基于文献计量的数字孪生研究可视化知识图谱分析

管文玉，凌卫青

(同济大学 CIMS研究中心，上海 201804)

0 引言

数字孪生(Digital Twin)是以比特方式表达产品物理实体的虚拟模型，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，模拟物理实体在客观环境中的行为，为物理实体赋能，是连接虚实空间的纽带[1-2]。作为工业互联网的重要应用对象和智能服务绝佳载体，数字孪生相关研究得到了学术界和产业界的高度关注。国际知名IT咨询公司Gartner也在近两年的“新兴技术炒作周期”报告中，将数字孪生技术列为十大战略性技术趋势之一，并预测在2020年数字孪生将服务于数十亿个物件[3-4]。近年来，数字孪生相关研究快速升温，主要集中在数字孪生的概念定义、重要性分析、构建过程描述和价值目标表述，以及将数字孪生理念应用于特定智能制造场景中以期解决具体实际问题等方面。

科学文献计量的方法可以从宏观、中观、微观各个层面来揭示一个领域或者学科、主题发展的概貌，进而能够从各个角度全面地审视一个学科的结构和研究热点、重点等信息。本文采用文献计量方法，从知识图谱的视角以可视化方式对数字孪生的研究进行分析，通过发文量探究数字孪生领域研究的趋势变化，通过文献类型及所属研究方向分布探究数字孪生研究的现状及所依托的学科领域，通过可视化知识图谱展示研究作者、机构以及国家间的共现网络，分析研究领域内的合作关系，最后通过共被引和关键词共现网络对数字孪生研究的知识演进及热点趋势进行分析。

1 数据来源与研究方法

1.1 数据来源

Web of Science(WOS)核心合集数据库是全球最大、覆盖学科最多的综合性学术信息资源库，收录了自然科学、工程技术、生物医学等各个研究领域12 000多种世界权威且高影响力的学术期刊，具有较强的学术代表性。本文在WOS文献库中以“digital twin”为主题进行检索(TS=“digital twin”)。考虑到Grieves教授在2011年以“digital twin”来描述数字孪生一词[5]，因此检索的时间范围设置为2011年～2019年。通过检索，获得相关文献253条。检索到的文献中，存在部分文献与digital twin主题关联不强，例如文献[6]主要研究能耗预测的问题，与数字孪生关系不大，故剔除此类数据。经过对文献数据进行去重、筛选等数据清洗处理后，最终得到文献210条。

1.2 研究方法

采用文献计量及知识图谱的方法，基于Citespace对所检索到的文献进行可视化分析和探索。Citespace主要基于共引分析理论和寻径网络算法，对特定领域文献进行计量，以探寻出学科领域演化的关键路径及知识转折点，并通过形成一系列可视化图谱对学科演化潜在动力机制和学科发展前沿进行分析[7]。本文利用Citespace对检索到的文献绘制知识图谱并进行可视化分析，试图挖掘当前数字孪生领域的研究热点、动态和趋势。

2 文献分布特征

通过对发文量、所发表期刊及研究方向等文献分布特征进行分析，探究数字孪生相关研究的发展趋势，以及所依托的学科领域。

2.1 出版年及发文量

文献的数量从某种程度上可以反映某一领域的研究水平和未来的发展趋势。如图1所示，发文量逐年递增，说明研究热度持续上升，但发文总量仍然较少，表明数字孪生领域研究仍处于起步阶段。具体来看，2013年～2015年发文量小幅增加，基本保持在个位数;2016年，数字孪生的研究开始引起学术界的关注，发文量突破个位数;2017年之后，研究迅速升温，发文量也随之快速增加;2019年第一季度发文量为32篇，按照4倍估算，预计2019年发文量约128篇，发文量将形成新的顶峰。

作为对产品生命周期(Product Lifecycle Management, PLM)和价值链进行全方位、精确描述的一种可能，数字孪生是赛博物理系统(Cyber-Physical Systems，CPS)理论发展、方法形成和实践落地的重要途径。因此，数字孪生相关研究在近三年的快速升温，与工业4.0、工业互联网和智能制造的发展与演进有直接联系。

2.2 文献类型及期刊分布

根据统计，210条文献主要分为综述(1篇)、会议论文(118篇)、主编评论(8篇)、期刊论文(83篇)4类。可以看出，文献类型主要以会议和期刊论文为主，其中会议论文占所统计文献总量的56.19%，期刊论文占39.52%。

