20 世纪中叶以来, 随着各项支撑技术的突飞猛进, 数字化制造应运而生。 数字化制造是一种围绕计算机系统支撑的集成生产方式, 是利用仿真工具、三维可视化工具、分析工具以及各种协同工具组成的集成化计算机系统, 同时创建产品定义和制造流程定义的过程。 由此可见, 产品定义为数字化制造提供数据准备, 要实现全要素、全流程的数字化制造, 首先要实现精确的产品定义。

为此, 数字化产品定义(digital product definition, DPD)经历了从二维到三维的发展。 业界提出了数字样机(digital mock-up, DMU)、虚拟样机等侧重于产品设计的技术, 针对产品设计信息的定义表达也日臻完善。 近年来, 国内外制造业的经验表明, 三维数字化定义的产品模型已经成熟, 其效益也已被反复验证。 然而目前的 DPD 仍然存在问题, 主要表现为以下 3 种情形:

(1) 从内涵看, DPD 主要侧重产品设计的几何、功能和性能描述, 不涉及制造、运行、维护阶段的描述。

(2) 产品定义与过程定义间缺乏关联 , 如DMU 定义了零部件装配关系, 却无法准确描述装配过程。

(3) 以 DMU 为例, 产品信息的定义都是设计软件给出的“理想化定义”, 而基于“理想化定义”的后续仿真模拟对真实产品的指导非常有限。

综上所述, 侧重表达设计信息的 DPD 无法准确地描述真实物理产品; 实际上, 产品在整个生命周期内的演化是一个分阶段、分层次, 且相互交叉协同的立体运行模式。 考虑到智能制造时代的需求, 尤其是为了实现虚拟空间与物理空间的交互融合, 业界急需一种既能承载产品设计信息, 又能忠实反映真实物理产品的数字化定义方式。 为此, Grieves于 2011 年引入了数字孪生(digital twin)概念。 数字孪生技术被认为能对物理产品进行数字化描述, 并有效地管控产品全生命周期的数据信息, 进而优化物理产品的运行维护, 是实现赛博物理系统(cyber-physical system, CPS)的核心关键。

本文以 DPD 的发展趋势为主线, 首先以空中客车公司为例介绍了 DMU 内涵的演变, 论述了DPD 发展的本质, 即对全生命周期的产品信息开展统一、一致的定义; 然后基于数字孪生的最新研究动向, 详述数字孪生概念的定义和初衷, 进而论证了数字孪生与 DPD 的关系; 最后展望了数字孪生研究的趋势和关键支撑技术。

1 数字样机的进化

关于 DMU 的一般内涵, 按照我国国家标准“机械产品数字样机通用要求”中的规定, 数字样机是对机械产品整机或具有独立功能的子系统的数字化描述, 这种描述不仅反映了产品对象的几何属性, 还至少在某一领域反映了产品对象的功能和性能。

随着三维 CAD 软件的不断发展, DMU 的形式和内涵都发生了很大变化, 最初仅仅是为了展示产品并表达设计意图, 而后便逐渐深入产品研制的各阶段活动中。 以空中客车公司(以下简称空客)为例, DMU 逐渐演化出 CDMU(configured DMU), FDMU(functional DMU)和 iDMU(industrial DMU), 如图 1 所示。

图 1 空客 DMU 的进化

空客认为, 完整的 DMU 应由三维模型、产品结构和产品属性组成; 其中产品结构描述模型的层次依赖和组织关系, 属性则描述模型状态。 这种数据组织方式被称为 configured DMU(可配置的DMU), 如图 2 所示。

图 2 空客 CDMU 的定义

另一方面, 为了在数字化产品创建早期丰富DMU 的功能和行为 , 空客提出了 functional DMU(功能性的 DMU)。 FDMU 以 DMU 为载体, 提取部组件并赋予物理意义, 支撑需求与功能分析、系统架构设计与综合性能仿真等工作。 值得一提的是, FMI 标准的出现深刻影响了 FDMU 研究。 FMI 标准最早由 Daimler AG 公司提出, 德国 ITI公司基于 FMI 标准开发了 SimulationX 软件, 达索系统公司收购了支持 FMI 的 Dymola 软件并将其整合进自家平台, 华中科技大学的 MWorks 软件则是国内目前对于 FMI 支持最好的商用软件。

由于 CDMU 与 FDMU 侧重于设计阶段, 为了探索如何利用 DMU 优化制造过程 , 空客在A320neo 新型号研制中实施了区别于并行工程的协同工程与配套的 industrial DMU 概念。图 3 所示为协同工程的业务流程示意图。

