数字孪生技术在智能制造中的发展与应用研究综述

黄海松 陈启鹏 李宜汀 姚立国 张松松

摘 要：数字孪生技术作为实践智能制造理念的使能技术与手段，能够有效解决智能制造的信息物理融合难题，已成为当前世界各国学术界和工业界关注的热点。为了更好地理解和应用数字孪生，本文首先从数字孪生的背景和定义两方面进行归纳和总结;在此基础上，从公开出版年度、主要出版国家、主要研究方向等不同维度，采用文献计量分析方法对Web of Science（WOS）核心合集数据库近5年来收录的与数字孪生相关文献进行研究，综述了数字孪生技术在产品设计、工业生产、制造服务方面的应用;最后对数字孪生技术未来的发展方向进行展望，以期为数字孪生技术在智能制造领域的落地应用提供一定的理论参考和借鉴。

关键词：数字孪生;文献计量;智能制造;应用

中图分类号：TP18

文献标识码： A

文章编号 1000-5269（2020）05-0001-08   DOI：10.15958/j.cnki.gdxbzrb.2020.05.01

随着新一代信息技术与制造技术的深度融合发展，制造业的生产方式正在发生深刻变革，先进制造业的发展正处于重要的战略机遇期，全球各主要工业化国家相继提出新的国家级工业发展战略，如德国的“工业4.0” 、美国的“先进制造业国家战略计划”、英国的“工业2050战略”等，力求通过“再工业化”发展先进制造业。虽然这些战略的提出背景不同，但其共同目标之一是实现制造的物理世界与信息世界的交互融合，从而驱动整个制造业的智能化发展。与此同时，为推动“中国制造”向“中国智造”、“中国创造”加速转变，我国于2015年出台“中国制造2025” 作为推进制造强国的国家战略[1-2]。为实现传统制造业向智能制造的转型升级，学术界和工业界围绕大数据（big data）、工业物联网（internet of things， IOT）、云计算（cloud computing）、人工智能（artificial intelligence）、区块链（block chain）等新兴技术领域开展了大量研究和实践。

数字孪生（digital twin）技术作为实践智能制造理念的使能技术与手段，能够有效解决智能制造的信息物理融合难题，也被越来越多的学者关注和重视，研究并将其用于解决实际的工程问题。美国工业互联网核心框架和德国工业4.0架构都将数字孪生作为重要组成部分，世界最大的国防承包商LMT公司（Lockheed Martin Corporation）在未来国防和航天工业顶尖技术中将数字孪生排在首位[3]，世界顶级的工业软件公司SIEMENS、ESI、DASSAULT、PTC等将数字孪生技术用于产品设计、流程优化、数据驱动决策等业务。全球最具权威的IT研究与顾问咨询公司Gartner在2017年和2018年将数字孪生技术列为十大战略科技发展趋势[4-5]。具体如图1、图2所示，通过新兴技术成熟度曲线可知，数字孪生技术在2019年达到期望膨胀期的顶峰，将在未来2—5年内产生颠覆式创新，数字孪生将代表数十亿个事物，藉此来实现对物理世界中实体的了解、分析和优化[6]。中国科学技术协会在其近期发布的2020重大科学问题和工程技术难题中将“如何建立虚拟孪生理论和技术基础并开展示范应用”列为前沿科学问题[7]。

1 数字孪生技术概述

1.1 数字孪生的背景

业界普遍认为数字孪生的概念最初是由美国密歇根大学的GRIEVES M教授首次提出。他于2002年在PLM中心成立时向工业界发表演讲的幻灯片中针对产品全生命周期管理（product lifecycle management， PLM）提出 “与物理产品等价的虚拟数字化表达”的概念[10]，具体如图3所示。该概念源于对装置的信息和数据进行更清晰地表达的期望，希望能够将所有的信息放在一起进行更高层次的分析，但当时并没有准确命名。GRIEVES M教授于2005年将该概念模型命名为镜像空间模型（mirrored spaces model， MSM），于2006年将其命名为信息镜像模型（information mirroring model， IMM）[11-12]。2011年将其命名为数字孪生（digital twin， DT），该名称由美国国家航空航天局（NASA）VICKERS J提出，并一直延续至今[13]。

