面向数字孪生的工业互联网平台构建技术研究

张伦彦

（中国航空工业集团公司信息技术中心，北京 100007）

1 数字孪生应用对工业互联网平台的需求

数字孪生已经从科学研究走进了工程应用，尤其在智慧医疗、智慧城市、智能制造和军事应用等领域，数字孪生已经取得了很大的发展，其中工业互联网更是成为数字孪生扩展应用场景的孵化床，智能制造领域的数字孪生正向更广阔的工业互联网空间延伸[1]。

按照生命周期维度，基于工业互联网的数字孪生应用主要有四类：产品设计、工艺优化、虚拟工厂和远程维护。

在产品设计领域，传统仿真技术自上世纪末就开始向硬件在环、软件在环、人员在环等方向快速发展，早在工业互联网概念提出之前，物联网技术就已经成为仿真的底层支撑技术，仿真技术和数字孪生技术的界限已经模糊化，工业互联网平台对于产品设计的数字孪生支撑作用也并不很明显，对产品设计的数字孪生起到核心支撑作用的是基于模型的系统工程（Model-Based Systems Engineering，MBSE）。

在工艺优化领域，计算机辅助工程（Computer Aided Engineering，CAE）软件自上世纪60年代诞生开始，已经在电子、造船、航空、航天、机械、建筑及汽车等各个领域中得到了广泛的应用，成为最具有生产潜力的工具。但是传统CAE也遇到了两类典型问题，一是所需的数据量大，数据模拟工作量大，而且随着条件的改变需要多次模拟数据，计算效率和计算时间都很难令人满意；二是很多专有领域没有适合的CAE软件，工艺优化能力还处于较低水平。工业互联网平台可以很好的弥补这两方面的不足：通过物联网和人工智能技术，可以大幅提升仿真参数数据库的构建效率；通过大数据和人工智能技术，可以找出工艺参数和结果之间的机理关系，弥补CAE在某些专有领域能力不足的问题。

在虚拟工厂领域，数字孪生应用的发展非常迅猛，对工业互联网平台的需求迫切度也很高。设备级的数字孪生关注设备的预测性维护和制造执行的稳定性；单元级或产线级的数字孪生关注生产作业过程优化；车间级或工厂级的数字孪生关注构建中枢大脑来管控整体运行；供应链级或产业链级的数字孪生关注广域资源的优化配置、上下游的生产协同。与产品设计、工艺优化领域不同，虚拟工厂领域的三维模型很少做定量的几何分析，三维模型更多起到承载指标的作用，指标也成为数字孪生的核心所在。工业互联网平台对于数字孪生的指标能够起到三个方面的关键作用：第一是融合IT和OT数据构建指标的能力，第二是提供实时、智能分析指标的能力，第三是基于指标驱动创新业务流程的能力。

在远程维护领域，数字孪生应用的发展同样迅猛，从技术角度看，有两大类技术路线，第一种技术路线和虚拟工厂的设备级数字孪生基本相似，已经有很多企业使用工业互联网平台构建健康类指标进行预测性维护，在提供时空和经济综合最优的维护服务的同时，还提升了维护的远程化水平、少人化水平；第二种技术路线则是将维护工作提前到产品设计乃至需求阶段，重新定义维护的方法和流程，其背后的使能技术是基于模型的系统工程。

综合来看数字孪生对于工业互联网平台的需求迫切度在虚拟工厂和远程维护领域最高；在工艺优化领域，需求迫切度次之；在产品设计领域，需求迫切度最低。

2 工业互联网平台支撑数字孪生应用开发的必要性

数字孪生有两大关键点：一是物理实体和虚拟模型之间的双向连接；二是双向连接必须基于实时数据[2]，物联网技术被认为是数字孪生必不可缺的使能技术[3]。早期的数字孪生普遍是单体的数字孪生，需要的仅仅是物联网技术，对于工业互联网平台并非强需求。当前的数字孪生应用已经呈现出网络化的特征，应用对象从单个系统演变为系统之系统，在网络化的背景下，工业互联网平台的作用开始被逐渐放大，以下四个方面的能力成为构建数字孪生的必备能力。

