从数据到数字孪生数据

随着移动互联网、物联网、云计算、大数据、人工智能、区块链等信息技术的不断升级，全球数字经济蓬勃发展。数字孪生（Digital Twin）作为实现传统产业数字化转型与智能化升级的有效手段[1]，近年来受到航空航天[2-3]、车辆[4-5]、船舶[6]、智能电网[7-8]、智能城市[9]等行业的极大关注。特别是在智能制造领域，数字孪生已被应用于车间智能管控[10-11]、个性化产线快速配置[12]、产品全生命周期管理[13]、智能物流[14]、动态调度[15-16]、机器人运行优化[17]、产品质量保障[18-19]、数控设备维修[20]及人机交互[21-22]等问题中。数字孪生实践主要依赖以下几方面关键技术[23]：物理实体智能感知与实时控制，多维虚拟模型构建、组装、融合、校正、验证及管理，信息系统服务全生命周期管理与增值增效，模型-服务-实体实时交互与动态演化，多维数据关联与融合处理等。虽然这些技术服务于数字孪生的不同功能应用，但支持其实现的基本要素均为数据，因此保证高质量的数据资源是实现数字孪生的关键核心之一。

早期的数据采集往往通过传统的人工方式实现（如直接观察、抽样检测、手动统计等），这种方式效率低、成本高，且获得的数据类型单一、规模小、实时性差，仅能对物理实体在某一阶段或周期内的属性、能力、现象等进行描述。近年来，得益于新一代信息技术的发展，越来越多的数据能够被实时采集、存储及处理，它们来自智能装备、可穿戴设备、物联网、信息系统等多种数据源，数据体量大、实时性强，能够连续记录并分析物理实体在整个生命周期的变化过程。然而，随着数字孪生相关技术研究与应用的不断拓展与升级，对数据发展提出了以下新需求。

（1）数据全面获取需求实现基于数字孪生的设备关键参数预测、生产过程优化、维修决策等服务需小概率事件数据、多尺度数据、复杂时变数据等的全面支持，目的是提高服务准确性、对极端情况的适应性及决策均衡性。当前基于数据的相关研究通常采用来自设备、环境、人员等物理实体的属性、状态及行为等实况数据，或利用基于虚拟模型、智能算法、规律规则等生成的仿真数据，然而这些数据均不能实现对数据的全面覆盖[24-25]。例如，①就物理实况数据而言，受环境、技术及成本限制，难以获得设备故障、极端工况等小概率事件数据，多尺度温度场、应力场、流场数据，以及高温高压等极端环境下传感器难以采集的数据。②就仿真数据而言，受建模能力、计算能力及实践环境复杂程度的影响，难以准确模拟突发性扰动数据、高维动态数据等复杂时变数据。

（2）数据深度挖掘需求为了提高对物理世界的洞察力，需对物理实体的运动规则、故障机理、性能变化趋势、演化规律等知识进行提取与归纳，在此基础上形成能够真实刻画物理实体行为属性的数字孪生多维虚拟模型。当前，尽管物联网等技术的发展使数据体量大大提升，但如何实现对海量物理实体数据、虚拟模型数据、服务数据等的深度挖掘从而实现对知识的提取仍是重要难题之一。一方面由于无关数据、异常数据、冗余数据等占比较大，数据本身的可挖掘性较弱；另一方面难以充分提取数据间的隐性关联关系（例如因果关系、相似关系和互补关系），以进一步支持深入的知识挖掘。

（3）数据充分融合需求由于支持数字孪生技术研究的数据来自物理实体、虚拟模型、ERP和MES系统等多种数据源，存在数据干扰因素多、不同来源数据相互矛盾、数据整合程度低等问题，这造成数据价值密度偏低。例如，①受传感设备故障、环境波动、人为干扰等扰动因素影响，采集的物理实体数据具备一定的不确定性、随机性及模糊性，导致数据信息量损失；②模型与服务数据缺乏与物理实体数据的实时交互与相互验证，导致其偏离物理实际；③物理实体数据、虚拟模型数据及服务数据孤立且承载的信息视角单一，造成数据不全面。为了解决相关问题，需实现物理实体数据、虚拟模型数据、服务数据等的充分融合，通过数据的相互修正、补充及增强，保证信息的准确性、一致性及全面性。

