數字孿生技術在智能制造中的發展與應用研究綜述

黃海松 陳啟鵬 李宜汀 姚立國 張松松

摘 要：數字孿生技術作為實踐智能制造理念的使能技術與手段，能夠有效解決智能制造的信息物理融合難題，已成為當前世界各國學術界和工業界關注的熱點。為了更好地理解和應用數字孿生，本文首先從數字孿生的背景和定義兩方面進行歸納和總結;在此基礎上，從公開出版年度、主要出版國家、主要研究方向等不同維度，采用文獻計量分析方法對Web of Science（WOS）核心合集數據庫近5年來收錄的與數字孿生相關文獻進行研究，綜述了數字孿生技術在產品設計、工業生產、制造服務方面的應用;最后對數字孿生技術未來的發展方向進行展望，以期為數字孿生技術在智能制造領域的落地應用提供一定的理論參考和借鑒。

關鍵詞：數字孿生;文獻計量;智能制造;應用

中圖分類號：TP18

文獻標識碼： A

文章編號?1000-5269（2020）05-0001-08???DOI：10.15958/j.cnki.gdxbzrb.2020.05.01

隨著新一代信息技術與制造技術的深度融合發展，制造業的生產方式正在發生深刻變革，先進制造業的發展正處于重要的戰略機遇期，全球各主要工業化國家相繼提出新的國家級工業發展戰略，如德國的“工業4.0” 、美國的“先進制造業國家戰略計劃”、英國的“工業2050戰略”等，力求通過“再工業化”發展先進制造業。雖然這些戰略的提出背景不同，但其共同目標之一是實現制造的物理世界與信息世界的交互融合，從而驅動整個制造業的智能化發展。與此同時，為推動“中國制造”向“中國智造”、“中國創造”加速轉變，我國于2015年出臺“中國制造2025” 作為推進制造強國的國家戰略[1-2]。為實現傳統制造業向智能制造的轉型升級，學術界和工業界圍繞大數據（big data）、工業物聯網（internet of things， IOT）、云計算（cloud computing）、人工智能（artificial intelligence）、區塊鏈（block chain）等新興技術領域開展了大量研究和實踐。

數字孿生（digital twin）技術作為實踐智能制造理念的使能技術與手段，能夠有效解決智能制造的信息物理融合難題，也被越來越多的學者關注和重視，研究并將其用于解決實際的工程問題。美國工業互聯網核心框架和德國工業4.0架構都將數字孿生作為重要組成部分，世界最大的國防承包商LMT公司（Lockheed Martin Corporation）在未來國防和航天工業頂尖技術中將數字孿生排在首位[3]，世界頂級的工業軟件公司SIEMENS、ESI、DASSAULT、PTC等將數字孿生技術用于產品設計、流程優化、數據驅動決策等業務。全球最具權威的IT研究與顧問咨詢公司Gartner在2017年和2018年將數字孿生技術列為十大戰略科技發展趨勢[4-5]。具體如圖1、圖2所示，通過新興技術成熟度曲線可知，數字孿生技術在2019年達到期望膨脹期的頂峰，將在未來2—5年內產生顛覆式創新，數字孿生將代表數十億個事物，藉此來實現對物理世界中實體的了解、分析和優化[6]。中國科學技術協會在其近期發布的2020重大科學問題和工程技術難題中將“如何建立虛擬孿生理論和技術基礎并開展示范應用”列為前沿科學問題[7]。

1?數字孿生技術概述

1.1?數字孿生的背景

業界普遍認為數字孿生的概念最初是由美國密歇根大學的GRIEVES M教授首次提出。他于2002年在PLM中心成立時向工業界發表演講的幻燈片中針對產品全生命周期管理（product lifecycle management， PLM）提出 “與物理產品等價的虛擬數字化表達”的概念[10]，具體如圖3所示。該概念源于對裝置的信息和數據進行更清晰地表達的期望，希望能夠將所有的信息放在一起進行更高層次的分析，但當時并沒有準確命名。GRIEVES M教授于2005年將該概念模型命名為鏡像空間模型（mirrored spaces model， MSM），于2006年將其命名為信息鏡像模型（information mirroring model， IMM）[11-12]。2011年將其命名為數字孿生（digital twin， DT），該名稱由美國國家航空航天局（NASA）VICKERS J提出，并一直延續至今[13]。

