工业互联网与数字孪生体技术
数字孪生技术的概念和实现
数字孪生技术的概念和实现数字孪生技术（Digital Twin）是指在数字空间中，通过建立物理实体的虚拟模型，实现对实体的全方位预测、优化和管理。
数字孪生技术可以应用于各种领域，如工业、建筑、能源、医疗等，为生产和服务提供可靠且高效的解决方案。
本文将从概念、应用、实现等方面进行讨论。
1. 概念数字孪生技术最初提出于2002年，是由美国国家科学基金会提倡的。
数字孪生技术是建立现实世界和数字世界之间的联系，并在此基础上实现对实体的远程监控和管理。
简单的说，数字孪生技术就是通过数字模型，在虚拟空间中呈现出实体的每一个细节和运行状态，实现对实体的智能化管理和优化。
数字孪生技术包括以下四个主要步骤：第一步是数据采集，通过传感器、摄像头、雷达等设备采集实体的信息，包括温度、湿度、压力、流量等参数，甚至包括实体的外形和结构等。
第二步是数据传输，将采集到的数据传输到云端或本地服务器上，为建立数字孪生模型提供数据基础。
第三步是建模分析，将采集到的数据通过算法处理，建立数字孪生模型，分析出实体的运行状态和故障原因。
第四步是应用优化，根据数字孪生模型的分析结果，进行应用优化，如提高实体的效率、降低能耗等。
2. 应用数字孪生技术在生产和服务领域具有广泛的应用，以下分别介绍：（1）工业：数字孪生技术可以实现工业装备的全生命周期管理，包括设计、模拟、制造、运营、维护等环节。
在生产过程中，数字孪生技术可以实现实时监测和控制，提高生产效率和产品质量，降低成本。
（2）建筑：数字孪生技术可以在建筑设计和施工过程中应用，建立建筑物的数字孪生模型，实现建筑物设计优化和施工进度监测等功能。
在建筑物运营和管理过程中，数字孪生技术可以实现对建筑物内部环境、能耗等数据的实时监测和控制，提高能源利用效率。
（3）能源：数字孪生技术可以应用于电网、水网、气网等能源系统的监测和控制。
通过数字孪生技术，可以实现对能源系统内部的数据采集、分析和优化，提高能源输送和利用效率。
数字孪生技术在工业系统中的应用研究
数字孪生技术在工业系统中的应用研究随着数字化时代的到来，人们对于工业系统中数字孪生技术的需求也越来越多。
数字孪生技术是将传统物理模型与数字仿真技术相结合，通过建立数字孪生模型，快速构建真实系统的虚拟模型，从而对系统进行预测、优化和仿真，实现系统实际运营效果与数字孪生模型之间的同步，并极大提升了工业系统的管理和效率。
本文将重点探讨数字孪生技术在工业系统中的应用研究。
一、数字孪生技术在工业系统中的应用数字孪生技术在工业系统中的应用具有广泛的可能性，可以应用于各个方面，如设计优化、运营管理、生产控制、安全保障等。
下面分别从这些方面进行阐述：1. 设计优化方面：数字孪生技术可以用于产品设计与工艺优化。
通过建立数字孪生技术的模型，对于系统中的每一个细节以及流程过程进行优化研究，进一步补充和完善传统设计与生产测试方法，在产生设计探索和验证时有效减少实验周期，降低实际成本。
2. 运营管理方面：数字孪生技术可以用于物流、生产调度、质量和设备管理等方面。
通过在数字孪生模型中增加不同的业务规则，对于机器设备进行状况监测、故障诊断及预测，对于生产工艺的质量保证和运行守则进行验证和模拟调整，是企业在管理决策方面进行有据可依的抉择。
此外，还可以应用于物流运输、成本分析等方面的调查和应用。
3. 生产控制方面：数字孪生模型可以用于预测产量、节能减排、人员运行等方面。
通过精准建立操作流程，结合数字孪生模型所携带的数据，实时分析运营情况并效果反馈，保证系统的长期稳定性和可靠性。
数字孪生技术还可以根据实际情况，确定系统设定参数，对部分系统功能进行协调控制，从而避免设备的过载运行和磨损等问题。
4. 安全保障方面：数字孪生技术具有比较广泛的安全保障功能，可以进行潜在风险的预测，实现事故的预警和事故的灾后模拟。
数字孪生技术可以快速构建大量复杂的情景模拟，提高了安全检测和故障处理的效率和效果，从而有效降低设备安全隐患，提升人们感知安全问题的能力，有效增强系统的安全性和稳定性。
数字孪生到底是什么
数字孪生到底是什么1.数字孪生到底是什么？数字孪生(Digital Twin)其实是将物理空间中的人、事、物完全映射到虚拟空间，建立虚拟世界与实体物理世界的连接，并对物理空间的各类设备系统进行实时优化。
构建物理空间与虚拟空间的虚实交融、同生共存，是可智能操控的映射关系。
这堆概念一出来，想必还是很难理解，但实际上可以理解为它所构建的是一个与物理世界完全映射的数字世界，与物理实体有着强交互性。
目前数字孪生概念下的技术发展主要应用与航天业和工业领域，此外在城市建设领域，数字孪生也催生着各种物联设备使城市运行治理更加智慧、决策应变更加快捷。
因此，数字孪生其实如同一个“执行者”，从设计、模型和数据入手，构建“数字孪生体”，并感知优化物理实体，同时推动传感器、设计软件、物联网、新技术的更新迭代。
2.实现数字孪生的必备条件?#具备物联网感知技术若要实现数字李生，必须借助传感器运行、并通过更新的实时数据来反馈到数字系统，进而实现在虚拟空间的仿真过程。
也就是说，物联网(loT)的各种感知技术是实现数字孪生的必然条件。
#基于统一的平台数据管理此外，在数字孪生城市中，传感器定时采集的信息需要网络传输，通过各种有线和无线网络与互联网融合，将物体的信息实时准确地传递出去。
持续动态传输过程中，系统需适应各种异构网络和协议，以保证数据正确性和及时性，因此统一的平台数据管理极为重要。
#3D可视化更有利于理解和表达通过3D可视化场景，并提供结构化的模型数据，实现物理世界和数字世界的交互，其实更有利于数字孪生技术的理解和表达。