图 3 协同工程的业务流程

如图 3 所示, 在工程设计环节, 重新整合原先串行的功能设计和工艺制造设计中的人员和业务, 集中开展从概念阶段到批量生产的产品、工艺与制造资源的全方面数字化定义, 该阶段的交付物称为 iDMU, 如图 4 所示。

图 4 空客某机型前机身的 iDMU

在车间制造环节, 车间的生产偏差等真实数据必须作为工程设计环节的输入被赋予 iDMU, 并不断迭代。 当制造环节结束交付物理产品时, 工程设计环节产生的是一个包含真实物理产品数据的as-built iDMU, 它是制造成品完整的数字化定义。

目前 iDMU 并无具体译名, 文献表述为“iDMU 是产品虚拟制造的完整定义与验证, 它包含可交互的产品设计、工艺设计与制造资源的数据”, 不妨译为“可制造的 DMU”。 而文献将as-built iDMU 一词译为“单架次的实例化的 iDMU”, 是由 iDMU 加上车间返回的实际数据迭代而成。

其中, “as-built”概念来源于建筑工程, 意为“竣工图”, 即竣工之际由施工单位按照施工完成情况绘制的图纸。 就空客的案例而言, as-built iDMU 可以看做是复杂产品制造完成后反映真实产品对象的数字化定义模型, 除了定义产品与制造资源外还包含了生产偏差等实际数据。

从忠实反映物理对象的角度而言, 空客提出as-built iDMU 概念的初衷与 digital twin 不谋而合。 遗憾的是, 从 2013 年首次出现在空客的研究报告中至今, 构建 as-built iDMU 的具体方法目前仍属于商业机密而语焉不详。

2 从数字样机到数字孪生

如前文所述, 虽然 DPD 一直在拓宽外延, 以表达更加丰富的产品信息; 但是, 其仍然侧重于产品全生命周期中的设计阶段, 而制造过程和服务过程的定义表达与应用管理问题日益突出。 与此同时, 数字孪生技术被认为能对物理产品进行数字化描述并有效管控产品全生命周期的数据信息, 因而逐渐引起国内外学者的关注。

2.1 数字孪生的发展

飞控液压系统综合试验台架是航空制造业至今使用的重要试验设备, 简称“铁鸟”。 “铁鸟”搭载着对应型号飞机的飞控液压系统, 用于开展系统综合、优化设计、适航取证等环节的关键试验。 这种形式被称为“hardware twin”, 而“铁鸟”就是与真实飞机等价的“twin”。 随着技术发展, 研究人员开始思考如何描述与真实物理产品等价的数字化表达, 即如何数字化定义“铁鸟”。

图 5 数字孪生的概念模型

2002 年, 密歇根大学的 Michael Grieves 在关于产品生命周期管理(PLM)的演示文档里给出了“conceptual ideal for PLM information mirroring”。 如图 5 所示, 它包括了实物空间的实体产品、虚拟空间的虚拟产品及两者之间的数据和信息接口。 Grieves 曾改用“mirrored spaced model”和“information mirroring model”来描述, 最终在 2011 年选择“digital twin”来指代上述概念。

2011 年, 美国空军制定未来 30 年的长期愿景时采纳了数字孪生概念, 目的是用于解决飞机运行维护和寿命预测的问题。 2012 年, NASA 对外公布技术路线图, 也将数字孪生列为实现基于仿真的系统工程的技术挑战。

目前, 数字孪生研究的典型代表是美国空军研究实验室与 NASA 合作构建的 F-15 战斗机机体数字孪生, 旨在对在役飞机机体结构开展健康评估与损伤预测, 提供预警并给出维修更换指导。 达索公司计划通过 3DEXPERIENCE 体验平台实现与产品的数字孪生互动, 通用电气公司旨在利用 Predix 云服务平台和发动机的数字孪生实现监控和维护, PTC 公司打算以数字孪生建立闭环的产品研制流程, 而西门子公司关注于如何建立生产系统的数字孪生。

与此同时, 国内相关研究也蓬勃兴起, 于勇等探讨了基于数字孪生模型的产品构型管理方法和包含产品构型信息的产品数字孪生模型本体表达。 陶飞等基于数字孪生提出了数字孪生车间的概念, 并阐述了相关理论与实施方法。 庄存波等系统性地阐述了数字孪生体的产生背景、概念内涵、体系结构、全生命周期中各阶段的实施途径, 最后给出了产品数字孪生体的发展趋势。