从出版类型来看，数字孪生相关研究共发表在173种出版物上，其中国际会议IEEE International Conference on Industrial Informatics(INDIN)、International Conference on Industrial Engineering And Engineering Management(IEEM)、IEEE International Conference on Emerging Technologies And Factory Automation(ETFA)等载文量相对较多，会议主要聚焦于智能制造和自动化新兴技术方向。期刊论文发表方面，表1统计了高载文量(载文量5篇及以上)的7种期刊的名称、所属领域及载文量，这些期刊共载文59篇，占被统计文献的28%;从期刊所属的主要研究领域来看，主要分属于工程学、计算机科学和自动化与控制3个学科，表明当前这3个学科与数字孪生的研究密切相关，同时上述学科领域也为数字孪生提供了主要研究与应用场景。

表1 高载文量期刊

2.3 研究方向分布

从论文所属的研究学科方向分布的角度，根据WOS文献库所提供的类别，数字孪生研究论文的主要学科分布如图2所示。其中：工程学领域发表论文数量最多，达118篇；其次是计算机科学领域，发文80篇；紧随其后的是自动化与控制领域，发表论文37篇。不难看出，上述统计结果，与本文2.2节中期刊所属来源分析的结果一致。此外，数字孪生的研究还涉及材料科学、通信、运营管理、机器人、医学等多种学科，表明数字孪生的多学科交叉特性，从一个侧面也反映了数字孪生的研究存在跨领域、跨学科的共性成分。

3 合作网络

通过作者、机构、国家等共现知识图谱，可以有效揭示研究领域内的相互合作关系。在Citespace中将各参数阈值设置如下：时间区间2011～2019，时间切片1年；分析对象分别选择Author(作者)、Institution(机构)和Country(国家)，对应WOS中“AU”和“CI”字段，对象数据间的连接强度选择余弦(cosine)分析；节点阈值选择每一时间片段中出现频次最高的Top 100。图谱中节点大小与发文量成正比，节点连线粗细与合作强度成正比，节点的年轮表示发文时期的变化，即由冷色调到暖色调表示时间从早期到近期的变化。

3.1 作者合作网络

在作者共现知识图谱中包含了各个作者在图谱中的重要指标以及相互之间的连接。由于作者姓名在不同文献中存在不同的表达形式，例如“管文玉”可以写成“Wenyun Guan”或“WY Guan”，因此需要将作者的节点进行合并。作者共现知识图谱如图3所示，图谱中的节点总数为76，边数为126。从图中可以发现，节点间存在多种共现关系，说明目前已初步形成了多个数字孪生研究团队，其中2018年进行数字孪生领域研究的团队相对偏多，且部分团队之间存在一定的合作关系。

3.2 机构—国家合作网络

图4所示为数字孪生研究机构共现知识图谱，反映了各机构间合作开展研究的密切程度，同时也反映了知识在各机构间的流动。图谱中节点总数为276，边数为200。可以看出，节点分布较为密集，表明目前有至少276个机构正在开展数字孪生领域的研究，且机构与机构之间存在一定合作关系。机构间的合作有利于知识成果的共享，也有助于数字孪生领域研究向广度和纵深推进。值得注意的是，图谱的边缘部分还散落着相当数量的发文较少且与其他研究机构合作亦较少的单独节点，暗示了目前数字孪生的研究已经具备了一定的热度和参与度，因此，数字孪生后续研究的持续度可期。

图4中节点最大，即发文量最多的研究机构为德国的亚琛工业大学(Rhein Westfal TH Aachen University)，共发文9篇，且与Festo AG & Co. KG(费斯托)等6家德国企业或机构保持合作关系。此外，出现频次相对较高的还有德国的Uni Stuttgart(斯图加特大学)以及Siemens AG(西门子公司)，并且他们彼此之间也保持着合作关系，表明德国的数字孪生研究主要由高校和企业协力推动，这种合作方式有利于数字孪生方法和技术在实际生产中的应用。

出现频次第二高的节点为中国的北京航天航空大学，共发表论文8篇，与之保持合作关系的机构主要有四家，分别为香港理工大学、武汉理工大学、山东大学和新加坡国立大学。国内出现频次较高的还有广东工业大学，与之共现的机构有香港城市大学和华南理工大学，表明我国研究数字孪生的机构大部分还是一些理工类的大学，且主要与国内外的高校均保持着较强的合作关系。