ThingJS 在线PaaS平台可以通过图形引擎，多层次实时渲染呈现数字李生体，在线提供一种生动形象的表述，也能让非计算机专业人士充分理解数字孪生的概念，并应用于各种智慧场景。
3.怎么实现数字孪生可视化?ThingJS在线开发平台，满足以上数字孪生的必备条件，也满足不同业务和不同应用场景需求，并可实现平台数据的统一融合，使用户信息、权限管理、数据信息实现自由交互。
【工厂管理】什么是数字孪生
什么是数字孪生？数字孪生是在软件定义作用下，长期的要素数字化所形成的结果。
此处要素泛指物理世界的各种人、机、物、数据、图文、语言、物理信息等各种实体要素。
因此数字孪生是一种经过长期发展形成的数字化通用技术。
笔者认为数字孪生有两层意思，一是指物理实体与其数字虚体之间的精确映射的孪生关系；二是将具有孪生关系的物理实体、数字虚体分别称作物理孪生体、数字孪生体。
默认情况下，数字孪生亦指数字孪生体。
数字孪生一词据称是由迈克尔·格里夫（Michael Grieves）教授于2003年在密歇根大学执教时提出[2]。
目前尚无业界公认的数字孪生标准定义，概念在不断发展与演变中。
数字孪生概念被提出后，很快被美国国防部应用于航空航天飞行器的健康维护与保障。
德国西门子、法国达索、美国通用电气、美国参数技术等公司也积极跟进，特别是近些年，随着智能制造等概念的推进，数字孪生已成为智能制造的通用技术，在军工制造、高端装备等很多行业得到广泛应用。
国内一些学者对数字孪生也进行了深入研究。
北京航空航天大学陶飞教授团队较早开展了数字孪生研究，在国际上首次提出了“数字孪生车间”概念，并在《Nature》杂志在线发表了题为《Make More Digital Twins》的评述文章。
笔者在《三体智能革命》、《机·智：从数字化车间走向智能制造》等著作中及多篇文章中对数字孪生进行了研究与解读。
西门子公司出版了《数字孪生实战：基于模型的数字化企业》有关数字孪生的专著，Gartner、德勤等咨询公司也对数字孪生做了深入研究与技术发展评估。
《德勤2020技术趋势》将数字孪生作为今后的五大趋势之一。
这些研究成果对数字孪生的理论研究与工程实践起到了很大的推动作用。
笔者认为：数字孪生是在“数字化一切可以数字化的事物”大背景下，通过软件定义，在数字虚体空间中所创建的虚拟事物，与物理实体空间中的现实事物形成了在形、态、质地、行为和发展规律上都极为相似的虚实精确映射，让物理孪生体与数字孪生体具有了多元化映射关系，具备了不同的保真度（逼真、抽象等）。
数字孪生的概念及应用
数字孪生的概念及应用DigitalTwin数字孪生：是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。
DigitalTwin是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。
数字孪生是个普遍适应的理论技术体系，可以在众多领域应用，目前在产品设计、产品制造、医学分析、工程建设等领域应用较多。
目前在国内应用最深入的是工程建设领域，关注度最高、研究最热的是智能制造领域。
概念介绍美国国防部最早提出利用DigitalTwin技术，用于航空航天飞行器的健康维护与保障。
首先在数字空间建立真实飞机的模型，并通过传感器实现与飞机真实状态完全同步，这样每次飞行后，根据结构现有情况和过往载荷，及时分析评估是否需要维修，能否承受下次的任务载荷等。
数字孪生，有时候也用来指代将一个工厂的厂房及产线，在没有建造之前，就完成数字化模型。
从而在虚拟的赛博空间中对工厂进行仿真和模拟，并将真实参数传给实际的工厂建设。
而工房和产线建成之后，在日常的运维中二者继续进行信息交互。
值得注意的是：DigitalTwin不是构型管理的工具，不是制成品的3D尺寸模型，不是制成品的MBD定义。
对于DigitalTwin的极端需求，同时也将驱动着新材料开发，而所有可能影响到装备工作状态的异常，将被明确地进行考察、评估和监控。
DigitalTwin正是从内嵌的综合健康管理系统（IVHM）集成了传感器数据、历史维护数据，以及通过挖掘而产生的相关派生数据。
通过对以上数据的整合，DigitalTwin可以持续地预测装备或系统的健康状况、剩余使用寿命以及任务执行成功的概率，也可以预见关键安全事件的系统响应，通过与实体的系统响应进行对比，揭示装备研制中存在的未知问题。
DigitalTwin可能通过激活自愈的机制或者建议更改任务参数来减轻损害或进行系统的降级，从而提高寿命和任务执行成功的概率。
工业互联网平台在智能制造中的应用
工业互联网平台在智能制造中的应用第一章工业互联网平台概述 (3)1.1 工业互联网平台定义 (3)1.2 工业互联网平台关键技术 (3)1.2.1 云计算技术 (3)1.2.2 物联网技术 (3)1.2.3 大数据技术 (3)1.2.4 人工智能技术 (4)1.2.5 网络安全技术 (4)1.2.6 边缘计算技术 (4)1.2.7 数字孪生技术 (4)1.2.8 工业协议与标准 (4)第二章工业互联网平台在智能制造中的价值 (4)2.1 提高生产效率 (4)2.2 优化资源配置 (5)2.3 促进产业协同 (5)第三章工业互联网平台的架构与组成 (5)3.1 平台架构设计 (5)3.1.1 总体架构 (5)3.1.2 功能架构 (6)3.2 平台核心组件 (6)3.2.1 数据采集组件 (6)3.2.2 数据处理与分析组件 (6)3.2.3 应用服务组件 (6)3.2.4 安全保障组件 (7)3.3 平台技术体系 (7)3.3.1 云计算技术 (7)3.3.2 大数据技术 (7)3.3.3 人工智能技术 (7)3.3.4 网络通信技术 (7)3.3.5 安全技术 (7)第四章工业互联网平台的数据采集与管理 (7)4.1 数据采集技术 (7)4.1.1 传感器技术 (7)4.1.2 边缘计算技术 (8)4.1.3 数据传输技术 (8)4.2 数据存储与处理 (8)4.2.1 数据存储 (8)4.2.2 数据清洗 (8)4.2.3 数据整合 (9)4.2.4 数据分析 (9)4.3 数据安全与隐私保护 (9)4.3.2 数据存储安全 (9)4.3.3 数据处理安全 (9)第五章工业互联网平台的设备连接与管理 (10)5.1 设备接入技术 (10)5.2 设备监控与维护 (10)5.3 设备健康管理 (10)第六章工业互联网平台的应用场景 (11)6.1 生产过程优化 (11)6.2 产品质量监控 (11)6.3 设备故障预测 (12)第七章工业互联网平台在智能制造中的集成应用 (12)7.1 与企业信息系统的集成 (12)7.1.1 集成背景及意义 (12)7.1.2 集成内容与方法 (12)7.1.3 集成效果分析 (13)7.2 与第三方应用的集成 (13)7.2.1 集成背景及意义 (13)7.2.2 集成内容与方法 (13)7.2.3 集成效果分析 (13)7.3 与工业互联网平台的协同 (14)7.3.1 协同背景及意义 (14)7.3.2 协同内容与方法 (14)7.3.3 协同效果分析 (14)第八章工业互联网平台的安全保障 (14)8.1 平台安全架构 (14)8.1.1 物理安全 (14)8.1.2 网络安全 (15)8.1.3 系统安全 (15)8.2 安全防护技术 (15)8.2.1 访问控制 (15)8.2.2 数据保护 (15)8.2.3 安全审计 (15)8.3 安全合规与认证 (16)8.3.1 安全合规 (16)8.3.2 认证 (16)第九章工业互联网平台的运维与优化 (16)9.1 平台运维管理 (16)9.1.1 运维管理概述 (16)9.1.2 运维管理内容 (16)9.1.3 运维管理策略 (17)9.2 平台功能优化 (17)9.2.1 功能优化概述 (17)9.2.2 功能优化方法 (17)9.3 平台升级与扩展 (17)9.3.1 平台升级概述 (17)9.3.2 平台升级内容 (17)9.3.3 平台升级策略 (17)9.3.4 平台扩展概述 (18)9.3.5 平台扩展内容 (18)9.3.6 平台扩展策略 (18)第十章工业互联网平台在智能制造中的发展趋势 (18)10.1 技术创新趋势 (18)10.2 行业应用趋势 (18)10.3 政策与产业环境趋势 (19)第一章工业互联网平台概述1.1 工业互联网平台定义工业互联网平台是指在工业领域，以云计算、大数据、物联网等新一代信息技术为基础，整合各类工业资源，实现设备、系统、平台之间的互联互通，提供数据集成、分析、优化及智能化服务的一种信息技术平台。
数字孪生网络(DTN)概念、架构及关键技术
数字孪生网络(DTN): 概念、架构及关键技术孙 滔 1周 铖 1段晓东 1陆 璐 1陈丹阳 1杨红伟 1朱艳宏 1刘 超 1李 琴 1 王 晓 2 沈 震 2 瞿逢重 3 蒋怀光 4 王飞跃2摘 要 随着5G 商用规模部署、下一代互联网IPv6的深化应用, 新一代网络技术的发展引发产业界的关注. 网络的智能化被认为是新一代网络发展的趋势. 网络为数字化社会的信息传输提供了基础, 而网络本身的数字化是智能化发展的先决条件. 面向数字化、智能化的新一代网络发展目标, 本文首次系统化提出了 “数字孪生网络(DTN: Digital twin network)”的概念, 给出了系统架构设计, 分析了DTN 的关键技术. 通过对DTN 发展挑战的分析, 本文指出了未来 “数字孪生网络”的发展方向.关键词 数字孪生网络, 网络自动化, 网络闭环控制, 全生命周期运维引用格式 孙滔, 周铖, 段晓东, 陆璐, 陈丹阳, 杨红伟, 朱艳宏, 刘超, 李琴, 王晓, 沈震, 瞿逢重, 蒋怀光, 王飞跃. 数字孪生网络(DTN): 概念、架构及关键技术. 自动化学报, 2021, 47(3): 569−582DOI 10.16383/j.aas.c210097Digital Twin Network (DTN): Concepts, Architecture, and Key TechnologiesSUN Tao 1 ZHOU Cheng 1 DUAN Xiao-Dong 1 LU Lu 1 CHEN Dan-Yang 1 YANG Hong-Wei 1ZHU Yan-Hong 1 LIU Chao 1 LI Qin 1 WANG Xiao 2 SHEN Zhen 2QU Feng-Zhong 3 JIANG Huai-Guang 4 WANG Fei-Yue 2Abstract With the commercial deployment of 5G and the migration of internet from IPv4 to IPv6, the new devel-opment of the network technology has highly attracted the attention of the industry. The intelligentization of net-work is believed as the trend of the new generation of network development. The network provides the foundation for the information transmission in the digital society, and the digitalization of the network itself is the prerequisite