虽然数字孪生概念起源于航空航天领域, 但是正逐渐为其他行业借鉴吸收。 Heidari 等研究了基于建筑信息模型, 并构建建筑行业的数字孪生。 Patterson 等则讨论了基于数字孪生思想的核能设施维护。 可以看出, 数字孪生在理论层面和应用层面均取得了快速发展, 同时应用范围也逐渐从产品设计阶段向产品制造运维等阶段转移。

2.2 数字孪生的定义

对于数字孪生的定义, 目前有狭义与广义的不同说法。

在 Grieves 提出的概念模型基础之上, NASA较早给出了适用于飞行器运维的数字孪生定义, 即面向飞行器或系统的, 充分利用最佳的物理模型、传感器、运行历史等数据, 集成多学科多尺度的概率仿真过程, 用以映射它对应实体飞行器的状态。 在此基础上, 美国空军将“面向飞行器或系统”扩展为“面向已完成建造的系统”; 同时将“映射”扩展为“映射与预测”, 并且给出了一个机身数字孪生的内涵示例, 如图 6 所示。

图 6 机身数字孪生

庄存波等吸收了上述定义, 给出了产品数字孪生体的完整内涵: 产品数字孪生体是指产品物理实体的工作状态和工作进展在信息空间的全要素重建及数字化映射, 是一个集成的多物理、多尺度、超写实、动态概率仿真模型, 可用来模拟、监控、诊断、预测、控制产品物理实体在现实环境中的形成过程、状态和行为。

更广泛地, Grieves 等给出了面向复杂产品的数字孪生定义:

数字孪生是一套从微观原子级到宏观几何级全面描述潜在生产或实际制造产品的虚拟信息结构。 构建数字孪生的最佳结果是, 任何可以通过检测实际制造产品所获得的信息, 都可以从它的数字孪生同样获得。

从定义可知, 产品数字孪生对产品运行维护阶段的意义重大, 主要有以下 3 个作用:

(1) 运行模拟。 以飞行器为例, 基于飞行器的产品数字孪生,可以在数字孪生环境中尽可能地模拟未来的飞行过程, 预测飞行器的状态行为､执行任务的成功概率等, 从而为后续的任务决策提供可靠的依据。

(2) 健康预测。 通过数字孪生的仿真模拟结合传感器的实时数据, 可以对飞行器的健康情况开展预测, 提高产品服役的安全性, 并及时在问题发生前给出故障的具体信息以及维修更换的指导意见。

(3) 优化研制。 基于前述 2 点, 运维阶段的产品信息可以毫无保留地流向下一轮的产品研制。 凭借运行模拟得到的任务决策和健康预测得到的寿命分析, 研制人员可以提高产品的使用价值和系统稳定性, 从而形成良好的产品全生命周期的闭环迭代。

2.2.1 数字孪生与复杂产品

复杂产品/系统是指客户需求复杂、产品组成复杂、产品技术复杂、制造过程复杂、项目管理复杂的一类产品; 如飞行器、汽车、船舶、武器系统等。 复杂产品/系统通常会在运行服务阶段表现出如图 7 所示的 4 种行为, 其中“可预测的期望行为”是设计需要的结果; 反之, “不可预测的非期望行为”是复杂产品/系统全生命周期中最需要避免的, 因为它可能导致灾难性问题。 Grieves 等在研究基于数字孪生的复杂产品/ 系统问题预测时, 明确指出了构建数字孪生的目的, 就是基于仿真预测来最大程度地消解复杂产品/系统的“不可预测的非期望行为”, 从而避免发生不可知的灾难性问题。 以火箭发射为例, 在虚拟空间中模拟发射真实火箭的数字孪生, 即使失败了也可以快速更换新的虚拟空间继续发射。 这也是图 5 中 Grieves 设立“虚拟空间”时, 其下还要细分为“虚拟空间 1”, “虚拟空间 2”,⋯, “虚拟空间 n”的根本原因。综上所述, 本文讨论的“产品”是复杂产品/系统。