第一是协议兼容性问题。工业互联网平台提供了统一数据采集与处理的接口，可以降低解决协议兼容性问题的成本。

第二是建模难度问题。工业互联网平台不仅内嵌了大量的机理模型，而且提供了层次化、配置化的建模方法，能够适应海量、变化的网络数据。

第三是实时性问题，工业互联网平台提供适应不同网络应用场景的数据处理机制，提供流批一体的数据计算引擎，帮助工程技术人员快速建立物理实体和虚拟模型的双向通道，能够按需配置数据计算服务，可以大幅降低实时计算服务构建成本和使用成本。

第四是计算规模问题。数字孪生的采集、存储、模型的设计和应用都会变得更加复杂，对系统的软硬件要求也会越来越高，工业互联网平台基于云的部署模式可以有效地解决这类问题。

3 面向数字孪生的工业互联网平台架构方法

2016年，工业互联网产业联盟提出了《工业互联网体系架构1.0》，后续又发布了2.0版本[4]。许多工业互联网平台厂商也对外公开了自己的工业互联网平台技术架构，划分方式基本相似，有的划分为边缘层、平台层、应用层；有的划分为边缘层、IAAS层、PAAS层、SAAS层。

在网络化背景下，针对数字孪生呈现出的系统之系统（System of System，SoS）架构特征，尚未有过哪家工业互联网平台提出过快速、高效实现SoS架构的研究或报道。本文将提出工业互联网平台面向SoS的部署架构方法，通过多种典型的数字孪生应用场景验证部署架构方法的正确性，基于部署架构的要求论述工业互联网平台技术架构的升级方向及其必要性。

传统认为工业互联网平台部署架构分为端、边、云三级，本文提出的工业互联网平台部署架构如图1所示，将端侧继续细分为设备侧、硬网关侧、软网关侧。这套部署架构具有灵活配置的特点，即可以根据应用需求短路其中的任意个层级，但短路后至少应当保留图1中的两个层级。比如：某大型集团型制造企业的工业互联网平台可以完整覆盖图1中的所有层级；某型飞机运营保障平台直接从设备侧联通云侧，短路了中间所有的层级；某中型制造企业的工业互联网平台在试点阶段只涉及设备侧、硬网关侧和边缘侧，推广阶段对边缘侧做了水平扩展，最终将边缘侧自然演进为云侧。

图1 工业互联网平台部署架构图

3.1 端侧架构分析

端侧被细分为设备侧、硬网关侧、软网关侧。设备侧是被认为不具备独立采集和通信能力的层级，但是随着微控制单元（Microcontroller Unit，MCU）技术的日趋成熟，越来越多的硬件具备了MCU，以设备出厂为时间切分点又可以细分前装和后装，后装MCU还需要搭配安装传感器或流量计，看起来就是一个更廉价的定制版通信盒子，后装MCU的存在会弱化或取消硬网关。

硬网关是最传统的端侧技术，一般认为软网关能够在功能上替代硬网关且经济性更好，因为两者的区别只是将采集转发程序的部署从盒子改到了局域网服务器上。这种替代关系并不能绝对化，在实际工程应用中，硬网关和软网关有时候是并行使用的，因为有时候两者处理对象的层级是不同的，某等离子切割机的采集拓扑图如图2所示，这个生产单元有10台等离子切割机，总共配置了两个硬网关和一个软网关，第一个硬网关是解决10台电源的数据采集问题，第二个硬网关是解决10块氧气流量计的数据采集问题，软网关解决的是切割机内存单元的数据采集问题，以及按时间戳合并两台硬网关数据并做转发的问题。软网关不仅要扮演直接采集的角色，还要发挥作为高阶物模型的复合作用，如计算每次作业的引弧时间，因为硬网关直接采集的引弧时间是累加值，需要在软网关里根据作业状态计算每次作业开始到结束的引弧时间。因此，传统认为软网关只是把采集转发功能的部署从盒子改到局域网服务器是非常狭隘的，软网关本质是云平台接入与建模组件在局域网服务器的一种部署形态，而硬网关未来的发展趋势也是云平台按需将指令下发到盒子，端侧的技术栈与平台的技术栈正在一体化发展，即同一套组件可以进行简化或拆分后做各类不同形态的部署。