for the intelligent development. Facing the goal of the new generation of digital and intelligent network, this paper introduces the new concept of “digital twin network (DTN)”, designs the system architecture, and analyzes the key technologies of DTN. By investigating the challenges of DTN, this paper points out the future development direc-tion of digital twin network.Key words Digital twin network (DTN), network automation, network closed-loop control, full life cycle operation Citation Sun Tao, Zhou Cheng, Duan Xiao-Dong, Lu Lu, Chen Dan-Yang, Yang Hong-Wei, Zhu Yan-Hong, Liu Chao, Li Qin, Wang Xiao, Shen Zhen, Qu Feng-Zhong, Jiang Huai-Guang, Wang Fei-Yue. Digital twin network (DTN): concepts, architecture, and key technologies. Acta Automatica Sinica , 2021, 47(3): 569−582随着5G 、物联网和云计算技术的发展以及层出不穷的网络新业务涌现, 网络负载不断增加, 网络规模持续扩大. 由此带来的网络复杂性, 使得网络的运行和维护变得越来越复杂[1−2]. 同时, 由于网络运营的高可靠性要求, 网络故障的高代价以及昂贵的试验成本, 网络的变动往往牵一发而动全身,新技术的部署愈发困难. 具体来说, 超大规模网络发展面临的典型挑战总结如下.1) 网络灵活性不足. 伴随物联网技术的兴起,网络通信由最初的人与人通信, 发展至人与物通信,并进一步发展至物与物通信. 通信模式不断更新,网络承载的业务类型、网络所服务的对象、连接到网络的设备类型等呈现出多样化发展的态势, 均对网络本身提出了更高的要求, 网络需具备更高的灵活性与可扩展性.收稿日期 2021-01-29 录用日期 2021-03-08Manuscript received January 29, 2021; accepted March 8, 2021国家重点研发计划(2020YFB1806801, 2020YFB1806800), 国家自然科学基金资助(61773382)Supported by National Key Research and Development Pro-gram of China (2020YFB1806801, 2020YFB1806800) and Nation-al Natural Science Foundation of China (61773382)本文责任编委 魏庆来Recommended by Associate Editor WEI Qing-Lai1. 中国移动通信有限公司研究院 北京 100053 中国2. 中国科学院自动化研究所复杂系统管理与控制国家重点实验室 北京100190 中国3. 浙江大学浙江省海洋观测—成像区重点实验室舟山 316021 中国4. 美国国家可再生能源实验室 科罗拉多州 戈尔登 80401 美国1. China Mobile Research Institute, Beijing 100053, China2. Sta-te Key Laboratory for Management and Control of Complex Sys-tems, Institute of Automation, Chinese Academy of Sciences,Beijing 100190, China3. Key Laboratory of Ocean Observation-Imaging Testbed of Zhejiang Province, Zhejiang University,Zhoushan 316021, China4. National Renewable Energy Labor-atory, Golden, Colorado 80401, USA第 47 卷 第 3 期自 动 化 学 报Vol. 47, No. 32021 年 3 月ACTA AUTOMATICA SINICAMarch, 20212) 网络新技术研发周期长、部署难度大. 作为基础设施, 网络具有高可靠性要求, 网络运营商的现网环境很难直接用于科研人员的网络创新技术研究. 仅仅基于线下仿真平台的研究会大大影响结果的有效性, 从而降低网络创新技术的发展速度. 此外, 新技术的失败风险和失败代价会阻碍对网络创新应用的尝试.3) 网络管理运维复杂. 随着云计算、虚拟化技术的发展, 传统网络已经开始向软件化、可编程转变, 呈现了许多新的特点, 如资源的云化、业务的按需设计、资源的编排等, 这使得网络的运行和维护面临着前所未有的压力. 由于缺乏有效的统一仿真、分析和预测平台, 很难从现有的预防性运维转向理想的预测性运维.4) 网络优化成本高、风险大. 