数字孪生这一理念最早被应用于航空航天领域，NASA于2010年在其撰写的空间技术路线图中提出数字孪生体2027计划，并将其列为未来10—20年的最大挑战之一[15]。与此同时，美国国防部提出数字孪生体，并设计了数字线程（digital thread），它是基于物理的模型实例，成为跨领域交换数据的基础。美国空军研究实验室（AFRL）于2011年提出机身数字孪生（airframe digital twin）的概念，用于解决战斗机机体的维护问题[16]。在上述理论和应用的推动下，数字孪生技术在工业领域也获得了高度的重视。SIEMENS在2016年就开始尝试利用数字孪生体来完善工业4.0应用，2017年底正式发布了完整数字孪生体的应用模型[17]。GE在2016年正式推出了面向全球工业领域的Predix物联网平台，并在其SaaS层提供数字孪生功能服务，数字孪生技术可以使工业领域的产品生命周期管理流程延伸到设备生產、操作的现场，从而建立起一个完整、闭环的“设计-制造-运营-优化”的产品周期[18]。ANSYS在2018年推出Twin Builder平台，用于帮助用户在统一的工作流程中构建、验证和部署基于仿真的数字孪生体，实现工业资产的连接功能与整体系统仿真充分结合，从而开展诊断和故障排除工作，确定理想的维护程序，优化工业资产设备的性能，从中获得潜在的重要数据来推动产品革新[19]。基于以上应用分析可知，数字孪生技术能够有效实现物理世界与信息世界的交互融合。

1.2 数字孪生的定义

GRIEVES M教授最初仅对数字孪生的模型进行定义，即由物理实体、虚拟实体以及两者之间的连接共同组成，并没有对其具体定义进行描述。而后，在NASA撰写的空间技术路线图中对数字孪生定义如下：数字孪生是一种面向飞行器或系统的高度集成多学科、多物理量、多尺度、多概率的仿真模型，能够充分利用物理模型、传感器更新、运行历史等数据，在虚拟空间中完成映射，从而反映实体装备全生命周期过程[15，20]，具体如图4所示。NASA对于数字孪生的定义受到了广泛的关注和认可，在此基础上，不同领域的研究人员也提出了自己的理解和定义，具体如表1所示。

2 数字孪生技术学术研究现状分析

本文选择WOS核心合集数据库对近5年来收录与数字孪生技术相关的文献进行统计分析，采用可视化网络分析工具CiteSpace（5.7.R1）生成知识图谱[32]，用以阐述近些年数字孪生技术在国内外研究情况。 检索文献类型包括文章、会议论文、会议摘要等，檢索方式采用WOS中的高级检索工具，使用字段标识、布尔运算符、括号和检索结果集来创建检索式，检索式字符串为：TS=（“digital twin” OR “digital twins”） AND PY 2016—2020，即在主题（包括标题、摘要和关键词）中搜索出版年在2016—2020年间包含“digital twin”或 “digital twins”的字段。

2.1 公开出版文献年度统计分析

2016—2020年以来检索到已被WOS核心合集数据库公开收录的文献累计460篇。从年度发表的文献数量上可知，总体趋势呈逐年上涨。2016年文献发表数量较少，年度数量为2篇，2017年发表数量为16篇，2018年数字孪生逐渐开始进入快速成长期，当年发表数量为36篇，2019年发表数量为184篇，2020年截止到8月发表数量为222篇，具体如图5所示。其中2019年的发表数量占近5年的40.00%，2020年的发表数量占近5年的48.26%，预计未来几年还将呈快速发展的势头。

2.2 主要出版国家及研究机构分布统计分析

从近5年来发表相关文献的主要出版国家分布统计分析可知，截止到2020年8月在全球范围内已有超过30个国家参与数字孪生技术的研究，具体如图6所示，主要出版国家共现知识图谱中节点总数为33，边数为100。其中，排名在前5位的国家分别为中国（占比21.96%）、美国（占比16.52%）、德国（占比13.26%）、英国（占比10.00%）、意大利（占比6.96%）。这些国家均已具有完整的工业体系和强大的科技实力。通过主要研究机构统计分析可知，已有超过900所高校、研究院和企业对数字孪生技术开展相关研究并发表学术成果，具体如表2所示。排名在前5位的研究机构分别为中国北京航空航天大学（占比3.26%）、瑞典查尔姆斯理工大学（占比2.39%）、中国广东工业大学（占比2.17%）、法国国家科学研究中心（占比1.96%）、韩国成均馆大学（占比1.96%）。此外，英国剑桥大学、德国亚琛工业大学、美国佐治亚理工学院等世界一流大学以及德国西门子公司、美国通用电气公司等世界一流企业正在围绕数字孪生技术的理论与应用开展研究，且这一趋势逐年上涨，充分表明此项技术具有很大的研究价值。