此外，出现频次较高的节点还有来自美国的Penn State University(宾夕法尼亚州立大学)，其与Indian State Tech University(印度国立理工大学)、Ohio State University(俄亥俄州立大学)等5所美国或者印度的大学存在合作关系。同样来自美国的出现频次较高的机构还有MIT(麻省理工大学)，它与参数化技术公司(PTC)保持着密切的合作，表明美国在数字孪生领域的合作研究方式多元化，既有校企之间，也有国内外各高校之间。

如图5所示，从数字孪生研究在国家之间的合作关系来看，国家共现知识图谱内中心度最强的为英国，其次为美国，第3名为德国。英国与9个国家间存在着合作关系，包括德国、美国、西班牙、法国等，其中最新建立合作关系的为美国。英国的发文量为10篇，在各国中位于前列。第2名的美国主要与德国、中国、印度等国家存在着合作关系，主要是高校间的合作，例如宾夕法尼亚州立大学与印度国立理工大学存在着合作关系。德国与各国间的合作关系则呈现较强的地域接近性，大都为来自欧洲的国家，例如法国、瑞典、比利时、西班牙等。对比作为发文量排名第3的中国，合作的国家则仅有新加坡与美国，在国家共现知识图谱网络中的中心度较低，结合图4的机构共现知识图谱，我国的合作关系主要限于国内高校之间，因此在跨国家、跨机构的研究合作方面还亟待加强。

4 文献共被引

文献共被引是指两篇参考文献被同一篇文献引用的现象。在科学图谱中，施引文献包含了大量的科学知识。通过施引文献可以有效开展对知识基础和知识结构等方面的分析，如利用施引文献中的“作者”等数据字段，对数字孪生领域各国家机构及作者间的合作广度和深度进行分析。除此之外，考虑到文献的被引量是衡量学术影响力的关键指标之一，据此可以通过追溯引文网络来揭示与某个主题有关的文献的历史及演变[12]。因此，施引文献的引文数

据也具有较高研究价值。

通过对文献共被引知识图谱中的关键节点进行分析，可以发现数字孪生研究领域中高被引的文献，进一步进行聚类分析，梳理出重要的研究主题。文献共被引知识图谱如图6所示，图中节点大小与被引频次成正比，节点之间的连线越粗表明共引强度越高，即这两个节点所代表的文献同时被另一篇文献引用的频次越高，表示关系越密切，示意这两篇文献的学科背景的相似程度较高。

表2列出了图6中被引频次≥15次的高被引文献。结合图6可以看出，数字孪生研究的被引文献出现在2008年～2019年，而高被引文献主要集中在2014年～2018年，再次表明数字孪生是一个较新的研究方向。图6中被引频次最高的是Rosen R于2015年发表的文献[13]，与之同时被引的文献还有Lee Jay于2014年发表的文献[14]，以及Schleich B于2017年发表的文献[15]。通过文献具体内容分析，发现3篇文献均从工业4.0和智能制造角度，强调数字孪生的重要性，并提出相应的模型和框架以期解决具体技术性问题。

表2 高被引文献

表2中，Grieves和Tao Fei的文章同样被多次引用。Grieves是数字孪生概念的较早提出者之一，Tao Fei是我国较早将数字孪生应用于智能生产车间研究的学者，其成果中两篇文献合计被引超过30次。结合图3与图6(作者共现知识图谱)来看，可以发现，图6中的部分高被引文献作者在图3中也是作为较突出的节点存在，反映出高被引文献作者属于核心作者、核心作者群，不但论文产出量高，而且文献具有较高的质量和参考价值。

进一步，采用对数似然率算法从文献的标题词条中提取标签，将提取的词对聚类视图添加命名标签，得到能够反映目前研究主题的文献共被引网络聚类(如图7)。图7中，网络节点数量184，边数量465，利用Citespace可以计算得到网络模块化评价指标modularityQ=0.731 6(Q>0.3表明所划分的模块显著)。如图7所示，从#0至#7，主要存在7个模块(由于#6聚类指标Q<0.3，Citespace将其默认屏蔽)。