由于缺乏有效的虚拟验证平台, 网络优化操作不得不直接作用在现网基础设施中, 造成较长的时间消耗以及较高的现网运行业务风险, 从而加大网络的运营成本.为解决上述困难, 网络智能化越来越为产业界所重视. “基于意图的网络”[3−4], “自动驾驶网络”[5−6],“零接触(Zero-Touch)网络”[7]等概念和技术相继被业界提出和推广, 希望借助网络智能化技术, 实现网络自动化和自主化运行的愿景. 数字孪生网络构建物理网络的实时镜像, 可增强物理网络所缺少的系统性仿真、优化、验证和控制能力, 助力上述网络新技术的部署, 更加高效地应对网络问题和挑战.将数字孪生技术应用于网络, 创建物理网络设施的虚拟镜像, 即可搭建数字孪生网络平台. 通过物理网络和孪生网络实时交互, 相互影响, 数字孪生网络平台能够助力网络实现低成本试错、智能化决策和高效率创新. 数字孪生网络的研究和应用在产业和学术界还处于起步阶段. 本文结构如下: 第1节介绍数字孪生的研究与应用现状, 第2节描述数字孪生网络的定义和架构并给出应用示例, 第3节描述数字孪生网络的关键技术, 第4节描述数字孪生网络的目标价值, 最后是总结和展望.1 数字孪生技术研究和应用现状1.1 数字孪生及相关技术概述数字孪生的概念最早由美国学者M. Grieves 教授提出[8], 并定义为三维模型, 包括实体产品、虚拟产品以及二者间的连接. 2012年, 美国空军研究实验室和美国国家航空航天局 (National Aero-nautics and Space Administration, NASA)合作提出构建未来飞行器的数字孪生体[9], 并定义数字孪生为高度集成的多物理场、多尺度、多概率的仿真模型. 近年来, 随着多学科建模与仿真技术的飞速发展, 数字孪生技术研究成为热点, 并在虚拟样机、数字孪生车间、数字孪生卫星、能源交通、医疗健康等诸多领域得到成功运用[10−12]. 面向未来网络, 伴随着云计算、大数据、人工智能等技术的不断发展以及信息的泛在化, 数字孪生技术也将更广泛地运用于人体活动监控与管理、家居生活和科学研究等领域, 使得整个社会走向虚拟与现实结合的 “数字孪生” 世界. 国际电信联盟电信标准化部 (Interna-tional Telecommunication Union — Telecommuni-cation Standardization Sector, ITU-T)面向未来网络的Network2030焦点组的技术报告[13−14]也将数字孪生作为未来网络12个代表性用例之一.数字孪生模型框架目前尚无统一定义. 商业公司、科研机构和标准组织都在尝试定义通用或者专用的模型框架. Gartner在其物联网(Internet of things, IoT)数字孪生技术报告[15]中提出构建一个物理实体的数字孪生体需要4个关键要素: 模型、数据、监控和唯一性. 文献[10]提出了数字孪生的五维模型 {PE, VE, Ss, DD, CN}, 其中, PE表示物理实体, VE表示虚拟实体, Ss表示服务, DD表示孪生数据, CN表示各部分之间的连接. 国际标准化组织(International Organization for Standardiza-tion, ISO)发布了面向制造的数字孪生系统框架标准草案[16−17], 提出包含数据采集域、设备控制域、数字孪生域和用户域的参考框架, 该草案即将成为数字孪生领域第一个国际标准.与数字孪生观念紧密相关的理论, 是由中国科学院自动化研究所王飞跃研究员于2004年提出的平行系统理论[18−19]. 平行系统理论同数字孪生理论在虚实映射、动态仿真等方面有相似性. 但是, 两者在研究对象、核心思想、实现方法、功能等方面均有所区别[20]. 数字孪生主要研究由信息空间和物理空间组成的空间物理系统 (Cyber physical system, CPS)[21], 而平行系统主要研究社会网络、信息资源和物理空间深度融合的社会物理信息系统 (Cyber physical social system, CPSS)[22], 包含社会活动的部分, 考虑社会的反映和影响. 平行系统相对于数字孪生的 “形似”, 更注重 “神似”. 数字孪生通过数字化空间构建物理空间的镜像, 而平行系统更强调计算实验和外在行为的干预, 基于人工系统生成场景. 平行系统理论在平行医疗[23−24]、平行自动驾驶[25]、平行军事[26]等领域同样有较多应用. 类似于数字孪生及平行系统理论, 文献[27]提出了智能空间设想,探讨了基于智能交通空间, 实现智能化车辆和交通基础设施控制的可行性.1.2 数字孪生网络相关探索与工作随着数字孪生技术的发展及其在生产制造等多570自 动 化 学 报47 卷个产业的应用, 数字孪生技术理念在通信网络领域的应用也逐渐被业界研究和关注. 华为公司提出在意图驱动网络的网络云化引擎(Network cloud en-gine, NCE)中[28], 在物理网络和商业意图之间构建数字孪生, 将过去离散的数据进行关联并转为在线共享, 构建全生命周期的数字化运维能力. Aria 公司的产品 STEP-T (Strategic traffic engineer-ing and planning tool) [29]在运营商客户的骨干网上建立数字孪生体, 运用人工智能 (Artificial intel-ligence, AI)技术在大规模复杂骨干网上完成了路由优化和故障仿真. 文献[30−31]提出基于赛博孪生(Cybertwin)的下一代网络架构, 通过人和物在虚拟世界的数字表示, 提供通信助理、日志记录和数字资产等功能, 适于未来网络从端到端连接至云到端连接的演进. 