建模是为了理解事物而对事物做出的一种抽象，是对事物的一种无歧义的书面描述。建立系统模型的过程，又称模型化。建模是研究系统的重要手段和前提。凡是用模型描述系统的因果关系或相互关系的过程都属于建模。

建模其实可以分为四种类型，分别是几何建模、物理建模、行为建模和规则建模。

传统制造业的建模侧重于几何和物理模型的构建，更多的依赖物理机理和因果关系，几何建模、物理建模对于信息行业的IT来讲是陌生的，因此大家不免会产生很多困惑，画个3D图形也叫建模？这不是可视化吗？

但它难道不是一种对事物的抽象吗？

信息技术行业的数据从业者，分析对象往往以人为核心，传统行业比如制造业，其研究的对象更多的是物，而对人建模和对物建模是有很多不同的。

为了逼真制造某个物体，我们需要先建个3D模型，这需要几何建模；为了让物体产生某个动作，我们需要研究运动机理，这需要物理建模；基于这些物体运动产生的各种数据，我们能发现一些规律，这些规律可以指导去优化物体本身，这叫物体的行为建模。

比如研究飞机发动机的运维数据从而给出优化建议，注意，这就是在制造领域被拿来当作数字孪生的经典案例，本质其实不过如此。

对人建模就完全不同了，人不是机器，建个人的3D模型在物理上没价值，更不可能对人进行物理建模，因为太难了，也许只有等把基因搞清楚了后，人就可以像物体那样被研究和驱动了吧。

研究人现在属于社会科学的范畴，互联网公司对人建模的目的主要是为了商业利益，其主要基于人的行为数据进行建模，用以发现人活动的规律，从而优化商业策略。

人和物不同，导致两者采用的建模类型大相径庭。

大数据时代到来后，基于动态实时的数据进行建模在信息技术这个行业发展很快，数据业务化、业务数据化是这个行业喊出的口号，但对于那些更传统的行业，比如制造业，这还是很新鲜的事情吧。

究其根本，业务的不同，技术发展阶段的不同，造成了这种认知差异，从这个角度来讲，我们这些专搞数据的对数字孪生嗤之以鼻倒是可以理解。

但是，信息行业数据建模所采用的数据管理手段、机器建模方法和相关基础设施，一旦与传统制造业相结合，将具有广阔的应用前景，现在产业互联网喧嚣至上，数字孪生成为热点不是巧合。

有了前面的背景，再让我们回到数字孪生的定义本身，你会发现数字孪生更多的是相对于以前工业制造业的建模来说的，两者之间还是有很大的区别的，虽然这些区别在信息技术行业来讲已经不是新鲜事了：

1、全生命周期的数据：一般的的模型是为了特定目的而建立的。这意味着，模型往往并不包含与特定目标无关的属性。但人们建立数字孪生的目的往往有很多个，甚至可能包含不确定、开放性的目标。数字孪生中的数据，往往是把生命周期过程中产生的数据全部收集起来，这样，人们需要这些数据的时候，用起来就方便了。

你会觉得，这种无目的性的数据搜集不就是数据仓库干的事情吗？的确是这样，当然由于数字孪生分析的对象始终是某个物理对象，因此相对于数据仓库的跨越数据整合，其更强调针对这个物理对象全生命周期的数据采集，横跨这个物理对象的需求、设计、开发、安装、调试、投运、运维等各个阶段，重点是跨越时间段。

2、动态实时的数据：以前工业建模更多是几何建模，物理建模，一般采集离线静态的数据就可以了，数字孪生会有更多的基于行为的建模，数字孪生模型具有高保真、高可靠、高精度的特征，进而能真实刻画物理世界，就必需具备动态实时的数据采集能力，从而与物理对象在全生命周期保持一致，这就好比飞机发动机的数字孪生，如果不能实时的采集飞行状态的数据，就无法实时给出优化建议，这样数字孪生的价值就大打折扣了。