2.3 主要研究方向及出版物统计分析

从近5年来发表相关文献的主要研究方向统计分析可知，数字孪生技术涉及超过60个研究方向，目前处于渗透期，具体如图7所示，主要研究方向共现知识图谱中节点总数为64，边数为236。其中，工程（占比67.61%）和计算机科学（占比30.00%）为数字孪生技术最主要的研究方向，可以预测未来数字孪生技术有望在各个领域展开应用。通过主要出版物统计分析可知，有超过290个在WOS核心合集数据库中收录的出版物发表过与数字孪生相关的文献，具体如图8所示。如美国电气和电子工程师协会旗下的《IEEE ACCESS》、泰勒-弗朗西斯下的《INT J COMPUT INTEG M》、施普林格旗下的《INT J ADV MANUF TECH》、爱思唯尔旗下的《ROBOT CIM-INT MANUF》、国际生产工程学会下属的《CIRP ANN-MANUF TECHN》，主要出版物集中在与工程技术相关的工业、制造、管理科学领域以及与计算机科学相关的信息系统、电子电气领域。

3 数字孪生技术在智能制造中的应用

数字孪生技术作为能够实现智能制造物理世界与信息世界交互融合的潜在途径，被逐步应用于产品全生命周期的各个环节，即产品设计、工业生产以及制造服务，对于提高产品的研发质量、制造的生产效率、设备的预测性维护具有重要意义。

3.1 数字孪生技术在产品设计中的应用

产品设计是产品全生命周期中的重要环节，也是数字孪生技术应用于智能制造中的第一步[33]。大规模、个性化的产品设计目前已成为企业追求的理想设计目标。传统设计方法普遍存在需求不精准、设计协作难等问题，且样机的试制周期长成本高，无法及时对其性能进行反馈和验证，严重影响企业的产品创新和市场开发。为此，数字孪生技术被逐渐引入其中。数字孪生技术使设计人员能够比较虚拟产品在不同环境下的性能，以确保将生产产品的实际行为与期望实际值之间的不一致性降至最低。同时，数字孪生可以避免因评估虚拟产品而进行的冗长测试，从而加快设计周期。

陶飞等[34]提出了一种基于数字孪生技术的产品设计框架（digital twin-driven product design framework， DTPD）。该框架着重于将物理产品与虚拟产品连接起来，主要适用于对现有产品进行迭代优化设计，构成DTPD的大多数选定设计方法已被证明对于重新设计现有产品更为有用。刘强等[35]提出一种数字孪生驱动的自动化流水车间制造系统的快速个性化设计方法，将基于物理的系统建模和分布式半物理仿真结合起来，提供工程解决方案分析能力，并在试制阶段生成系统的权威数字设计。SCHLEICH B等[36]提出了一种基于表面模型形状概念的综合参考模型，在设计和制造过程中作为物理产品的数字孪生模型用于几何变化的管理。STARK R等[37]提出了一种基于数字孪生的信息物理生产系统（cyber physical production systems， CPPS）新型架构模块化设计方法，通过将现有的生产资源和新的CPS单元整合到构建工具模块中，工厂制造商可以使用虚拟原型创建、验证和优化CPPS的体系结构。

[17]TAO F， CHENG J， QI Q， ET Al. Digital twin-driven product design， manufacturing and service with big data[J]. The International Journal of Advanced Manufacturing Technology， 2018， 94（9-12）： 3563-3576.

[18]TODOROVIC M H， DATTA R， STEVANOVIC L， et al. Design and testing of a modular SiC based power block[C]//PCIM Europe 2016; International Exhibition and Conference for Power Electronics， Intelligent Motion， Renewable Energy and Energy Management. Nuremberg， Germany： VDE， 2016： 1-4.

[19]HE K F， LI X J， WU J G， et al. Three-dimensional temperature field numerical simulation of twin-arc high-speed submerged arc welding process based on ANSYS[C]//Advanced Materials Research. Zurich， Switzerland： Trans Tech Publications Ltd， 2011， 216： 188-193.

[20]TAO F， ZHANG M， NEE A Y C. Digital twin driven smart manufacturing[M]. San Diego， the United States： Academic Press， 2019.

[21]SCHLEICH B， ANWER N， MATHIEU L， et al. Shaping the digital twin for design and production engineering[J]. CIRP Annals， 2017， 66（1）： 141-144.

[22]GOCKEL B， TUDOR A， BRANDYBERRY M， et al. Challenges with structural life forecasting using realistic mission profiles[C]//53rd AIAA/ASME/ ASCE/AHS/ASC Structures， Structural Dynamics and Materials Conference 20th AIAA/ASME/AHS Adaptive Structures Conference 14th AIAA. Hawaii， the United States： AIAA， 2012： 1813.

[23]LIU Z， MEYENDORF N， MRAD N. The role of data fusion in predictive maintenance using digital twin [C]//AIP Conference Proceedings. New York， the United States： AIP Publishing LLC， 2018， 1949（1）： 020023.