结合表2所列出的高被引文献，通过分析，当前研究可以大致归结为两个研究主题：

(1)数字孪生在智能生产系统中的应用

#0、#1、#2、#3、#5分别被标识为big data，smart factory system、moving digital factories、CPS-based production system、production system。鉴于数字孪生技术是近年来被提出作为实现物理世界与虚拟世界实时交互的有效方法之一，通过分析各个模块的施引文献的标题、关键词等内容，不难看出上述模块中的文献都是从生产制造角度并通过应用和融合大数据、CPS、人工智能等新技术来开展数字孪生研究。例如，该主题中具有代表性的高被引文献包括：Schleich等[15]提出一种基于“纹理模型形状”数字孪生综合参考模型，并给出了模型的概念化抽象表示和实现方法。Tao等[17-18]将数字孪生应用于车间中，提出数字孪生车间的概念，对数字孪生车间的系统组成、运行机制、关键技术等进行了分析和阐述，此外还提出一种以数字孪生驱动的产品设计、制造和服务的新方法，并研究了数字孪生驱动产品设计、制造和服务的具体应用方法和框架[9]。因此，确定将#0、#1、#2、#3、#5模块划为同一主题。

(2)数字孪生驱动的CPS

#4被标识为digital twin-driven cyber-physical system，#7被标识为using Web service，通过分析施引文献的相关内容，将这两个模块确定为数字孪生驱动的CPS主题。该主题中的高被引文献包括Alam等[19]提出了一种基于云计算的CPS、C2PS数字孪生架构参考模型，并分析了C2PS的关键性能；Lee等[14]提出了一种统一的5层体系结构作为CPS实现的指导思想。

5 数字孪生研究演进

通过绘制文献的关键词共现知识图谱，探究数字孪生领域的研究热点及演进。

5.1 关键词共现知识图谱

关键词是一篇文献研究内容的高度浓缩，代表着研究的主题，因此通过对关键词的词频进行统计和分析，可以得到该研究领域的热点主题。通过Citespace进行关键词共现分析，选择分析对象keyword，提取每个时间切片关键词频次Top50的节点数据，同时保持其他参数阈值不变，得到关键词共现知识图谱，如图8所示。

对图8中数字孪生研究领域的高频词(频次>10)以及它们的重要共现词进行了统计(如表3)。从统计结果来看，除去自我指向性的关键词digital twin，出现频次较高的有：cyber-physical system、simulation、industry 4.0、design、big data等，这些都属于指向技术基础研究的词。从重要共现词来看，cyber-physical system的重要共现词有：design、production system、smart manufacturing等，说明目前的数字孪生研究的重点主要聚焦于工业4.0环境下的CPS和智能制造，这与共被引研究主题聚类知识图谱(图7)中的分析结果相一致。simulation重要共现词有design、framework、efficiency，表明数字孪生在模型框架及设计仿真等方面也有一定数量的研究。此外，big data一词出现的频次也较高，且与cyber-physical system、design、smart manufacturing等关键词都存在重要共现关系，表明大数据技术在数字孪生研究中的作用得到了越来越多的关注和共识。

表3 高频关键词

5.2 研究演进探索

采用Citespace时区视图功能，可以从时间维度洞察数字孪生研究的演进趋势(如图9)。在关键词共现时区图中，所有节点定位于时间横轴为上，根据首次出现的时间设置在不同时区内，所处位置随时间轴依次向上，并且关键词字体的大小代表了频次的高低。

从图9可以看出，在2015年之前，数字孪生领域的发文较少，并且主要在航空航天领域。例如：2013年文献[20]对复合材料飞行器机身模型的研究，探讨了构建机身数字孪生体所需要的关键要素;2014年文献[21]和文献[22]则分别对构建部件有限元模型以预测材料劣化过程的方法进行研究，以及材料性能评估方法进行研究。在此之后，数字孪生的研究场景逐渐转向智能制造领域，尤其是预测性维护方面。2015年出现digital twin、simulation、design等关键词，表明数字孪生在理论模型、设计与仿真方法等方面的研究开始引起学者的关注。接着，2016年出现industry 4.0、system、model、smart factory、digitalthread等具有时间延续性的关键词，表明数字孪生研究工作开始纳入到工业4.0体系中，聚焦于模型构建和数字线集，并向智能工厂方向延伸。