图 7 复杂产品/系统行为的分类

2.2.2 数字孪生与赛博物理系统

CPS 是 2006 年由美国科学家提出的用以描述复杂产品/系统的概念。 众所周知, CPS 通过构筑赛博空间与物理空间的数据通道, 能够实现信息虚体与物理实体之间的交互联动。 对比数字孪生和CPS 可知, 虽然两者都强调物理世界和数字世界的映射, 但数字孪生更加强调产品与孪生“一一映射”的关系, CPS 的映射关系则更为抽象和复杂。 CPS 目前仍然是一个概念, 因为研究人员很难创造相应工具来从底层设计一个 CPS; 其结果是一些研究把嵌入式系统简单等同于 CPS。 因此, 为了更加精准地描述复杂产品/系统, 数字孪生作为全新的理论工具就显得尤为重要。 数字孪生以物理产品的建模为数据基础, 将物理空间中的产品实体在赛博空间进行“从微观原子级到宏观几何级的全面描述”, 从而动态地反映物理产品的状态, 使得感知分析、预测优化成为可能。 因此, 数字孪生技术是实现 CPS 的关键。

2.3 数字孪生与 DPD

以 DMU 为代表, DPD 通常被认为是一种使用三维 CAD 软件中的三维数字化数据来提供产品及其零部件的信息的技术。 文献指出, DPD 本质上是利用计算机图形学等支撑技术, 将二维图纸的信息转化为三维数据存储､显示的过程。 国内 MBD 技术推广伊始, 卢鹄等就强调“随着 PLM 技术的发展, 数字化定义技术侧重于对产品全生命周期的不同研发阶段和不同应用领域中, 产品信息的统一､一致的定义的研究”。 刘清华等指出, PLM 是管理产品生命周期中所有相关数据的技术, 它包含了产品数据管理(PDM)的全部内容, 支持包括研发、制造、供应、销售和维护等环节的产品开发相关活动, 合理响应数据访问请求, 有效管理活动中产生的数据。 这些理解与数字孪生的概念目标并无本质异同, 因此本文基于前文及多年的研究基础, 讨论DPD 与数字孪生的关系。

2.3.1 DMU 是对设计活动的描述

DPD 的初衷是为了表达真实物理产品, 然而以 DMU 为例, 其最终实施结果变成了“描述设计者对产品的理想定义”。 换言之, 设计者在设计产品时会给出精确的尺寸数据、产品结构、重心分布、装配关系等信息。 显而易见, 真实的产品由于加工、装配、使用等实际因素, 不可能与给出的理想值一致; 而在此基础上开展的仿真分析, 其有效性也同样受到限制。 所以说 DMU 虽然反映了人类的设计理性, 定义了人类理想中的产品, 却并不能准确反映实际产品系统的真实情况。

2.3.2 数字孪生是对实在世界中物理产品的表征

实在论的观点认为, 世界不依赖于我们对它的表征而独立存在, 即无论我们如何表征和描述这个世界, 抑或所谓表征和描述并不存在, 这个世界依然独立存在。

产品数字孪生的构建是一个在虚拟空间中对物理实体的工作状态和工作进展开展全要素重建及数字化映射的过程。 然而无论如何完善数字孪生, 它总是不可能完全等同于实在世界中的物理产品, 而只能是高度近似。 因此, 数字孪生是对物理产品的一种表征形式, 而且是在虚拟空间中表征实在世界的一种形式。

2.3.3 数字孪生扩大了 DPD 的外延

《现代汉语辞海》中“定义”的词条解释是: 对于一种事物的本质特征或一个概念的内涵和外延的确切而简要的说明。 由此可见, DPD 不应限于以DMU 为代表的数字化设计手段, 而是对产品全生命周期的数字化描述活动。

事实上, DPD 的外延一直随着数字化技术发展而扩大。 当面向装配模拟的 DMU 无法描述产品的功能和性能时, 研究人员便引入了“FDMU”来描述功能接口; 当工作模式从并行向协同转变时, 研究人员便引入了“iDMU”来描述整个研制阶段的数字化定义。

综上所述, 结合胡虎等构建的三体智能理论, DMU 与数字孪生作为定义理想产品和描述实体产品的 2 个方面, 完全可以有机地统一在数字虚体、机器实体、意识人体构成的 CPS 之中, 如图 8所示。 DMU 反映了设计者的意识, 而数字孪生从DMU 和物理实体衍生而来, 这体现了赛博空间、物理空间和意识空间的高度融合, 因此数字孪生将成为人类与机器深度沟通的“中间件”。

图 8 数字孪生与三体智能理论

3 数字孪生技术展望

美国空军研究实验室计划要在 2025 年才能交付某型飞行器及其对应的数字孪生。 而根据 West等的研究表明, 光是以人类现有超级计算机的能力推算, 2022 年前很难实现能够实时完整映射物理产品的数字孪生。

由此可见, 短期内数字孪生研究应着眼于关键支撑技术的突破。 NASA 兰利研究中心认为, 实现飞行器数字孪生的技术集群主要分为 4大类: 高保真度的仿真建模、产品状态感知、新的设计检验方法以及实时监测与健康预测。