文献[32]建立了5G移动边缘计算(Mobile edge computing, MEC)网络的数字孪生体, 利用孪生体离线训练基于强化学习的资源分配优化和归一化节能算法, 然后将方案更新至MEC网络. 文献[33]提出一种工业互联网对应的数字孪生网络集成框架, 利用强化学习算法在此框架下寻求最优随机计算卸载和资源分配策略. 文献[34]建立了面向6G移动边缘计算系统的数字孪生边缘网络, 其中边缘服务器的孪生体评估实体服务器的状态, 移动边缘计算系统的孪生体提供数据用于训练卸载策略, 方案在降低卸载延时的同时减少了系统开销. 此外, 数字孪生技术在无线频谱等方面的感知与管理也有了相关的探索.中国科学院自动化所王飞跃研究员将平行系统理论用于网络系统, 提出 “平行网络(Parallel net-works)” 网络架构[35−37], 通过建立相应的人工网络系统, 开展相关计算实验, 对网络进行全面、准确和及时的评估. 数字孪生网络与平行网络在概念和目标上有一定的相似性, 主要设计思想都是类似于状态观测器的设计思路, 通过构造出类似原系统的衍生系统, 再针对所构造的人工网络系统或者孪生系统间接的修正实际系统的状态, 从而调整网络优化资源管理, 达到网络性能优化的目的. 同时, 二者在架构和实现方法上有所区别: 平行网络中的人工网络并非总是实际网络的完全映射; 数字孪生网络的孪生体强调物理网络的实时镜像. 平行网络中的人工网络基于软件定义网络(Software defined net-work, SDN)[38−39]技术和理念, 实现集中控制、整体优化和决策的功能; 数字孪生网络的孪生层不依赖SDN技术进行构建, 而是根据物理网络中网元和拓扑的实际形态进行抽象建模. 在实现方法上, 平行网络可基于有限数据进行计算实验和平行执行, 不依赖于全面、准确的数据即可建模; 数字孪生网络强调基于全面且准确的数据, 进行精准建模, 达成虚实网络实时交互.数字孪生网络技术的相关研究目前还处于初级阶段. 尽管数字孪生技术在网络中的应用已经起步,但目前的应用侧重于特定的物理网络中、特定的场景(如网络运维)中, 或者将网络数字孪生平台作为网络仿真工具. 结合数字孪生技术的特点以及在其他行业的应用, 本文认为数字孪生网络可以作为网络系统的一个有机整体, 成为未来涉及物理网络的全生命周期的通用架构, 服务于网络规划、建设、维护、优化, 以及网络自动驾驶、意图网络等网络创新技术的应用, 提升网络的自动化和智能化水平.2 数字孪生网络定义和架构2.1 数字孪生网络定义数字孪生网络业界尚无统一的定义, 本文将 “数字孪生网络” 定义为: 一个具有物理网络实体及虚拟孪生体, 且二者可进行实时交互映射的网络系统.在此系统中, 各种网络管理和应用可利用数字孪生技术构建的网络虚拟孪生体, 基于数据和模型对物理网络进行高效的分析、诊断、仿真和控制. 基于此定义, 数字孪生网络应当具备4个核心要素:数据、模型、映射和交互, 如图1所示.交互分析、诊断模型网络孪生体数据仿真、控制映射图 1 数字孪生网络的核心要素Fig. 1 The core elements of digital twin networks1) 数据是构建数字孪生网络的基石, 通过构建统一的数据共享仓库作为数字孪生网络的单一事实源, 高效存储物理网络的配置、拓扑、状态、日志、用户业务等历史和实时数据, 为网络孪生体提供数据支撑.2) 模型是数字孪生网络的能力源, 功能丰富的数据模型可通过灵活组合的方式创建多种模型实例, 服务于各种网络应用.3) 映射是物理网络实体通过网络孪生体的高保真可视化呈现, 是数字孪生网络区别于网络仿真系统的最典型特征.3 期孙滔等: 数字孪生网络(DTN): 概念、架构及关键技术5714) 交互是达成虚实同步的关键, 网络孪生体通过标准化的接口连接网络服务应用和物理网络实体, 完成对于物理网络的实时信息采集和控制, 并提供及时诊断和分析.基于四要素构建的网络孪生体可借助优化算法、管理方法、专家知识等对物理网络进行全生命周期的分析、诊断、仿真和控制, 实现物理网络与孪生网络的实时交互映射, 帮助网络以更低成本、更高效率、更小的现网影响部署各种网络应用, 助力网络实现极简化和智慧化运维.2.2 数字孪生网络架构根据数字孪生网络的定义和四个核心要素, 数字孪生网络可以设计为如图2所示的 “三层三域双闭环” 架构: 三层指构成数字孪生网络系统的物理网络层、孪生网络层和网络应用层; 三域指孪生网络层数据域、模型域和管理域, 分别对应数据共享仓库、服务映射模型和网络孪生体管理三个子系统;“双闭环” 是指孪生网络层内基于服务映射模型的“内闭环” 仿真和优化, 以及基于三层架构的 “外闭环” 对网络应用的控制、反馈和优化.1) 物理网络层. 物理实体网络中的各种网元通过孪生南向接口同网络孪生体交互网络数据和网络控制信息. 作为网络孪生体的实体对象, 物理网络既可以是蜂窝接入网、蜂窝核心网, 也可以是数据中心网络、园区企业网、工业物联网等; 既可以是单一网络域(例如, 无线或有线接入网、传输网、核心网、承载网等)子网, 也可以是端到端的跨域网络.既可以是网络域内所有的基础设施, 也可以是网络域内特定的基础设施(例如, 无线频谱资源、核心网用户面网元等).2) 孪生网络层. 孪生网络层是数字孪生网络系统的标志, 包含数据共享仓库、服务映射模型和网络孪生体管理三个关键子系统. 数据共享仓库子系统负责采集和存储各种网络数据, 并向数据映射模型子系统提供数据服务和统一接口; 服务映射模型子系统完成基于数据的建模, 为各种网络应用提供数据模型实例, 最大化网络业务的敏捷性和可编程性; 网络孪生体管理子系统负责网络孪生体的全生命周期管理以及可视化呈现.3) 网络应用层. 网络应用通过孪生北向接口向孪生网络层输入需求, 并通过模型化实例在孪生网络层进行业务的部署. 