随着人类进入信息化、数字化时代，人们对虚拟数字世界的好奇和探索从未停止。今天，数字孪生已开始助力人类生产力的变革和升级，改变人们的生产和生活方式。

中国是制造业大国，产业的数字升级正在推进，数字孪生的应用有广阔的空间，加之政策支持，数字孪生在中国迎来了快速发展的机遇期。

习近平总书记在致2019中国国际数字经济博览会的贺信中指出：中国高度重视发展数字经济，在创新、协调、绿色、开放、共享的新发展理念指引下，中国正积极推进数字产业化、产业数字化，引导数字经济和实体经济深度融合，推动经济高质量发展。

2020年4月，国家发改委、中央网信办印发《关于推进“上云用数赋智”行动 培育新经济发展实施方案》，方案中将数字孪生与大数据、人工智能、5G等并列，并专辟章节谈“开展数字孪生创新计划”，要求“引导各方参与提出数字孪生的解决方案”；同月，工信部在发布的《智能船舶标准体系建设指南》（征求意见稿）中，也明确将建设“数字孪生（体）”纳入关键技术应用。

2020年8月，国资委下发《关于加快推进国有企业数字化转型工作的通知》，要求国有企业在数字化转型工作中，加快推进数字孪生、北斗通信等技术的应用。

业界对数字孪生的关注也热度不减。全球IT研究与顾问咨询公司Gartner在近年来的重要战略科技趋势报告中，多次关注数字孪生技术及其应用场景。

2021年重要战略技术趋势报告中提及的行为互联网（Internet of Behaviors）、组装式智能企业（Intelligent Composable Business）及超级自动化（Hyperautomation）等新科技趋势，这些技术的发展也均需数字孪生技术体系的支持。

01

数字孪生的发展形势和机遇

可见数字孪生已经渗透到未来技术应用的方方面面。

02

数字孪生的概念演进

“数字孪生”最早的概念模型由迈克尔·格里弗斯博士于2002年10月在美国制造工程协会管理论坛上提出。2009年，美国空军相关实验室第一次提出“机身数字孪生(Airframe Digital Twin)”概念。

2010年,美国国家航空航天局（NASA）在《建模、仿真、信息技术和处理》和《材料、结构、机械系统和制造》两份技术路线图中开始直接使用“数字孪生(Digital Twin)”这一名称。

近年来，学术和企业界对数字孪生的研究热度不减，愈发深入，国际标准ISO23247（待发布）对数字孪生制造进行明确定义，界定了生产场景下的数字孪生。

纵观数字孪生的发展历程，伴随着相关技术的迭代，数字孪生的内涵也不断丰富：从简单的对一个产品、一台设备、一条生产线等的数字孪生演进到更为复杂的对一个企业组织、一座城市的数字孪生，英国和德国甚至提出“数字国家”这种更为宏观的概念。

目前，学界和工业界对数字孪生概念的表述虽有差异，但正趋于达成共识：数字孪生是以特定目的为导向对物理世界现实对象的数字化表达。

这一对象不仅包括产品、设备、建筑物等“实物”，也包括企业组织、城市等“实体”。通过对物理对象构建数字孪生模型，实现物理对象和数字孪生模型的双向映射。

对于不同现实对象，其数字孪生模型构建的侧重点和用途不尽相同；对于企业组织、城市等实体数字孪生，则更强调对广域数据的聚合融通，着力于通过模拟仿真来优化全局决策、加强协同，这一用途也越来越得到企业管理者和政府的重视。

03

数字孪生关键技术的发展

数字孪生的技术实现依赖于诸多新技术的发展和高度集成以及跨学科知识的综合应用，不仅是一个复杂的、协同的系统工程，涉及的关键技术方法还包括建模、大数据分析、机器学习、模拟仿真等。