3、模型的实时演化：有别于传统模型，数字孪生模型还强调虚实之间的交互，即数字孪生模型能生成一定的策略，对物理对象进行控制，并对物理世界的作用结果以数据的形式反馈回来，从而进一步优化模型，实现模型的实时更新与动态演化，也就是持续改进。

要达成以上数字孪生的目标，工业制造就需要引入更先进的传感器技术，从而能全面而实时的采集所需的数据；需要搭建更先进的物联网，从而为孪生数据的实时、可靠、高效传输提供帮助；需要打造更先进的数据管理体系，从而能高效的汇聚和整合数据；还需要引入更先进的机器学习和AI算法，从而提升模型的智能化水平，不要仅限于传统的物理、几何或规则建模。

我发现，以前的制造业的建模由于研究对象更多是物理实体的原因，具有极为鲜明的行业特点，无论是物理、几何建模还是仿真，围绕这些特征形成了自身独特的技术体系。

比如在建模领域，更多指VR/AR/3D/CAD软件，在仿真领域，更多指CAE/BIM等软件，并由此涌现出了一大批国内外厂商。

而信息技术行业以大数据为核心的建模方法论代表了未来的趋势，在数字化这个时代，你会发现两者最终还是殊途同归，数字孪生是集中的一个爆发点。

再次，既然数字孪生就是模型，为什么要热炒这个概念？

就好比数据中台在国内被热炒一样，乱花渐欲迷人眼，数字孪生在国内似乎也碰到了同样的问题，入局者大都从自身的利益角度出发，来诠释对数字孪生的理解，除了本文提到的模型的角度，还有其他各类维度。

（1）数据维度：有一种观点认为数字孪生是数据/大数据，这些认识侧重了数字孪生在产品全生命周期数据管理、数据分析与挖掘、数据集成与融合等方面的价值。数据是数字孪生的核心驱动力，数字孪生数据不仅包括贯穿产品全生命周期的全要素/全流程/全业务的相关数据，还强调数据的融合，如信息物理虚实融合、多源异构融合等。此外，数字孪生在数据维度还应具备实时动态更新、实时交互、及时响应等特征。

（2）连接维度 ：一类观点认为数字孪生是物联网平台或工业互联网平台，这些观点侧重从物理世界到虚拟世界的感知接入、可靠传输、智能服务。从满足信息物理全面连接映射与实时交互的角度和需求出发，理想的数字孪生不仅要支持跨接口、跨协议、跨平台的互联互通，还强调数字孪生不同维度（物理实体、虚拟实体、孪生数据、服务/应用）间的双向连接、双向交互、双向驱动，且强调实时性，从而形成信息物理闭环系统。

（3）服务/功能维度 ：一类观点认为数字孪生是仿真，是虚拟验证，或是可视化，这类认识主要是从功能需求的角度，对数字孪生可支持的部分功能/服务进行了解读。目前，数字孪生已在不同行业不同领域得到应用，基于模型和数据双驱动，数字孪生不仅在仿真、虚拟验证和可视化等方面体现其应用价值，还可针对不同的对象和需求，在产品设计、运行监测、能耗优化、智能管控、故障预测与诊断、设备健康管理、循环与再利用等方面提供相应的功能与服务。由此可见，数字孪生的服务/功能呈现多元化。

（4）物理维度 ：一类观点认为物理实体对象是数字孪生的重要组成部分，数字孪生的模型、数据、功能/服务与物理实体对象是密不可分的。数字孪生模型因物理实体对象而异、数据因物理实体特征而异、功能/服务因物理实体需求而异。此外，信息物理交互是数字孪生区别于其他概念的重要特征之一，若数字孪生概念范畴不包括物理实体，则交互缺乏对象。

很多人也意识到，也许不需要去纠结数字孪生这个定义本身，因为无论是定义成模型，仿真，连接还是数据，都无法单独创造价值，站在企业应用的角度看，理解数字孪生的生态更为重要，《数字孪生体白皮书2019》就自定义了数字孪生体这个概念，指出数字孪生跟物理实体、虚拟模型、数据、连接、服务都密切相关。