充分验证后, 孪生网络层通过南向接口将控制更新下发至物理实体网络. 网络运维和优化、网络可视化、意图验证、网络自动驾驶等网络创新技术及各种应用能够以更低的成本、更数据共享仓库迭代优化仿真验证网络孪生体管理网络应用层网络创新技术验证网络可视化意图验证网络管理网络维护和优化能力调用意图翻译数据管理数据服务功能模型数据存储用户业务运行状态网络配置基础模型数据采集数据采集服务映射模型网络规划流量建模安全建模故障诊断调度优化质量保障网元模型拓扑模型孪生网络层模型管理安全管理拓扑管理控制下发物理网络层规划建设维护优化运营...图 2 数字孪生网络架构Fig. 2 Digital twin network architecture572自 动 化 学 报47 卷高的效率和更小的现网业务影响实现快速部署.从数字孪生网络的架构可以看出, 数字孪生网络不局限于软件定义网络SDN的架构; 同平行网络相似, 数字孪生网络能够基于虚拟层的仿真, 实现SDN管理和控制层无法实现的复杂网络动态控制和优化. 表1进一步对比了数字孪生网络、软件定义网络和平行网络在物理对象、架构层次、虚实映射和分析方法等方面的区别.2.3 孪生网络层三大子系统2.3.1 数据共享仓库数据共享仓库通过南向接口采集并存储网络实体的各种配置和运行数据, 形成数字孪生网络的单一事实源, 为各种服务于应用的网络模型提供准确完备的数据, 包括但不限于网络配置信息、网络运行状态和用户业务数据等. 数据共享仓库主要有以下四项职责.1)数据采集. 完成网络数据的抽取、转换、加载, 以及清洗和加工, 便于大规模的数据实现高效分布式存储.2)数据存储. 结合网络数据的多样化特性, 利用多种数据存储技术, 完成海量网络数据的高效存储.3)数据服务. 为服务映射模型子系统提供包括快速检索、并发冲突、批量服务、统一接口等多种数据服务.4)数据管理. 完成数据的资产管理、安全管理、质量管理和元数据管理.作为数字孪生网络的基石, 数据共享仓库中的数据越完备越准确, 数据模型的丰富性和准确性就越高.2.3.2 服务映射模型服务映射模型包括基础模型和功能模型两部分.基础模型是指基于网元基本配置、环境信息、运行状态、链路拓扑等信息, 建立的对应于物理实体网络的网元模型和拓扑模型, 实现对物理网络的实时精确描述.功能模型是指针对特定的应用场景, 充分利用数据仓库中的网络数据, 建立的网络分析、仿真、诊断、预测、保障等各种数据模型. 功能模型可以通过多个维度构建和扩展: 按照网络类型构建, 可以有服务于单网络域(如移动接入网、传输网、核心网、承载网等)的模型或者服务于多网络域的模型; 按照功能类型划分, 可分为状态监测、流量分析、安全演练、故障诊断、质量保障等模型; 按照适用范围划分, 可以划分为通用模型和专用模型; 按照网络生命周期管理划分, 可分为规划、建设、维护、优化和运营等模型. 将多个维度结合在一起, 可以创建面向更为具体应用场景的数据模型, 例如, 可以建立园区网络核心交换机上的流量均衡优化模型, 通过模型实例服务于相应的网络应用.基础模型和功能模型通过实例或者实例的组合向上层网络应用提供服务, 最大化网络业务的敏捷性和可编程性. 同时, 模型实例需要通过程序驱动在虚拟孪生网元或网络拓扑中对预测、调度、配置、优化等目标完成充分的仿真和验证, 保证变更控制下发到物理网络时的有效性和可靠性.2.3.3 网络孪生体管理网络孪生体管理完成数字孪生网络的管理功能, 全生命周期记录, 可视化呈现和管控网络孪生体的各种元素, 包括拓扑管理、模型管理和安全管理.1)拓扑管理基于基础模型, 生成物理网络对应的虚拟拓扑, 并对拓扑进行多维度、多层次的可视化展现.2)模型管理服务于各种数据模型实例的创建、存储、更新以及模型组合、应用关联的管理. 同时,可视化地呈现模型实例的数据加载、模型仿真验证过程和结果.3)安全管理与共享数据仓库中的数据管理一起, 负责数字孪生网络数据和模型安全保障相关的鉴权、认证、授权、加密和完整性保护.表 1 DTN、SDN和平行网络对比Table 1 Comparison of DTN, SDN and parallel networks维度数字孪生网络 DTN软件定义网络 SDN平行网络物理对象各种类型的物理网元具备 SDN 特性的物理网元各种类型的物理网元架构层次物理层、孪生层和网络应用层物理层、控制层和管理层物理层、人工网络 + 计算实验层虚拟网络物理网络的孪生镜像, 孪生层通过统一数据建模构建N/A基于人工系统生成物理网络对应的人工网络;人工网络基于 SDN 架构构建虚实映射通过功能映射模型对网络应用进行仿真和迭代优化; 注重虚实映射的实时性和精确性N/A通过人工网络逼近物理网络; 更加强调计算实验和外在行为的干预分析方法基于孪生层的共享数据仓库, 充分利用大数据分析、人工智能技术, 通过模型化实例的迭代仿真, 实现网络的全局动态实时控制和优化只具备基本的网络控制和管理能力, 缺乏对于复杂网络的动态控制和优化能力通过对人工网络(以及人工数据)进行各种实验, 对网络行为进行分析和预测, 进而平行执行至物理网络并根据反馈迭代优化3 期孙滔等: 数字孪生网络(DTN): 概念、架构及关键技术5732.4 应用示例: 基于DTN实现意图网络意图网络[3]是可以使用 “用户意图” 进行管理的网络, 它能够识别和接收操作员或用户的意图,并根据用户意图自主地配置和调整自己, 从而实现预期的结果, 而无需用户指定用于如何实现结果的详细技术步骤. 图3所示为一种基于数字孪生网络架构实现意图网络的参考框架. 其中意图网络的基础设施对应于DTN架构中的物理网络层, 意图网络的配置验证、意图保障和自动修复等关键功能可基于孪生网络层的多种服务映射模型实现, 实时保障来自网络应用层的用户意图.