举例而言，如果把数字孪生的构建比作“数字人”的创造，则其核心的建模过程相当于骨架的搭建过程；采集数据、开展数据治理和大数据分析，相当于生成人的肌肉组织。

而数据在物理世界和赛博空间之间的双向流动正如人体的血液，所提供的动能使数字机体不断成长，对物理世界对象的映射更趋精准；模拟仿真使“数字人”具备智慧，从而使通过赛博空间高效率、低成本优化物理实体成为可能。

数字孪生对象从“实物”演进到“实体”

1. 数字孪生建模技术经历了从实物的“组件组装”式建模到复杂实体的多维深度融合建模的发展。

建模是数字孪生落地应用的引擎。以前，数字孪生建模一般是通过将不同领域的独立模型“组装”成更大的模型来实现。

产品、设备等实物通过“组装”建模可以达到较好的效果，但复杂实体的建模往往是跨领域、跨类型、跨尺度，涉及多个维度，通过单一维度的“组件组装”，建模效果欠佳。

多维深度融合建模技术的逐渐成熟，支撑更复杂的实体组织或智慧城市的孪生模型构建。多维度建模技术的引入，通过融合不同粒度的属性、行为、特征等“多空间尺度”，以及刻画物理对象随时间推进的演化过程、实时动态运行过程、外部环境与干扰影响等“多时间尺度”模型，使数字孪生模型能够同时反映建模对象在微观和宏观层面上的特征。

2. 深度学习、强化学习等新兴机器学习技术的发展使得大数据分析能力显著提升，这种分析能力是构建面向实体的复杂数字孪生体的基础支撑。

当前，企业内部各部门数据统计口径不一、数据的自采率和实时性不高等问题普遍存在，制约了企业数字孪生刻画的准确度。

随着深度学习、强化学习等新兴机器学习技术的引入，实现多维异构数据的深度特征提取，大大提高了数据分析效率，使得构建面向企业的复杂数字孪生体成为可能。

3. 模拟仿真技术从早期的有限元分析对物理场的仿真，发展到网络模型对复杂实体组织的仿真。

有限元分析主要关注某个专业领域，比如实物的应力或疲劳等，但物理现象往往都不是单独存在的，例如只要运动就会产生热，而热反过来又影响一些材料属性。这种物理系统的耦合就是多物理场，分析复杂度要比单独分析一个物理场大得多。

而由于实体组织更加复杂，除了传统的物理特性外，还涉及复杂的业务因素，如工业制造企业需要面向人、机、料、法、环、财等多个要素，且须考虑多要素间的复杂关系，需要依靠分布式仿真、交互式仿真、智能A g e n t等网络模型不断进行迭代发展。

04

数字孪生的应用场景

构建数字孪生模型不是目的，而是手段，人们寄希望于通过对数字孪生模型的分析，来改善其对应的现实对象的性能和运行效率。

企业数字孪生驱动价值实现

1. 实物的数字孪生可以提升工业产品在研发、运维等全生命周期内的效益。

实物数字孪生应用的价值是通过虚实融合、虚实映射，持续改进产品的性能，提高产品运行的安全性、可靠性、稳定性，提升产品运行的“健康度”，从而提升产品在市场上的竞争力。同时，通过对产品的结构、材料、制造工艺等各方面的改进，降低产品成本，帮助企业提高盈利能力。

例如美国通用公司在其工业互联网平台Predix上利用实物的数字孪生技术，对飞机发动机进行实时监控、故障检测和预测性维护；在产品报废回收再利用的生命周期中，可以根据产品的使用履历、维修物料清单和更换备品备件的记录，结合数字孪生模型的仿真结果，判断零件的健康状态。

2. 以企业组织实体为对象的数字孪生能大幅提升企业整体的数字化、智能化经营水平，实现降本增效。

很多企业在信息化建设过程中所使用的ERP、CRM、MES、FMS等条块化的信息化系统数据上彼此独立，事实上形成了企业内部大量的“数据孤岛”，管理层很难及时了解企业经营的全貌。