數字孿生這一理念最早被應用于航空航天領域，NASA于2010年在其撰寫的空間技術路線圖中提出數字孿生體2027計劃，并將其列為未來10—20年的最大挑戰之一[15]。與此同時，美國國防部提出數字孿生體，并設計了數字線程（digital thread），它是基于物理的模型實例，成為跨領域交換數據的基礎。美國空軍研究實驗室（AFRL）于2011年提出機身數字孿生（airframe digital twin）的概念，用于解決戰斗機機體的維護問題[16]。在上述理論和應用的推動下，數字孿生技術在工業領域也獲得了高度的重視。SIEMENS在2016年就開始嘗試利用數字孿生體來完善工業4.0應用，2017年底正式發布了完整數字孿生體的應用模型[17]。GE在2016年正式推出了面向全球工業領域的Predix物聯網平臺，并在其SaaS層提供數字孿生功能服務，數字孿生技術可以使工業領域的產品生命周期管理流程延伸到設備生產、操作的現場，從而建立起一個完整、閉環的“設計-制造-運營-優化”的產品周期[18]。ANSYS在2018年推出Twin Builder平臺，用于幫助用戶在統一的工作流程中構建、驗證和部署基于仿真的數字孿生體，實現工業資產的連接功能與整體系統仿真充分結合，從而開展診斷和故障排除工作，確定理想的維護程序，優化工業資產設備的性能，從中獲得潛在的重要數據來推動產品革新[19]?；谝陨蠎梅治隹芍?，數字孿生技術能夠有效實現物理世界與信息世界的交互融合。

1.2?數字孿生的定義

GRIEVES M教授最初僅對數字孿生的模型進行定義，即由物理實體、虛擬實體以及兩者之間的連接共同組成，并沒有對其具體定義進行描述。而后，在NASA撰寫的空間技術路線圖中對數字孿生定義如下：數字孿生是一種面向飛行器或系統的高度集成多學科、多物理量、多尺度、多概率的仿真模型，能夠充分利用物理模型、傳感器更新、運行歷史等數據，在虛擬空間中完成映射，從而反映實體裝備全生命周期過程[15，20]，具體如圖4所示。NASA對于數字孿生的定義受到了廣泛的關注和認可，在此基礎上，不同領域的研究人員也提出了自己的理解和定義，具體如表1所示。

2?數字孿生技術學術研究現狀分析

本文選擇WOS核心合集數據庫對近5年來收錄與數字孿生技術相關的文獻進行統計分析，采用可視化網絡分析工具CiteSpace（5.7.R1）生成知識圖譜[32]，用以闡述近些年數字孿生技術在國內外研究情況。 檢索文獻類型包括文章、會議論文、會議摘要等，檢索方式采用WOS中的高級檢索工具，使用字段標識、布爾運算符、括號和檢索結果集來創建檢索式，檢索式字符串為：TS=（“digital twin” OR “digital twins”） AND PY?2016—2020，即在主題（包括標題、摘要和關鍵詞）中搜索出版年在2016—2020年間包含“digital twin”或 “digital twins”的字段。

2.1?公開出版文獻年度統計分析

2016—2020年以來檢索到已被WOS核心合集數據庫公開收錄的文獻累計460篇。從年度發表的文獻數量上可知，總體趨勢呈逐年上漲。2016年文獻發表數量較少，年度數量為2篇，2017年發表數量為16篇，2018年數字孿生逐漸開始進入快速成長期，當年發表數量為36篇，2019年發表數量為184篇，2020年截止到8月發表數量為222篇，具體如圖5所示。其中2019年的發表數量占近5年的40.00%，2020年的發表數量占近5年的48.26%，預計未來幾年還將呈快速發展的勢頭。

2.2?主要出版國家及研究機構分布統計分析

從近5年來發表相關文獻的主要出版國家分布統計分析可知，截止到2020年8月在全球范圍內已有超過30個國家參與數字孿生技術的研究，具體如圖6所示，主要出版國家共現知識圖譜中節點總數為33，邊數為100。其中，排名在前5位的國家分別為中國（占比21.96%）、美國（占比16.52%）、德國（占比13.26%）、英國（占比10.00%）、意大利（占比6.96%）。這些國家均已具有完整的工業體系和強大的科技實力。通過主要研究機構統計分析可知，已有超過900所高校、研究院和企業對數字孿生技術開展相關研究并發表學術成果，具體如表2所示。排名在前5位的研究機構分別為中國北京航空航天大學（占比3.26%）、瑞典查爾姆斯理工大學（占比2.39%）、中國廣東工業大學（占比2.17%）、法國國家科學研究中心（占比1.96%）、韓國成均館大學（占比1.96%）。此外，英國劍橋大學、德國亞琛工業大學、美國佐治亞理工學院等世界一流大學以及德國西門子公司、美國通用電氣公司等世界一流企業正在圍繞數字孿生技術的理論與應用開展研究，且這一趨勢逐年上漲，充分表明此項技術具有很大的研究價值。