基于前述讨论, 本文展望了以下急需突破的支撑技术。

3.1 高保真度的建模仿真

高保真度的建模仿真是构建产品数字孪生的数据准备。 可以开展高保真度的仿真, 也是数字孪生区别于 DMU 的重要特征。 DMU 的设计意愿与物理产品的实际表现通常存在分歧, 被称为“build time”和“run time”的脱节, 主要原因是基于理想定义的DMU 开展的仿真工作, 仅存在指导性作用。 而基于数字孪上的仿真, 不仅依靠基于模型的系统工程框架作为指导, 而且仿真主体从理想样机转为实体孪生, 其结果更加逼近真实系统的行为。 这种仿真也被称为“高保真度/逼真度的仿真(high fidelity simulation, HFS)”。

为此, 早在下一代载具系统项目的实施过程中, 美国国防部就发布了DaVinci 概念设计工具、Kestrel 固定翼飞机分析工具和 Helios 旋翼机分析工具 3 种产品, 并通过后两者对飞行器的 HFS研究积累了大量经验。 因此, 高保真度的建模仿真研究被视为实现产品数字孪生的重要里程碑, 也是未来一段时间围绕产品数字孪生的基础性研究。

3.2 高置信度的仿真预测

高置信度的仿真预测是数字孪生的基本功能。 当高保真度的建模工作完成后, 数字孪生即可与检验和测量数据、关键技术状态参数等发生关联映射, 并基于物理模型与预测分析模型, 开展对物理产品制造、运行、故障分析的概率预测, 给出产品的健康状况分析、剩余健康寿命和故障说明等有效信息。 前文提及的美国空军研究实验室, 在飞行器的机身损伤数字化表征、机身结构健康预测模型等方面已建立了极高置信度的仿真算法。

要实现高置信度的仿真预测, 其前提是实现高保真度的建模仿真, 否则仿真预测的置信度必然是无源之水无本之木。 因此这项研究受制于高保真度的建模仿真技术发展, 目前以动态贝叶斯算法、深度学习算法的研究为主。

3.3 高实时性的数据交互

高实时性的数据交互是数字孪生与物理实体虚实融合的物质基础。 数字孪生高实时性的数据交互, 主要涉及产品运行的实时数据采集与监控、数字孪生对产品健康状态的实时诊断、数字孪生根据评估预测结果对产品的实时行为控制, 以及对应的数据可视化技术。 这种数据和信息交互应该是双向的, 一方面物理产品的改变能动态可视化地反映在数字孪生上; 另一方面, 数字孪生通过感知得到的数据、产品状态以及历史数据、经验公式等进行分析决策, 转而实时去控制物理产品。

3.4 数字孪生的大数据应用

即使仅考虑复杂产品, 构建数字孪生也必然产生庞大的数据量; 这其中既有每个数字孪生自身运行、仿真、预测得到的数据, 也有这些数字孪生之间通信交流产生的数据。

在探索风力发电机数字孪生应用的过程中, 通用电气公司通过挖掘历史数据发现, 在特定情境下, 关闭部分电机比所有电机同时运行具有更高的输出功率。 这样的知识信息在以往是很难捕捉到的。

另一方面, 数字孪生结合机器学习也显得理所应当。 以无人驾驶为例, 通过构建有人汽车的数字孪生记录并学习人类的路况处理行为, 再将学习结果传送给辅助驾驶系统甚至无人汽车, 从而实现更加安全舒适的无人驾驶体验。 在此过程中, 对人类驾驶习惯的记录与分析, 也可以进一步优化后续车型设计。

4 结语

本文通过梳理 DPD发展趋势, 从 DMU发展到数字孪生的过程中总结, 扩大了 DPD 的外延, 将数字孪生纳入 DPD, 完善了虚实 2 个世界中 DPD的内涵与关联。

数字孪生是智能制造系统的基础, 是实现CPS 的有效途径。 目前数字孪生的研究还处于初级阶段, 如何构建一个物理产品的数字孪生还需要进一步的研究。 如何通过在虚拟世界中全面映射实际产品的全生命周期过程, 打通产品研制的数据流; 如何通过运行维护过程中的 CPS 融合, 实现基于数字孪生的产品运维, 提高面向产品全生命周期过程的感知反馈、精确控制和精准执行的能力, 最终通过不断迭代使数字孪生无限趋近物理实体, 是摆在数字孪生研究面前的问题与愿景。