意图输入网络应用层孪生网络层服务映射模型意图翻译自动修复调度优化故障诊断流量分析拓扑模型仿真验证配置验证共享数据仓库意图保障配置下发数据采集物理网络层网络基础设施图 3 基于DTN的意图网络框架Fig. 3 Intent network architecture1) 基于服务映射模型的配置验证. 用户意图经过意图翻译后, 生成大量物理网络能执行的网络配置, 如果将这些配置直接下发到物理网络上可能影响其他业务正常处理, 所产生的影响无法预估. 利用数字孪生网络的服务映射模型, 提前校验和模拟配置下发, 提前发现配置中的一些异常问题, 例如地址冲突、路由环路、路由不可达等. 验证配置既能满足用户业务意图, 又对其他已有业务没有影响后,再将配置下发到物理网络.2) 基于服务映射模型的意图保障和自动修复.通过数据采集将物理网络运行状态传递到孪生网络层的数据共享仓库, 服务映射模型不断验证用户意图是否被满足. 当发现网络偏离了用户业务意图,可利用AI等智能化技术做根因分析, 生成修复策略. 因为当前AI技术还不能保证修复策略完全可靠且能解决问题, 所以一般需要人工确认无误后再下发到物理网络, 拉低了故障修复效率. 利用数字孪生网络的服务映射模型先验证修复策略, 保证正确无误后, 再通过自动化配置模块下发到物理网络,既提高了运维效率, 又推动了AI技术的应用落地.综上, 意图网络可基于数字孪生网络架构, 实现网络配置的提前验证和用户业务意图的实时保障等关键功能, 这将有助于意图网络的有效落地部署.3 数字孪生网络的关键技术3.1 问题和挑战构建数字孪生网络系统面临以下主要问题和挑战:1) 兼容性问题. 网络中不同厂商设备的技术实现和支持的功能不一致, 因此建立面向全网络域的数据共享仓库, 设计适配异厂家设备的接口以进行统一数据采集和处理的难度较高.2) 建模难度大. 基于大规模网络数据, 数据建模既要保证模型功能的丰富性, 也需考虑模型的灵活性和可扩展性, 这些需求进一步加大了构建高效的、层次化的基础模型和功能模型的难度.3) 实时性挑战. 对于实时性要求较高的业务,模型仿真和验证在数字孪生网络上的处理会增加延迟, 所以模型的功能和流程需要增加多种网络应用场景下的处理机制; 同时, 实时性要求也会进一步增加系统的软硬件性能需求.4) 规模性难题. 通信网络通常网元数量多、覆盖地域广、服务时间长, 因此网络数字孪生体必将是一个规模庞大的复杂巨系统, 这会显著增加数据的采集和存储、模型的设计和运用等方面的复杂度,对系统的软硬件要求也会非常高.为了解决以上问题和挑战, 本文将基于第2.2节提出数字孪生网络参考架构, 拟采用目标驱动的网络数据采集、多元网络数据存储和服务、多维全生命周期网络建模、交互式可视化呈现、以及接口协议体系五大关键使能技术, 完成数字孪生网络系统的构建.3.2 目标驱动的网络数据采集数据采集是构建数据仓库的基础, 作为物理网络的数字镜像, 数据越全面、准确, 数字孪生网络越能高保真的还原物理网络. 数据采集应当采用目标驱动模式, 数据采集的类型、频率和方法以满足数字孪生网络的应用为目标, 兼具全面、高效的特征.当对特定网络应用进行数据建模时, 所需的数据均可以从网络孪生层的数据共享仓库中高效获取. 以目标应用为驱动, 只有全面、高效地采集模型所需数据, 才能构建精准数据模型, 为目标应用提供良好服务.网络数据采集方式有很多, 例如技术成熟、应用广泛的SNMP (Simple network management protocol)、Netconf, 可采集原始码流的NetFlow、sFlow, 支持数据源端推送模式的网络遥测(Net-work telemetry)等; 不同的数据采集方案具备不同574自 动 化 学 报47 卷。
数字双胞胎
设计文件名称编号版本版权专有违者必究中车株洲电力机车研究所有限公司编制工艺校核标准化审核批准版本号更改人更改日期更改说明变更编号目次1 数字化双胞胎 (1)1.1 引言 (1)1.2 数字孪生体的产生与演化 (2)1.3 产品数字孪生体的内涵 (4)1.3.1 产品数字孪生体的定义 (5)1.3.2 产品数字孪生体的基本特性 (6)1.3.3 产品数字孪生体是产品全生命周期和全价值链的数据中心 (6)1.3.4 产品数字孪生体是产品全生命周期管理的扩展和延伸 (7)1.3.5 产品数字孪生体是面向制造与装配的产品设计模式的演化和扩展 (7)1.3.6 产品数字孪生体是产品建模、仿真与优化技术的下一次浪潮 (7)1.3.7 产品数字孪生体强调以虚控实，虚实融合 (7)1.4 产品数字孪生体与数字纽带 (7)1.5 信息物理系统与数字孪生体 (9)1.6 产品数字孪生体的体系结构 (10)1.6.1 产品数字孪生体的数据组成 (10)1.6.2 产品数字孪生体的实现方式 (10)1.6.3 产品数字孪生体的作用 (11)1.6.4 产品数字孪生体的目标 (12)1.7 应用解决方案 (13)1.7.1 “蓝鲸1号”Digital Twin助力中集集团谱写智能制造新篇章 (13)1.7.2 基于数字双胞胎技术的油气生产管理系统解决方案 (15)1.8 数字孪生伴随产品终生 (18)1 数字化双胞胎“数字化双胞胎”是指以数字化方式拷贝一个物理对象，模拟对象在现实环境中的行为，对产品、制造过程乃至整个工厂进行虚拟仿真，从而提高制造企业产品研发、制造的生产效率。
数字化双胞胎包括产品数字化双胞胎，生产工艺流程数字化双胞胎和设备数字化双胞胎，各自的专业技术集成为一个数据模型，并将PLM(全生命周期管理软件)，MES（制造执行系统）和TIA（全集成自动化）集成在TEAMCENTER数据平台下，供应商也可以根据需要被纳入平台，实现价值链数据的整合。