图2 某切割机的采集拓扑图

3.2 边侧架构分析

在智能制造场景下，边侧更多指的是园区侧，针对大型集团型企业，往往需要在园区级部署工业互联网平台；在后市场服务场景下，边侧更多指的是某个细分领域的工业互联网平台，比如在某地市工业互联网平台部署到当地云商提供的云服务器上。

边侧的存在不一定是必须的，边缘侧的厚薄（即平台组件配置的多少）也是要根据应用场景需要来设定的。在智能制造的背景下，制造运行管理（Manufacturing Operation Management，MOM）软件与工业互联网平台是强交互关系，MOM的指令需要依靠工业互联网平台下达，MOM一般都部署在园区级，在异地网络条件不足以保障高可用的情况下，将与MOM交互频繁的组件部署到园区级是一个明智选择。对于集团级的设备互联来说，有一项重要的功能是从组织架构和工艺维度来统计设备的利用率，厚的边缘侧会将指标计算服务从云侧（集团侧）下沉到边缘侧（园区侧），集团级的指标通过跑批任务来计算，计算的实时性和准确性会下降、计算资源的利用率也会下降，这时候采用薄的边缘侧方案将只在园区侧保持异常数据处理和消息队列的功能，将指标计算服务上浮到集团侧，计算的实时性和准确性会上升、计算资源的利用率也会上升。

3.3 云侧架构分析

某个领域的服务商或某个大型集团型企业会存在多套工业互联网平台，就如同使用了多个厂家的MOM一样，如何将它们互联互通也是一个不容忽视的问题，这就是云侧需要解决的核心问题。

从部署形态上看，云侧平台既可以单独部署在集团侧，也可以部署在距离本部最近的园区侧，让其扮演“联邦首都”的角色。从架构上看，集团侧需要建立完备的资产台账，所有的物模型要在集团侧建立镜像，根据业务需要选择接收全量数据或者只接收指标结果数据，必要时可以按需调度原始数据入湖做指标分析；集团侧需要建立人员和账号的访问权限控制，并与各园区侧做访问集成控制。

4 面向数字孪生的工业互联网平台关键技术

4.1 连接生命周期管理技术

工业互联网平台的物联能力是一项基础能力，仅仅有丰富的协议库只能解决能不能连得上的问题，还远不足以解决连接管理是否最优的问题。一方面数字孪生体处于持续的演进或变化中，连接也处于持续的变化中；另一方面连接会遇到很多异常状况，如何识别异常和修复连接、如何剔除异常数据。因此如何解决持续、稳定和准确的连接是保证数字孪生高可用的关键所在。

在设计思路上，主要有两个设计要点，第一是要建立物模型和连接模型的松耦合关系，以解决连接对象不变但连接手段变化的问题；第二是要具有复合物模型的建模环境，即通过引用物模型用以搭建更高阶的物模型，以解决在工业互联网平台上快速复刻数字孪生体的SoS架构。

在建模工具方面，物模型和连接模型之间不仅要有便捷的属性映射能力，还要有派生属性的零代码或低代码构建能力，从而帮忙数字孪生体建立更加完备的信息集合，比如某些PLC并不能直接采集到设备状态是否作业的信息，而是需要采集2~3个点位做与、或、非的组合逻辑计算才能判断设备状态，这就是一种典型的派生属性应用场景。

在技术手段上，需要采用事件-条件-动作（Event-Condition-Action，ECA）机制，ECA机制不仅能够实现派生属性的快速构建，还能够设置报警规则用以捕获异常数据，诊断连接中的各类问题。

在模型范围上，不仅仅是连接模型和物模型的管理，所有的资产及其拓扑结构都要被模型化管理，即建立泛在连接环境的数字孪生体，而且建立了时间拉链的概念，所有的变更记录都可以被追踪和被管理，所有的变更都能够自适应地完成连接适配，比如某个网关发生更换，连接模型将重新绑定其对应的连接对象，连接指令（包括协议和驱动）能够自动下发至网关，物模型和连接模型能够自动重新关联，物模型的数据按时间点正确合并了旧的连接模型和新的连接模型。