现有的企业管理软件设计思路多为模拟企业的实体业务过程及线下操作的动作，如各种单据、表样、流程等，而不是建立实体业务的数字化模型。

因此产生了大量的冗余数据，一致性也较差。通过多维建模，企业数字孪生通过建立企业实体业务的多维模型，实现对业务数据的实时分析，并基于业务动因实时预测业务结果，预警风险并及时调整，实现数据采集、建模仿真、分析预警、决策支持的实时一体化。

3. 数字孪生技术也正逐步在更广泛的领域得以应用。

数字孪生城市已成为支撑智慧城市建设的技术体系，是虚实交融的城市未来的发展形态，如新加坡政府主导推动的“虚拟新加坡”项目，通过数字孪生实现动态三维城市模型和协作数据平台。在英国推动的“数字英国”战略项目中，信息管理框架成为英国国家级数字孪生体的核心技术载体。

05

数字孪生的创新发展推动力

实体数字孪生应用部署时遇到系统负荷重、运算量大以及孪生体必须跟随企业经营变化动态调整等诸多现实挑战，影响落地效果。为应对这些挑战，傲林科技通过深入分析工业制造、建筑施工、园区管理、城市运营等典型行业场景，首创了“事件网络（EventNet）”技术。

事件网络模型综合了传统Petri Net和基于事件的系统（EBS，Event-Based System）的优点，既能描述系统组成结构，也能描述事件的因果关系。事件网络模型通过有向图来反映复杂的业务关系，图上的点代表网络中不同层次的组件，点与点之间的连线表示组件间的业务流动、数据流动、资金流动或实体的流动。

有向图反映了企业已有的知识图谱，并利用工作流机制，对图上的状态变化进行向前或向后的推演，通过点与连线的扩展，构建出数字孪生体的“神经系统”。

事件网络简化数据分析

利用事件网络构建实体数字孪生，能够反映企业已有的知识图谱和内在联系，让数据分析更加简明快捷。实体数字孪生涉及行业KNOWHOW与大数据分析能力的充分融合，构建难度大。

而通过事件网络构件化封装，可降低数字孪生体系构建的复杂度，也能够以行业模型为基础快速构建行业知识图谱，通过基于历史数据的智能调参，快速完成业务模拟仿真，大大降低运算量，提升了分析效率，节省了企业对硬件设备的投入。

在描述事件网络时，“点”和“线”代表的实体单元和业务关系是单一的。通过节点的增减、连线的调整即可适应企业业务、架构的变化、经营管理者关注点的变化等，实现数字孪生与企业业务的快速匹配。

以事件网络技术为核心，构建的企业数字孪生已在多个细分行业中发挥作用。以钢铁行业为例，它属于大型复杂流程工业，全流程工序内部生产数据获取困难，绝大部分为“黑盒”，而且生产主要呈现为孤岛式、局部式、单点式控制，尚未形成全流程的一体化控制与各层面的协调优化。而钢铁行业又是生产工序内部高度相关的行业，亟须全流程一体化控制以加强生产数据整合、辅助经营决策。

“事件网络”技术的运用，可以将钢铁生产制造装备的各种属性映射到虚拟空间中，形成可拆解、可修改、可重复操作的数字镜像，使钢铁全流程“黑盒”透明化，并结合在生产工序、管理流程等方面的数据，构建起完整的企业数字孪生体，实现在赛博空间修改产线设备、产品工艺参数和工序间协同关系，通过模型计算获得优化的策略，并通过指令反馈到物理生产线执行。

同时，企业数字孪生还可为新控制功能测试、新产品开发提供高效、强力的支撑，帮助企业实现对采购、生产、销售等各环节信号的快速响应，企业资源按需配置，并通过企业内部、产业链上下游的协同来实现整体效益最优。

在可以预见的将来，随着新一代信息技术与实体经济深度融合进程的加快，企业数字化转型需求的提升，政策的持续支持，数字孪生将为工业制造、未来生活带来无限的可能。

作者：IEEE Fellow 傲林科技有限公司董事长 刘震