在《数字孪生应用白皮书2020》中，也指出数字孪生生态系统由基础支撑层、数据互动层、模型构建与仿真分析层、共性应用层和行业应用层组成，从这张图你也许看不出数字孪生到底是什么，只知道围绕数字孪生要干很多很多事情。

但无论概念诠释的如何高大上，架构图画得多么完美，在数字孪生领域领先的美国，却很少去炒作这个DT概念。

作为数字孪生中最核心的技术建模和仿真，在六十年前就诞生在了美国，也在美国的发展中发挥出了巨大的价值，比如曼哈顿计划中复现核链式反应过程的仿真。

当前制造领域的建模和仿真软件，也基本为国外所垄断，下图展示了数字孪生的产业图谱：

这让我想起20年前在大学做数字信号处理的时候采用的电子设计仿真软件Cadence，有次听导师说起，Cadence软件太贵了，只买了部分，不知道现在局面有没有改观。

的确，在云计算和大数据等领域，我们现在的很多大型互联网公司实现了进步并且有所超越，这也是这些公司在数字孪生领域跃跃欲试的原因吧，但数字孪生的第一代，即制造业传统的物理建模、几何建模、规则建模及相关仿真技术，我们落后的不止是一点半点，伴随着数字孪生热度的提升，真正热卖的也许还是老外企业的那些产品吧。

即使是在信息技术这个行业，建模最有价值的部分，其实还是数据采集和处理的能力、跟业务强相关的规则建模这种看似传统的东西，而不是现在高大上的机器学习和人工智能，相信在数字孪生领域也一样。

想到这里，我心一紧，以前还以为数字孪生是个全新的东西，没想到刚起步，就落后别人半截，靠数据驱动的概念能弯道超车？

最后，我找了两个看得懂的，讲人话的数字孪生的应用案例，方便你进一步理解，也可以思考下实现这些数字孪生的难度，从而对制造业的建模和仿真保持敬畏之心。

第一个是关于数字孪生用于产品研发的：

搭载两名宇航员的SpaceX猎鹰九号（Falcon 9）运载火箭成功升空，并在海上回收一级火箭。SpaceX快速崛起的背后，也必须从数字样机说起。三维模型最重要的是机械结构，包括静力、动力、强度、疲劳等性能，以前这些性能是要靠实验来检测的，现在利用三维数字化模型进行虚拟实验。

猎鹰九号成功的核心就是用三维数字化建模的方法注入材料数据，然后通过大量的仿真分析软件，用计算、仿真、分析或者叫虚拟实验的方法来指导、简化、减少甚至取消物理实验，这就是智能制造的高层次的问题。

火箭发射出去后扔掉的捆绑火箭，靠爆炸螺栓和主火箭连接，到一定高度后引爆螺栓爆炸释放卫星。贵重的金属结构爆炸不能回收使用。马斯克想用机械结构的强力弹簧弹射分离，回收火箭。历史上美、苏都做过大量相关实验，但受限于早期计算机能力、软件、材料，都没有成功，但产生了大量的实验数据。

马斯克弹射分离实验用了NASA大量的公开数据，在计算机上做建模仿真分析强力弹簧的弹射、弹射螺栓，没有做一次物理实验，最后弹射螺栓分离成功，火箭外壳的回收大幅度降低了发射的价格。

第二个是关于数字孪生用于设备运维的：

GE 的数字孪生将航空发动机实时传感器数据（如温度、振动、碰撞、载荷等）与性能模型结合，随运行环境变化和物理发动机性能的衰减，构建出自适应模型，精准监测航空发动机的部件和整机性能，并结合历史数据和性能模型，进行故障诊断和性能预测，以便在预定停机时间内更换磨损部件，避免意外停机。

潮水退去，才知道谁在裸泳。

免责声明：

本文转载自【与数据同行 】 张新厂，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！