隨著大數據、物聯網、云/邊緣計算和人工智能等新技術的不斷演進，描述產品制造要素的數字技術，從抽象概念發展到以CAD為代表的幾何建模技術，再到動態模擬仿真技術，最后到達可以實現虛擬現實交互的數字孿生技術。

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，數字孿生技術在其中都是不可或缺的環節。《“十四五”智能制造發展規劃》文件強調，要加強數字孿生技術與傳統行業深度融合發展，大力發展融合數字孿生、人工智能等新技術的新型智能制造裝備。

1數字孿生概述1.1 基本概念以及發展歷程數字孿生的概念源于MICHAEL Grieves教授在2002年關于產品生命周期管理的演講中提出的“與物理產品等價的虛擬數字表達”的概念，這是數字孿生的雛形，但是受限于當時技術發展水平，這一概念并未受到廣泛關注。 美國國家航空航天局(NASA)和國家研究委員會(NＲC)于2010年開始準備設計航空領域的技術路線圖。其中的技術主題11首次書面介紹了數字孿生，并且提出大致在2027年實現NASA數字孿生體規劃的目標。2014年，GRIEVES教授發表了關于數字孿生的白皮書，提出了數字孿生的基本概念模型。 數字孿生這個開創性的定義由圖1所示的3個主要部分組成，即:真實空間中的物理系統、虛擬空間中的虛擬系統以及物理系統和虛擬系統的數據互聯。

圖1數字孿生組成部分 2019年，中國電子信息產業發展研究院發表了數字孿生白皮書。陶飛等人對數字孿生概念進行了更為精細的劃分，提出了數字孿生五維模型。

相比于傳統的數字化模型，數字孿生使物理世界和信息世界之間的實時交互成為可能。和信息物理系統(CPS)相比，數字孿生更適合采用人工智能和大數據等新的計算方法;和平行系統相比，數字孿生更注重于對物理世界的物理系統進行仿真模擬。

1.2數字孿生在制造業中的應用數字孿生的應用面十分廣泛，如制造業、智慧城市、建筑交通、能源和醫療保健等。其中制造業是數字孿生最熱門的研究領域，在數字孿生研究領域中的占比超過了50%。 在制造業中，數字孿生被認為是信息世界與物理世界融合的有效途徑。

例如:特斯拉的目標是為每一輛已生產的汽車開發一款數字孿生體。通用電氣促進了數字孿生在預測產品壽命和性能方面的應用，開發了工業云平臺PREDIX，并在平臺上構建一套可以代表機器和流程的數字孿生體。西門子為研發數字孿生開發了仿真軟件Simcenter，專注于利用數字孿生技術提高生產效率、產品質量以及設計效率。ABB強調利用數字孿生技術來實現數據驅動決策。微軟與Ansys聯手，利用AnsysTwinBuilder平臺來拓展微軟Azure數字孿生體產品。

1.3 設備級數字孿生從制造業的應用范圍來說，數字孿生的應用按照物理系統的功能及結構可分為設備級、生產線級與工廠級。 設備級數字孿生是對單個設備或零件的數字孿生，是數字孿生應用范圍中功能實現的最小單元。數字孿生設備與傳統制造業設備的最大區別在于其擁有一個與物理世界近乎完全鏡像且狀態實時更新的數字空間。 當前設備級數字孿生在圖2所示的設備全生命周期都有廣泛的應用。 1)設備設計:通過數字孿生建立設計的知識庫，對現有的設備進行迭代優化設計。 2)設備制造:在設備生產制造過程中，利用數字孿生體對設備進行測試，提高良品率。 3)設備使用:在設備使用過程中，通過數字孿生體對設備進行管理，提高工作效率。 4)設備維護:利用數字孿生模型可以有效診斷、預測故障，并對故障位置進行定位，從而提高設備維護效率。 5)設備報廢:利用數字孿生模型對設備進行剩余壽命預測，對剩余壽命過少的設備進行報廢處理。

圖2 設備全生命周期

設備級數字孿生的數據互聯是支持設備級數字孿生所有組件互聯互通的關鍵，包含數據的采集、傳輸、存儲以及處理4個方面。

2 數據采集建立

設備級數字孿生體的第一步是從物理系統中采集所需的所有數據，用于映射至數字孿生體。數字孿生數據采集的基本要求包括實時傳輸、分布式布置和容錯性。當討論數字孿生的數據采集時，通常會引用物聯網(IoT)和傳感器技術。數據采集系統要綜合考慮應用需求，確定采集的數據類型、采集頻率和歸檔需求等。

2.1 數據來源

設備級數字孿生和其他級別的數字孿生相比，更側重于從幾何參數、工作狀態和環境條件等多種渠道獲取物理系統的各項數據。

幾何參數:物理系統的基本參數，如材料特性、關鍵尺寸、公差、表面粗糙度、密度、硬度以及零件之間的裝配關系等，大多從設計階段獲得。

工作狀態:設備級數字孿生物理系統的工作狀態通常表現為其結構的變化。通過所附的傳感器采集機械設備在工作過程中的各項參數，如電壓、電流、扭矩、壓力、位移速度、加速度等。