2.3?主要研究方向及出版物統計分析

從近5年來發表相關文獻的主要研究方向統計分析可知，數字孿生技術涉及超過60個研究方向，目前處于滲透期，具體如圖7所示，主要研究方向共現知識圖譜中節點總數為64，邊數為236。其中，工程（占比67.61%）和計算機科學（占比30.00%）為數字孿生技術最主要的研究方向，可以預測未來數字孿生技術有望在各個領域展開應用。通過主要出版物統計分析可知，有超過290個在WOS核心合集數據庫中收錄的出版物發表過與數字孿生相關的文獻，具體如圖8所示。如美國電氣和電子工程師協會旗下的《IEEE ACCESS》、泰勒-弗朗西斯下的《INT J COMPUT INTEG M》、施普林格旗下的《INT J ADV MANUF TECH》、愛思唯爾旗下的《ROBOT CIM-INT MANUF》、國際生產工程學會下屬的《CIRP ANN-MANUF TECHN》，主要出版物集中在與工程技術相關的工業、制造、管理科學領域以及與計算機科學相關的信息系統、電子電氣領域。

3?數字孿生技術在智能制造中的應用

數字孿生技術作為能夠實現智能制造物理世界與信息世界交互融合的潛在途徑，被逐步應用于產品全生命周期的各個環節，即產品設計、工業生產以及制造服務，對于提高產品的研發質量、制造的生產效率、設備的預測性維護具有重要意義。

3.1?數字孿生技術在產品設計中的應用

產品設計是產品全生命周期中的重要環節，也是數字孿生技術應用于智能制造中的第一步[33]。大規模、個性化的產品設計目前已成為企業追求的理想設計目標。傳統設計方法普遍存在需求不精準、設計協作難等問題，且樣機的試制周期長成本高，無法及時對其性能進行反饋和驗證，嚴重影響企業的產品創新和市場開發。為此，數字孿生技術被逐漸引入其中。數字孿生技術使設計人員能夠比較虛擬產品在不同環境下的性能，以確保將生產產品的實際行為與期望實際值之間的不一致性降至最低。同時，數字孿生可以避免因評估虛擬產品而進行的冗長測試，從而加快設計周期。

陶飛等[34]提出了一種基于數字孿生技術的產品設計框架（digital twin-driven product design framework， DTPD）。該框架著重于將物理產品與虛擬產品連接起來，主要適用于對現有產品進行迭代優化設計，構成DTPD的大多數選定設計方法已被證明對于重新設計現有產品更為有用。劉強等[35]提出一種數字孿生驅動的自動化流水車間制造系統的快速個性化設計方法，將基于物理的系統建模和分布式半物理仿真結合起來，提供工程解決方案分析能力，并在試制階段生成系統的權威數字設計。SCHLEICH B等[36]提出了一種基于表面模型形狀概念的綜合參考模型，在設計和制造過程中作為物理產品的數字孿生模型用于幾何變化的管理。STARK R等[37]提出了一種基于數字孿生的信息物理生產系統（cyber physical production systems， CPPS）新型架構模塊化設計方法，通過將現有的生產資源和新的CPS單元整合到構建工具模塊中，工廠制造商可以使用虛擬原型創建、驗證和優化CPPS的體系結構。

[17]TAO F，?CHENG J，?QI Q，?ET Al.?Digital twin-driven product design，?manufacturing and service with big data[J].?The International Journal of Advanced Manufacturing Technology，?2018，?94（9-12）：?3563-3576.

[18]TODOROVIC M H，?DATTA R，?STEVANOVIC L，?et al.?Design and testing of a modular SiC based power block[C]//PCIM Europe 2016; International Exhibition and Conference for Power Electronics，?Intelligent Motion，?Renewable Energy and Energy Management. Nuremberg， Germany： VDE，?2016：?1-4.

[19]HE K F，?LI X J，?WU J G，?et al.?Three-dimensional temperature field numerical simulation of twin-arc high-speed submerged arc welding process based on ANSYS[C]//Advanced Materials Research.?Zurich， Switzerland：?Trans Tech Publications Ltd，?2011，?216：?188-193.

[20]TAO F，?ZHANG M，?NEE A Y C.?Digital twin driven smart manufacturing[M].?San Diego， the United States： Academic Press，?2019.

[21]SCHLEICH B，?ANWER N，?MATHIEU L，?et al.?Shaping the digital twin for design and production engineering[J].?CIRP Annals，?2017，?66（1）：?141-144.

[22]GOCKEL B，?TUDOR A，?BRANDYBERRY M，?et al.?Challenges with structural life forecasting using realistic mission profiles[C]//53rd AIAA/ASME/ ASCE/AHS/ASC Structures，?Structural Dynamics and Materials Conference 20th AIAA/ASME/AHS Adaptive Structures Conference 14th AIAA.?Hawaii， the United States： AIAA， 2012：?1813.

[23]LIU Z，?MEYENDORF N，?MRAD N.?The role of data fusion in predictive maintenance using digital twin [C]//AIP Conference Proceedings.?New York， the United States：?AIP Publishing LLC，?2018，?1949（1）：?020023.