[24]LEE J， LAPIRA E， BAGHERI B， et al. Recent advances and trends in predictive manufacturing systems in big data environment[J]. Manufacturing Letters， 2013， 1（1）： 38-41.

[25]SIEMENS. Digital twin[EB/OL]. [2020-08-08]. https： //www. plm. automation. siemens. com/global/zh/our-story/glossary/digital-twin/24465.

[26]GE. Digital twin[EB/OL]. [2020-08-08]. https： //www. ge. com/digital/applications/digital-twin.

[27]ANSYS. Digital twin[EB/OL]. [2020-08-08]. https： //www. ansys. com/products/systems/digital-twin.

[28]陶飛， 刘蔚然， 刘检华， 等. 数字孪生及其应用探索[J]. 计算机集成制造系统， 2018， 24（1）： 1-18.

[29]刘大同， 郭凯， 王本宽， 等. 数字孪生技术综述与展望[J]. 仪器仪表学报， 2018， 39（11）： 1-10.

[30]张霖. 关于数字孪生的冷思考及其背后的建模和仿真技术[J]. 系统仿真学报， 2020， 32（4）： 1-10.

[31]ZHANG H， LIU Q， CHEN X， et al. A digital twin-based approach for designing and decoupling of hollow glass production line[J]. IEEE Access， 2017， 5： 26901-26911.

[32]CHEN C， SONG M. Visualizing a field of research： a methodology of systematic scientometric reviews[J]. PloS One， 2019， 14（10）： e0223994.

[33]李浩， 陶飛， 王昊琪， 等. 基于数字孪生的复杂产品设计制造一体化开发框架与关键技术[J]. 计算机集成制造系统， 2019， 25（6）： 1320-1336.

[34]TAO F， SUI F， LIU A， et al. Digital twin-driven product design framework[J]. International Journal of Production Research， 2019， 57： 1-19.

[35]LIU Q， ZHANG H， LENG J， et al. Digital twin-driven rapid individualised designing of automated flow-shop manufacturing system[J]. International Journal of Production Research， 2019， 57： 3903-3919.

[36]SCHLEICH B， ANWER N， MATHIEU L， et al. Shaping the digital twin for design and production engineering[J]. CIRP Annals， 2017， 66（1）： 141-144.

[37]STARK R， KIND S， NEUMEYER S. Innovations in digital modelling for next generation manufacturing system design[J]. CIRP Annal， 2017， 66（1）： 169-172.

[38]陶飞， 程颖， 程江峰， 等. 数字孪生车间信息物理融合理论与技术[J]. 计算机集成制造系统， 2017， 23（8）： 1603-1611.

[39]赵浩然， 刘检华， 熊辉， 等. 面向数字孪生车间的三维可视化实时监控方法[J]. 计算机集成制造系统， 2019， 25（6）： 1432-1443.

[40]KNAPP G L， MUKHERJEE T， ZUBACK J S， et al. Building blocks for a digital twin of additive manufacturing[J]. Acta Materialia， 2017， 135： 390-399.

[41]CORONADO P D U， LYNN R， LOUHICHI W， et al. Part data integration in the Shop Floor Digital Twin： mobile and cloud technologies to enable a manufacturing execution system[J]. Journal of Manufacturing Systems， 2018， 48： 25-33.

[42]丁华， 杨亮亮， 杨兆建， 等. 数字孪生与深度学习融合驱动的采煤机健康状态预测[J]. 中国机械工程， 2020， 31（7）： 815-823.

[43]TAO F， ZHANG M， LIU Y， et al. Digital twin driven prognostics and health management for complex equipment[J]. CIRP Annals， 2018， 67（1）： 169-172.

[44]张旭辉， 张雨萌， 王岩， 等. 数字孪生驱动的设备维修MR辅助指导技术[J/OL]. 计算机集成制造系统： 1-13[2020-08-22]. http： //kns. cnki. net/kcms/detail/11. 5946. TP. 20200312. 1004. 002. html.

[45]ZAKRAJSEK A J， MALL S. The development and use of a digital twin model for tire touchdown health monitoring[C]//58th AIAA/ASCE/AHS/ASC Structures， Structural Dynamics， and Materials Conference. Texas， the United States： 2017： 0863.

[46]KRAFT J， KUNTZAGK S. Engine fleet-management： the use of digital twins from a MRO perspective[C]//Turbo Expo： Power for Land， Sea， and Air. North Carolina， the United States： American Society of Mechanical Engineers， 2017， 50770： V001T01A007.

（责任编辑：曾 晶）