操作和環境條件:設備級數字孿生物理系統的動態響應不僅受其健康狀態的影響，還與操作和環境條件相耦合。影響物理系統運行的環境數據包括環境溫度、大氣壓力和濕度水平等。

2.2 傳感器技術在設備級數字孿生體的數據互聯中，傳感器的主要功能是采集物理環境中的具體信息，并同步到虛擬系統用于模擬和分析，在構建設備級數字孿生中起著至關重要的作用。 傳感器的精度直接影響數字孿生的性能，許多變量都會影響傳感器的測量結果;因此，在設備級數字孿生設計的初期，應慎重考慮傳感器種類的選擇、傳感器的安裝位置和傳感器的組合，同時必須保證系統中多個傳感器單元之間的時間同步。 傳感器可能會影響設備的外觀和用戶體驗。使用額外的傳感器來實現設備級數字孿生將增加產品的開發和制造成本。在設計和開發階段，設計者需要在多方面取得平衡。

目前在設備級數字孿生中常用的傳感器有測量功率用的電流傳感器、測量振動用的加速度傳感器、測量力用的測力計和聲發射傳感器等。

2.3 物聯網物聯網是一個將多種“事物”進行整體整合的互聯網。物聯網可以專注于數字孿生物理系統的數據采集，是實現數字孿生的一項關鍵技術。數字孿生可以降低物聯網系統的復雜性。數字孿生擁有將物理系統克隆到虛擬系統的能力，與物聯網技術的傳感和驅動能力有關。數字孿生可以解決物聯網與數據分析無縫集成的問題。JIANG等人通過對傳統的物聯網架構進行改進，將傳統物聯網關注的5個層次整合為包含物理系統、數字孿生體和應用的3個層次，構建了設備級的物聯網框架中的數字孿生體，如圖3所示。

圖 3 設備級的物聯網框架中的數字孿生體

圖3中，數字孿生部分1在采集設備/網關層形成，側重于實時數據處理、信息提取和實時優化;數字孿生部分2是在云中形成的，側重于數據分析，以支持遠程業務應用。數字孿生部分1和數字孿生部分2一起構成了該設備的一個數字孿生體。

3 數據傳輸

數據傳輸是數據互聯的重要通道，它將采集的數據傳輸到虛擬系統，以便鏡像物理系統的各項參數，也將虛擬系統判斷過的數據通過電氣控制、可編程控制、嵌入式控制和網絡控制技術對物理系統進行控制。

3.1通信接口協議設備級數字孿生的數據互聯需要建立統一的通信接口協議。設備級數字孿生常用的通信協議有OPC-UA、MQTT和MTConnect等，其中大多采用OPC-UA協議。OPC-UA協議是由OPC基金會生成的最新工業標準(OPC)規范，旨在統一所有現有的OPC技術。 圖4所示為OPC-UA客戶端/服務器連接的模式。從圖4中可以看出，OPC-UA協議可以同時創建多個客戶端來查詢服務器，通過OPC-UA服務器中協議驅動的數據解析，使得虛擬系統和物理系統進行通信，將物理系統的實時數據傳輸到虛擬系統中。

圖4 OPC-UA客戶端/服務器連接的模式

消息隊列遙測傳輸協議是用于在低帶寬和低資源需求下工作的一種傳輸協議。MQTT協議能夠選擇2個服務質量級別，保證消息只發送1次，具有較強的可靠性，滿足設備級數字孿生數據傳輸的要求。可以通過MQTT協議在物理系統和虛擬系統之間自動同步數據。MTConnect協議是美國機械制造技術協會提出的數據交換標準協議，采用互聯網協議通過網絡傳輸數據，包含可高度擴展的信息模型。

MTConnect協議在降低數據采集開銷和保證通信最小延遲時間方面有較好的發揮。可以采用MTConnect協議和組件完成數據的采集、傳輸和存儲。

3.2 延遲域設備級數字孿生數據傳輸的基本要求是實時性。實時數據的采集可以提高設備級數字孿生體的可靠性。延遲是影響實時通信質量的主要因素，它會導致數據傳輸速率低、數據丟失和控制系統故障。雖然可以采用部署高速網絡連接(例如5G、光纖通道協議等)和進行數據壓縮的方法來減少通信延遲，但是就當前技術水平而言，延遲仍是難以避免的。

當延遲發生時，信號分析(例如基于時域和頻域的分析)可能無法充分地捕捉潛在的動力學現象。可以通過構建延遲域來捕獲底層現象的動態，以此來降低延遲對數字孿生體的影響。數據采集程序通過從時變誤差數據傳輸模型中獲取誤差值來確定誤差補償值，從而規避延遲對數控機床運動軸數字孿生體的影響。

4 數據存儲

在數據采集之后，需要一個包含接口的數據存儲概念，以便利用系統的所有歷史更新來預測其未來的性能，并使用機器學習技術進行數據分析。

4.1數據存儲方案

通過數據采集系統采集到的數據需要大量的智能存儲系統，一般是通過內部存儲和云端存儲這2種方式進行部署。

1)內部存儲:內部存儲是在設備級數字孿生的物理系統上部署存儲系統，將數據存儲于其中。雖然該方案擁有更高的數據安全性，但需要較高的設備采購成本以及維護基礎設施的專業知識。