[24]LEE J，?LAPIRA E，?BAGHERI B，?et al.?Recent advances and trends in predictive manufacturing systems in big data environment[J].?Manufacturing Letters，?2013，?1（1）：?38-41.

[25]SIEMENS.?Digital twin[EB/OL]. [2020-08-08]. https： //www. plm. automation. siemens. com/global/zh/our-story/glossary/digital-twin/24465.

[26]GE.?Digital twin[EB/OL]. [2020-08-08].?https： //www. ge. com/digital/applications/digital-twin.

[27]ANSYS.?Digital twin[EB/OL]. [2020-08-08].?https： //www. ansys. com/products/systems/digital-twin.

[28]陶飛，?劉蔚然，?劉檢華，?等.?數字孿生及其應用探索[J]. 計算機集成制造系統， 2018， 24（1）： 1-18.

[29]劉大同，?郭凱，?王本寬，?等. 數字孿生技術綜述與展望[J]. 儀器儀表學報， 2018， 39（11）： 1-10.

[30]張霖. 關于數字孿生的冷思考及其背后的建模和仿真技術[J]. 系統仿真學報， 2020， 32（4）： 1-10.

[31]ZHANG H，?LIU Q，?CHEN X，?et al.?A digital twin-based approach for designing and decoupling of hollow glass production line[J].?IEEE Access，?2017，?5： 26901-26911.

[32]CHEN C，?SONG M.?Visualizing a field of research：?a methodology of systematic scientometric reviews[J].?PloS One，?2019，?14（10）：?e0223994.

[33]李浩，?陶飛，?王昊琪，?等. 基于數字孿生的復雜產品設計制造一體化開發框架與關鍵技術[J]. 計算機集成制造系統， 2019， 25（6）： 1320-1336.

[34]TAO F，?SUI F，?LIU A，?et al.?Digital twin-driven product design framework[J].?International Journal of Production Research，?2019， 57： 1-19.

[35]LIU Q，?ZHANG H，?LENG J，?et al.?Digital twin-driven rapid individualised designing of automated flow-shop manufacturing system[J].?International Journal of Production Research，?2019， 57： 3903-3919.

[36]SCHLEICH B，?ANWER N，?MATHIEU L，?et al.?Shaping the digital twin for design and production engineering[J].?CIRP Annals，?2017，?66（1）：?141-144.

[37]STARK R，?KIND S，?NEUMEYER S.?Innovations in digital modelling for next generation manufacturing system design[J].?CIRP Annal，?2017，?66（1）： 169-172.

[38]陶飛，?程穎，?程江峰，?等. 數字孿生車間信息物理融合理論與技術[J]. 計算機集成制造系統， 2017， 23（8）： 1603-1611.

[39]趙浩然，?劉檢華，?熊輝， 等. 面向數字孿生車間的三維可視化實時監控方法[J]. 計算機集成制造系統， 2019， 25（6）： 1432-1443.

[40]KNAPP G L，?MUKHERJEE T，?ZUBACK J S，?et al.?Building blocks for a digital twin of additive manufacturing[J].?Acta Materialia，?2017，?135： 390-399.

[41]CORONADO P D U，?LYNN R，?LOUHICHI W，?et al.?Part data integration in the Shop Floor Digital Twin：?mobile and cloud technologies to enable a manufacturing execution system[J].?Journal of Manufacturing Systems，?2018，?48：?25-33.

[42]丁華，?楊亮亮，?楊兆建，?等. 數字孿生與深度學習融合驅動的采煤機健康狀態預測[J]. 中國機械工程， 2020， 31（7）： 815-823.

[43]TAO F，?ZHANG M，?LIU Y，?et al.?Digital twin driven prognostics and health management for complex equipment[J].?CIRP Annals，?2018，?67（1）：?169-172.

[44]張旭輝，?張雨萌，?王巖，?等. 數字孿生驅動的設備維修MR輔助指導技術[J/OL]. 計算機集成制造系統： 1-13[2020-08-22]. http： //kns. cnki. net/kcms/detail/11. 5946. TP. 20200312. 1004. 002. html.

[45]ZAKRAJSEK A J，?MALL S.?The development and use of a digital twin model for tire touchdown health monitoring[C]//58th AIAA/ASCE/AHS/ASC Structures，?Structural Dynamics，?and Materials Conference.?Texas， the United States： 2017：?0863.

[46]KRAFT J，?KUNTZAGK S.?Engine fleet-management：?the use of digital twins from a MRO perspective[C]//Turbo Expo：?Power for Land，?Sea，?and Air.?North Carolina， the United States： American Society of Mechanical Engineers，?2017，?50770：?V001T01A007.

（責任編輯：曾?晶）