2017年起，关键词明显增多，表明数字孪生研究热度上升的同时，热点广泛。新增的高频关键词主要有CPS、smart manufacturing、big data、Internet of thing(IoT)等。CPS是工业4.0的核心，bigdata是工业4.0的驱动力，上述关键词的密集出现，表明数字孪生的研究已经开始与工业4.0体系全面融合。2018年新增的关键词主要有augmented reality、big data analytics、cloud computing等，表明除了继续拥抱大数据外，数字孪生研究逐渐与云计算结合，并且开始基于增强现实的人机交互方面的研究。

截至2019年第一季度，较为显著的新增关键词是knowledge。在数字孪生的研究中，回看表3，knowledge与design共现;仔细观察图9，ontology(本体)出现在2017年新增的关键词中。由于ontology与knowledge具有密不可分的关系，在数字孪生研究的演进趋势中，关键词knowledge的出现并非偶然。从某种意义上讲，数字孪生作为物理实体的赛博表达，是一个包含物体实体所有信息和知识的数字模型集合，因此数字孪生模型必须有一个一致的结构，以保证所有模型元素在语义(semantic)层面互连[13,23]，从而充分发挥数字孪生在工业互联网场景中的高质量知识萃取器、高密度知识储能器和高效率知识释能器的重要作用。此外，工业互联网平台通过构建工业知识创造、评估、交易体系，提高工业知识的复用水平和效率，促使新技术、新模式和新业态的不断涌现，最终推动产业分工从基于产品的分工向基于知识的分工演进[24]。数字孪生作为工业互联网的重要成员，其自身构建、形成、应用与演化的背后，透露出的恰恰是知识获取、融合、内化、发现以及进化这一事实。从此种意义上讲，与工业互联网的实质——期望利用数据空间来形塑知识空间，通过不断获得越来越多的高质量的新知识，最大限度地压缩复杂制造场景下的各种不确定性是契合的。基于上述考量，从知识维度以知识模型驱动的方法开展数字孪生研究，是一个值得期待和关注的新方向。

6 结束语

本文以Web of Science核心合集数据库所获取的数字孪生领域的文献为对象，对数字孪生的研究现状、研究成果产出、研究合作以及研究演进趋势等方面进行了可视化分析，得到以下结论：

(1)从研究发展来看，数字孪生的研究大致可分为3个阶段：第一阶段为萌芽期(2011年之前)，产品全生命周期管理(PLM)[5]、NASA Apollo的物理孪生[13]、基于状态的监测(CBM)以及维纳的控制论(Cybernetics)等思想和理念，催化了数字孪生概念的出现与形成。此外，计算机辅助技术CAX、多学科仿真与优化、虚拟样机，以及网路、通信和传感器技术等为全生命周期数字孪生的构建提供了坚实的技术支撑;第二阶段为起步期(2011年～2014年)，发文量较少且主要集中在航空航天领域，以预测性维护应用为主；第三阶段即目前的快速崛起期(2015年～)，发文量迅速上升、逐年递增，相关研究全面融入工业互联网和工业4.0体系，并广泛吸纳大数据、人工智能、物联网、云计算、增强现实等新兴技术，在保持研究热度的同时，研究重点也在不断深入和延展。

(2)从研究成果的产出来看，依托雄厚的制造业基础和工业4.0研究基础，德国发文量最多，占总发文量的24.8%，其后依次为美国15.7%，中国11%。分析表明，研究成果的产出主要依靠核心作者群，其发表论文的被引频次较高，表明发文质量较高。

(3)从学科领域来看，数字孪生领域文献主要分布于工程学、计算机科学、自动化3大学科领域。此外，数字孪生相关研究和应用在材料科学、通信、运营管理、机器人、医学等学科领域也有所体现，说明数字孪生具有多学科交叉特性，同时也折射出数字孪生的内涵和外延存在跨领域、跨学科的共性成分。

(4)从研究合作关系来看，数字孪生的研究呈现出各国家及机构之间密切合作的发展态势，由此形成了相当数量的研究团队。英、德两国在国家合作网络中的中心度较高，与他国的合作较为紧密，且表现出一定的地缘接近性。机构之间的合作主要存在“高校—高校”以及“高校—企业”两种形式，其中校企合作在德国和美国的研究机构合作中较常见。反观我国，合作关系主要存在于国内高校之间，国际合作和校企合作明显不足，这一现状无论对于数字孪生理论和方法研究的纵深推进，还是对数字孪生应用的实践落地均不利，亟待加强。