2)云端存儲:云端存儲是將收集到的數據傳輸到云端存儲提供商的存儲基礎設施中，其成本遠低于內部存儲。云端存儲使得進一步的數據分析和機器學習解決方案集成更快、更可行，所需的專業知識更少;因此，更多的研究工作者偏向于更加靈活的基于云端的解決方案。

云端數據存儲與數據庫技術密不可分。然而，由于多源數字孿生數據的數量和異構性不斷增加，傳統的數據庫技術雖然是可行的，但和數字孿生數據的適配性不好。

4.2區塊鏈

區塊鏈是一種新興技術，其本質上是一個分布式數據庫，用于記錄已執行的數字事件，并以點對點的方式在參與者之間共享。其技術特點是分布式、非中介化、不可變和不可信，可以有效解決制造服務協同中的數據同步、數據加密等問題。錯誤或損壞的數據會導致錯誤的決策，因此，保護數據對于數字孿生極其重要。區塊鏈及其智能合約可以支持數據共享的安全性。

5 數據處理

高效處理從物理系統收集到的數據是開發設備級數字孿生的重要支柱。數據處理意味著從大量不完整、非結構化、噪聲、模糊和隨機的原始數據中提取有用信息。

5.1 數據準備在許多情況下，從設備采集到的原始數據包含信號噪聲，容易出現漂移(低頻)、信號噪聲(高頻)或數據丟失等不規則情況，因此，在接下來的特征提取之前，需要進行適當的準備，去除冗余、無關、誤導、重復和不一致的數據。一般的步驟包括數據去噪、數據平滑和重新格式化等。 一般需要對這些數據進行過濾，低通濾波器可以有效去除信號噪聲。但漂移的頻率與負載頻率重合，因此難以濾除，可以通過補償漂移，例如補償溫度變化來減少。

此外，采樣的原始數據往往與工頻信號、周期干擾信號和隨機干擾信號等噪聲信號疊加，導致信號波形出現毛刺。為了減小干擾信號對數據的影響，需要平滑處理原始數據。

5.2 特征提取

準備后的數據，需要進行特征提取，以降低所收集原始數據的維數，并提高用于創建數字孿生的機器學習模型的性能。特征的選擇和縮減降低了計算復雜度，避免了機器學習算法的“維數詛咒”現象。數字孿生的特征提取通常從時域、頻域和時頻域3個維度進行。

5.3 數據融合設備級數字孿生體使用了不同的傳感器和模型，從不同來源收集到的數據具有不同的格式或時間尺度，所以必須將動態的多源異構數據進行融合并集成在一起進行計算。

數據融合是對來自多個傳感器的數據和相關信息進行合成、關聯和集成處理，以獲得更高的檢測概率以及可信度。根據數據的表現形式，可以分為3個不同的融合級別:數據級別、特征級別和決策級別。

1)數據級別:如果多傳感器數據是可加的，則可以進行直接數據融合。直接數據融合包括一些經典的估計方法，比如經典推理、卡爾曼濾波和加權平均法等。

2)特征級別:取數據中的特征向量，并基于特征向量進行融合，例如將不同傳感器的信號特征組合為特征向量。

3)決策級別:處理每一個傳感器的數據并做出判斷，最后對所有決策進行融合，設備級數字孿生體物理系統的故障數據、維修數據等可以在決策層實現，用于決策支持。

6 展望

1)設備級數字孿生的數據互聯沒有形成統一標準。在數字化轉型的大背景下，設備級數字孿生作為一切數字孿生的基礎單元，勢必要向更高級別進行集成。設備級數字孿生的數據互聯經過標準化、模塊化后，可以節約向更高級別集成的成本，縮短開發周期。

2)設備級數字孿生對預測結果的及時性、準確性和可靠性有嚴格要求。這些特性依賴于時間敏感的數據處理及高性能的數據處理。為了更好地提升數據互聯的實時性，一方面應研究低延遲、高性能、高安全以及更具兼容性的數據傳輸協議，另一方面應加大對構建延遲域的研究。

3)設備級數字孿生的數據泄露會造成嚴重的后果，所以要確保數據的安全。區塊鏈的加密特性保證了數據傳輸的安全性，將是設備級數字孿生數據互聯領域的下一個研究熱點。

4)設備級數字孿生數據多源異構、存儲分散，我國急需開發專業的低代碼或零代碼的設備級數字孿生數據互聯平臺，將靜態和動態的數據進行深度融合，同時解決數據時效性管理和使用的問題。

7 結語

本文結合設備級數字孿生數據互聯的國內外發展現狀，綜述了設備級數字孿生數據互聯中數據采集、數據傳輸、數據存儲和數據處理的關鍵技術，并在此基礎上對設備級數字孿生數據互聯的發展趨勢進行了展望，可為將來設備級數字孿生的研究與應用提供思路和參考。

審核編輯 ：李倩