法對隱藏在表象下的難題提早展開預測。
而數字孿生可以融合物聯網技術的數據收集、大數據的處理和人工智能技術的模型剖析，完成對當今狀況的評定、對以往產生難題的確診，及其對將來發展趨勢的預測分析，並給予剖析的結果，仿真模擬各種機率，出示更全面的決策支持。
四、工做經驗的數字化
在傳統式的工業產品設計、生產製造和服務行業，經驗一般是一種模糊不清而難以掌握的形態，難以將其作爲精確裁定的根據。而數字孿生的一大重要發展，是可以根據數字化的方式，將原來沒法保存的專家經驗展開數字化，並提供了儲存、拷貝、改動和轉移的能力。
好比，對於大中型機器設備運做過程當中出現的各種常見故障特性，可以將傳感器的歷史數據經過深度學習訓練出對於不一樣常見故障情況的數字化特性模型，並融合專家處理的記錄，將其產生將來對機器設備常見故障狀況展開精確裁定的根據，並可針對不一樣的形態的常見故障展開特性庫的豐富和升級，最後產生基層民主化的智能診斷和裁定。