数字孪生: 点亮工业4.0的平行世界

王睿航 文

周昕 审阅


引言

随着工业4.0步伐的加速,产品生命周期管理(PLM)显得愈发重要。PLM是从产品需求开始到产品淘汰报废的全部生命历程,旨在提供有效的手段为企业创造收入,降低成本。目前,常规的技术包括数据管理,信息建模,信息追踪,知识管理以及集成化管理等模式[1]-[3]。传统的管理模式大多仅针对产品的单个信息维度或多个信息维度进行建模仿真,存在信息反映不全面,实时交互性差以及管理低效等问题。如何构建与实际产品完整且有效的交互体系已成为工业4.0发展的关键。

数字孪生——起源

数字孪生(Digital Twin)最早由Dr. Michael Grieves在其PLM的演讲中引入。早期的数字孪生系统由三个维度组成,包括物理系统,虚拟对照以及两者之间数据交互,如图1所示。其中,物理系统即为一系列的实体,如设备,材料,物体等;虚拟对照即为对应的计算机模型,包括实体的几何尺寸,信息流动,物理规律等。数字孪生的诞生为现代工业打开了一扇新的大门,使得人们可以对物理系统进行持续有效的分析,并对潜在风险进行有效预防。

鉴于数字孪生的优势,美国空军(USAF)和美国宇航局(NASA)早期便将其运用于航空航天领域。例如,USAF采用数字孪生对已建成的机型进行安全性和可靠性优化,并提出了一系列基于数字孪生的损害评估和置信度评估模型。可见,早期的数字孪生在故障分析和预测性维护中起到了关键作用,为之后的进一步发展奠定了基础。

Image

图1. 数字孪生三维模型

数字孪生——进化

随着人工智能和物联网的快速发展,数字孪生又被赋予了新的定义。数字孪生由最初的仿真模型逐渐演变为具备集成和融合来自多类源数据(传感器数据,模型数据和领域知识等),以生成更准确,更全面的虚拟映射。

北京航空航天大学陶飞教授将原先的三维概念扩展到了五维,在此基础上增加了孪生数据层和服务应用层,如图2所示[4]。新的维度进一步完善了数字孪生在工业时代的应用框架,并在各大企业中得到了发展。例如,Dassault致力于数字孪生对产品设计和开发的检验以确保性能稳定,TESLA致力于为旗下的汽车建立孪生模型,以实现信息的实时交互,Oracle的数字双胞胎简化了复杂物联网系统的设计流程。可见,数字孪生在工业4.0时代已被大多数企业列为商业战略发展的关键技术。

Image

图2. 数字孪生五维模型

现有的数字孪生模型也大致可分为三类:基于物理法则的模型,数据驱动型模型以及混合模型。

基于物理法则的模型:该类模型主要基于客观世界的物理规律对模型内的信息流进行相应求解。例如,为仿真数据中心内的温度场和气流场分布,常用的方法是通过计算流体动力学(CFD)模型在给定空间布局内进行求解。该类模型精度较高,但随着物理系统的复杂度增加,其计算成本也相应随之增加。

数据驱动型模型:该类模型通过采集必要的数据作为训练样本,以获取输入与输出的对应关系。例如,常见的数据驱动模型有支持向量机(SVM),深度神经网络(DNN)等。该类模型训练完毕后可进行快速的前向传播,但训练过程往往需要大量的数据。相比于前者,数据驱动类模型的概括性和精度往往有所不足。

混合模型:混合模型是一种集成物理法则与数据驱动为一体的数字孪生。两类模型的结合方式有多种,例如,基于知识的神经网络模型通过加入限制条件,可有效地降低训练样本数,从而加速收敛过程。该类孪生模型同时整合了物理模型所具有的精度及数据驱动模型所具有的速度来获取更高的计算性能,是目前数字孪生领域的研究热点之一。

数字孪生——新潮

数字孪生在工业4.0时代伴随着一轮又一轮的更新与再定义,并推动着产业革命的前进。其概念也逐渐延伸至多个领域,例如,智能制造,信息物理系统以及智慧城市构建等。然而,随着数字孪生与工业的进一步结合,其应用层面也面临诸多挑战。本文大致总结以下几点挑战,供相关领域读者进一步探究:

如何兼顾速度与精度

为准确有效地反应实际信息,孪生模型的准确度与精度是对其衡量的重要指标。在提高模型精度的同时,又反复涉及对模型参量的调整。然而,随着模型复杂度的提高,相应的计算成本也将进一步增加。因此,常规的启发式优化或梯度优化方法都不再适用于复杂度较高的孪生模型优化。如何在提升模型精度的同时加速模型优化及求解是未来研究需要解决的挑战之一。

如何匹配虚拟与现实

预测性是数字孪生模型的需求之一,为此,研究人员将数字孪生作为特殊数据生成的载体以获得更过的样本用于其他分析或模型训练。上述实践大多假设不同阶段的仿真数据与实际数据分布相同。然而,随着产品生命周期的变化,难以保证数据在不同阶段的分布一致。因此,未来研究可结合迁移学习进一步减小虚拟与现实世界的差异性。

如何扩展系统类模型

真实物理系统复杂且多变,一旦产生新的数据源源时,虚拟模型的可扩展性将可能大幅度降低。目前,针对具体环境的模型构建方式还较为单一,不同环境建模可能需要采用不同的数据和方法。因此,在兼顾虚拟与现实的同时,如何将模型扩展到多个环境是未来数字孪生技术面向工业界亟须解决的问题。

结论

数字孪生在工业4.0和智能制造中发挥着重要作用。数字孪生的引入将以前所未有的力量影响各个领域。未来的研究应在实践中进一步完善系统模型构建,并提高模型性能与扩展性。

References:

[1]    Li J, Tao F, Cheng Y, Zhao L (2015) Big data in product lifecycle management. Int J Adv Manuf Technol 81(1–4):667–684

[2]    Matsokis A, Kiritsis D (2010) An ontology-based approach for product lifecycle management. Comput Ind 61(8):787–797

[3]    Kiritsis D, Bufardi A, Xirouchakis P (2003) Research issues on product lifecycle management and information tracking using smart embedded systems. Advd. Engng. Inf. 17(3):189–202

[4]    Tao F, Zhang M . Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart Manufacturing[J]. IEEE Access, 2017, 5:20418-20427.

Leave a Reply

Your email address will not be published.