在数据链路上，工业互联网客观存在多级数据处理问题，在端、边、云侧可能部署着多套数据抽取-转换-加载（Extract-Transform-Load，ETL）工具，造成问题数据排查分析极为困难和消耗人力。首先，避免的是多套异构数据ETL工具的部署，要使用工业互联网平台统一的ETL工具做按需部署，即使用同一套ETL工具做多级部署。其次，需要建立监控与诊断系统（Monitor and Diagnosis System，MDS），监控计算资源和计算服务的异常状态，并在端、边、云侧差异化的采取四种容错机制：Fail-Over、Fail-Fast、Fail-Back、Fail-Safe，比如在边缘侧为了应对网络风暴问题会较多地使用Fail-Back机制，较少地使用Fail-Over机制。

4.2 从数据采集到指标呈现的一体化计算技术

数字孪生对于实时数据计算的能力要求很高，工业互联网平台本质上就是面向物联网数据的大数据平台，有别于其他大数据平台，工业互联网平台的数据计算主要有两大类需求。第一类需求是纯粹的工况数据聚合，对于简单数据累计聚合，通过Historian API实现；对于短时间内的Tubling/Sliding Window聚合，通过Flink的Window机制，将聚合结果输出到指定的数据源。第二类需求是面向业务对象的工况数据聚合，在计算模型数据时，首先要将工况数据和业务对象进行Join，然后进行模型计算，计算结果输出到对应的数据集存储，并提供API访问接口。

从上述这两类需求可以分析得出工业互联网平台的大数据计算引擎重点要突破三大技术难点：第一是基于滑动时间窗口的计算性能优化，即算法优化；第二是流批一体的计算任务的编排，按需配置流式计算，提升计算资源的使用效率；第三是异常数据的处理，如后序数据先到、断点续传等物联网特有的情况，如果处理不当则会导致滑动时间窗口的水平线产生错误，这往往需要计算引擎配合ECA共同解决。

大数据技术经过了十多年的发展后，市面上的大数据计算引擎已经比较成熟，但是市面上此类组件的最大问题是计算实时性依然不足，很多都是偏IT的应用组件，没有从根本上解决上面提到的三大技术难点。

为了快速开发数字孪生应用，除了要有大数据计算引擎，市面上还出现了两类与之配套的技术组件：第一是AI数据分析工具，能够寻找边界条件、过程参数和最终指标直接的机理关系，从根本上优化指标，目前市面上的开源工具和商业化工具繁多，工艺优化、设备效能提升等方面的工程应用也在大量出现；第二是高度配置的可视化工具，基于WebGL技术使用漫游图、爆炸图等丰富的三维手段（如图3所示）对指标做个性化呈现，图扑、优锘、捷码等公司都提供了针对可视化的零代码或低代码开发平台，部分公司还提供面向物联网数据驱动的可视化技术，显示出较强的竞争力。对于上述两种技术组件，我们需要看到的是，虽然AI确实能够帮助优化指标，但是还是要鼓励发挥人的主观能动性，在很多场景中使用可视化工具帮助人做对比对照，就能很大程度上规避错误和改进生产，同样也能起到优化指标的作用。

图3 基于WebGL的三维可视化技术

5 工程验证和结束语

金航数码SuperLink平台基于云、边、端协同架构开发，是具有自主知识产权的工业互联网平台，在某工程机械龙头企业完成了边侧和端侧的部署和应用验证，在灯塔工厂改造过程中，保证持续、稳定和准确的连接，验证工业网关和连接生命周期管理的能力，支撑灯塔工厂数字孪生的运行；在某航空发动机龙头企业成功实施了面向工艺过程优化的数字孪生应用，验证大数据计算引擎和基于AI的工艺参数优化工具，有效提升了设备健康管理水平、提升产品质量和降低设备能耗水平。

数字孪生在制造业的应用越来越深入，工业互联网平台对数字孪生的赋能作用也在不断加强，工业互联网平台架构的方法和关键技术的研究势必会引起学术界和工程界科研工作者越来越多的关注。