(5)从研究趋势的演进发展来看，数字孪生研究所触及的领域正逐步拓宽。其中，在智能生产系统的应用中，数字孪生与大数据的结合已成为一个趋势甚至是数字孪生研究密不可分的一部分。此外，鉴于目前数字孪生研究仍处在起步期，尚缺乏系统的基础理论[1]，也由此带来数字孪生体系架构缺失、模型构建方法匮乏以及模型构建中缺少有效的信息组织和知识表达方法[25]以及数字孪生在产品生命周期各阶段的应用严重失衡[26]、自身的成长及进化研究仍处真空等一系列问题，从知识的新视角开启数字孪生理论方面的研究值得关注。

总体来看，数字孪生研究刚刚起步，随着新一轮工业革命的崛起，其内涵和外延将得到进一步的拓展。另一方面，数字孪生已成为工业互联网的重要应用对象，同时也是工业互联网3大核心(数据、模型和服务)的绝佳载体。正如图8所示，与数字孪生研究产生共现的关键词，几乎都在工业互联网或工业4.0的研究范畴中。在此意义上，数字孪生的发展趋势以及研究热点，与工业互联网的演进路程密切交织。因此，本文从数据、模型和服务3个方面，结合图9(关键词共现时区图)，对数字孪生的研究热点进行展望。

(1)数字孪生将成为容纳产品全生命周期静动态数据的容器

数字孪生存在于赛博空间，数据是数字孪生的根本。数据管理方面，传统PLM系统侧重于对产品全生命周期静态数据(尤其是设计数据和工艺数据)的管理，而虚实同步则要求数字孪生必须包含物理空间反馈的所有数据，如加工、装配、检测、物流、运行、维护等，因此，补充和提升上述环节中数据的实时动态回馈能力显得尤为重要。其中，CPS和IoT将继续发挥重要作用，这一点在图9所示的2017时区中有所反映。另一方面，目前制造领域所累积的数据质量较差，数据周期参差不齐，价值密度不均衡，与工业互联网复杂场景中的需求和应用无法匹配，数据源已经成为当下以及未来一段时间制约大数据分析和利用，乃至数字孪生技术发展的基本瓶颈[27]。因此，未来大数据在数字孪生的应用中，数据的获取(包括传感器的采集精度、数据采集点的部署方法)与处理(包括噪声数据的清洗、不平衡数据量的处理)仍将是数字孪生研究的重点之一。

(2)数字孪生将成为包含数据模型与机理模型在内的知识容器

数据模型与机理模型在工业互联网体系中占据重要地位。同样，数据模型与机理模型也是数字孪生智能化和自主性得以体现的根本。具体而言，数字孪生是一个高度动态的概念，在其生命周期中，随着与物理实体的不断交互而成长，其复杂性也不断增长，这就需要数字孪生具有自主性(Autonomy)，能够智能实现协同交互，能够智能处理自身数据并能够参与甚至做出决策[13]。而自主性的实现，特别是智能协同与自主决策，必须以知识的获取、表达和计算为基础和前提。目前，神经网络和深度学习算法还无法提供工业智能所需的明确语义解释[28]，因此，知识图谱有望从逻辑演绎的方向提升数字孪生的推理能力，进而从根本上提升数字孪生的智能水平。在图9所示的2019时区中，新出现的“knowledge”和“algorithm”关键词，已经预示了除了大数据算法从数据驱动的方向提升数字孪生的学习能力之外，知识对于数字孪生理解力提升的重要性。

(3)数字孪生将应用于“端到端”的产品全生命周期服务场景

从已有文献中不难发现，数字孪生在产品生命周期各阶段的应用极不均衡，严重失重[26]。多数应用研究集中在产品的运维和健康管理等后期服务方面，少量研究涉及虚拟机床模拟、生产调度等制造过程，而在产品设计领域的探索少之又少。凭借负反馈机制和数据闭环特质，产品数字孪生固然可以在预测性维护与健康管理方面发挥优势，然而，更大的价值潜力空间是在产品设计领域，即通过信息反馈发现已有问题以及通过状态预测发现未知问题，实现产品设计创新与持续优化。图9所示的2018时区中，出现了“Augmented Reality”(增强现实)(AR)关键词，表示出了利用AR技术有望打破虚实空间的壁垒，实现人与机器的协同与融合，加速产品创新设计的进程，进而丰富数字孪生在“端到端”的产品全生命周期服务场景中的应用。