（4）数据实时交互需求为了保证数字孪生的物理实体、虚拟模型、服务等不同组成部分动态更新与及时响应，需实现数据实时交互。①为了保证虚拟模型实时更新、仿真及时准确、以及实现基于仿真的物理实体行为实时调整，要求虚拟模型数据与物理实体数据实时联动。②为了基于模型仿真数据验证服务可用、可靠及准确性，并基于校正服务及时优化虚拟模型参数，要求实现虚拟模型数据与服务数据实时联动。③为了及时向物理实体提供故障诊断、维修决策、控制参数优化等服务，并基于物理实况数据提高服务对实际环境变化与扰动因素的适应性，需实现物理实体数据与服务数据实时联动。

（5）数据迭代优化需求数据是构建虚拟模型与服务的核心驱动之一，为了支持数字孪生虚拟模型自主进化与服务功能不断增强，要求实现基于“数据增加-数据融合-信息增加”循环的数据迭代优化。数据迭代优化能够随着数据增加实现有价值信息的持续增长，从而使存在于数据之上的模型与服务不断更新和进化。实现数据迭代优化面临的问题包括：①由于数据融合对技术人员有较强的依赖，缺乏自主性和连续性，导致很难进行持续有效的迭代；②即使迭代优化过程得以持续进行，由于连续的数据融合可能导致信息损失，造成难以保证信息持续增长。

（6）数据通用普适需求数据通用普适性低是数字孪生落地应用的主要阻碍之一，主要体现在以下方面：①面向不同应用条件时，由于数据获取能力、数据基础设施水平、数据历史积累量不同，导致构建的数字孪生难以迁移复用；②面向不同应用对象时，由于数据具有不同的类型、结构、接口及通讯方式，增大了不同对象数字孪生间的数据交换与解析难度；③面向不同应用场景时，数据格式、分类、封装等各异，造成不同场景下构建的数字孪生难以实现数据集成共享。为了解决上述问题，需实现数据统一转换与建模，从而保证数据具有通用普适性。

（7）数据按需使用需求数字孪生面向的用户往往具备不同应用需求、知识结构及专业水平，因此用户对数据需求有较大差异，如现场操作人员需工艺路线、装配序列及维修计划等现场操作指导数据，专业技术人员需生产设备性能评估、实时状态监测及生产分析结果等专业化数据，高层管理决策人员需产销数据、需求分析及产品竞争力等市场数据[26]。然而，由于当前数据服务化程度普遍较低，数据搜索、匹配、调用、可视化等通常要求用户具备较强的专业技能，这导致数据易用性差的问题。因此，面向不同层次的数字孪生用户，需满足以用户为中心的数据按需使用需求。

针对数字孪生技术发展中出现的数据新需求，北航数字孪生研究组在前期工作中提出了数字孪生数据（Digital Twin Data, DTD）的概念[26]，它是数字孪生五维模型（包括物理实体、虚拟模型、服务、数字孪生数据及两两间的连接）的重要组成部分。为了充分利用数据孪生数据优势、满足数据发展需求，本文在前期研究基础上进一步建立了数字孪生数据构建与处理准则，研究了数字孪生数据“获取-存储-交互-关联-融合-演化-服务化”理论方法，建立了数字孪生数据关键技术体系，以期为数字孪生数据理论研究与应用实践提供参考。

免责声明：
本文转载自 【包子女孩】，版权归原作者所有，如若侵权请联系我们进行删除！

易知微以自主研发的EasyV数字孪生可视化搭建平台为核心，结合WebGL、3D游戏引擎、GIS、BIM、CIM等技术，协同各个行业的生态伙伴，围绕着数字孪生技术、数字驾驶舱和行业应用，共同建设数字增强世界，帮助客户实现数字化管理，加速数字化转型。

易知微已经为3000+ 客户提供数字孪生可视化平台和应用，覆盖智慧楼宇、智慧园区、智慧城市、数字政府、数字乡村、智慧文旅、工业互联网等众多行业领域，包括国家电网、移动云、中交建、中铁建、融创、云上贵州、厦门象屿、天津火箭、上海电视台、金华防汛大脑、良渚古城遗址公园、李宁、浙江大学等典型案例。