数码小王|根叔新作！浅说数字孪生( 四 ) 炙手可热的数字孪生诚然已成为智能制造

（1）实体的观测数据。如来自资产的传感器、日志或仪表数据，或从其他主要输入计算出的虚拟传感器等数据；从其他来源收到的数据，如卡车上所载货物的信息、设备所有者的姓名、设备序列号和历史维护记录等。
（2）衍生数据。由数字孪生内的逻辑衍生之数据，如有关事物环境（例如环境温度、当地天气条件）或与事物间接相关的对象（例如所有者的姓名和地址以及所有者身份之外的其他细节）的数据。这些数据不属于数字孪生本身，但属于数字孪生中的逻辑，或者使用孪生的应用程序中的逻辑，必要时可能需要访问这些数据。
（3）操作数据。操作数字孪生系统内的输入数据或存储在数字孪生系统外的数据。例如，数字孪生可以通过对卡车观察到的燃油水平、油箱尺寸和平均速度，应用公式来计算并存储卡车耗尽燃油前的剩余时间。此剩余时间是操作后获得的数据。
（4）调用外部数据。基于数字孪生在外部（物理上）实现的逻辑。孪生逻辑可以向外部决策服务调用API ，例如计算卡车预期到达时间的地理空间映射服务。这可以使用卡车当前位置和计划路线（下一个目的地的标识）上的数字孪生数据，并获取不在孪生中的外部信息（地图和其他系统中保存的实时交通信息）。
从上面的介绍可见，需要把数字孪生技术与实体及其过程充分融合，以达到优化的目的。
数字孪生的支撑技术
从前述的例子可以看出，某种意义上数字孪生是一种技术理念，其实现需要多种基础技术，如传感、物联网、大数据、CAD/CAE、仿真、VR/AR/MR/XR（虚拟现实/增强现实/混合现实/泛现实）、AI等，此处不专门介绍。
促成数字孪生技术应用所需基础要素的部署一直在加速[4]：
（1）仿真。构建数字孪生技术所需工具的能力和成熟度都在不断提高。现在，人们可以设计复杂的假设仿真情景，从探测到的真实情况回溯，执行数百万次的仿真流程也不会使系统过载。而且，随着供应商数量的增加，选择范围也在持续扩大。同时，机器学习功能正在增强洞察的深度和使用性。
（2）新的数据源。实时资产监控技术如激光探测及测距系统（lightdetectionandranging ， LIDAR）与菲利尔（FLIR）前视红外热像仪产生的数据，现在已经可以整合到数字孪生体内。同样地，嵌入机器内部的或部署在整个供应链的物联网传感器，可以将运营数据直接输入到仿真系统中，实现不间断的实时监控。
（3）互操作性。过去10年里，将数字技术与现实世界相结合的能力已经得到显著提高。这一改善主要得益于物联网传感器、操作技术之间工业通讯标准的加强，以及供应商为集成多种平台集成做的努力。
（4）可视化。创建数字孪生体所需的庞大数据量可能会使分析变得复杂，如何获得有意义的洞察就变得更具挑战性。先进的数据可视化可以通过实时过滤和提取信息来应对该挑战。最新的数据可视化工具除了拥有基础看板和标准可视化功能之外，还包括交互式3D、基于VR和AR的可视化、支持AI的可视化以及实时媒体流。
（5）仪器。无论是嵌入式的还是外置的物联网传感器都变得越来越小，并且精确度更高、成本更低、性能更强大。随着网络技术和网络安全的提高，可以利用传统控制系统获得关于真实世界更细粒度、更及时、更准确的信息，以便与虚拟模型集成。
（6）平台。增加功能强大且价格低廉的计算能力、网络和存储的可用性和访问是数字孪生技术的关键促成要素。一些软件公司在基于云平台、物联网和分析技术领域进行了大量投资，紧跟数字孪生潮流。其中部分投资正在用于简化行业特定数字孪生应用的开发工作。
需要注意的是，在不同场景下的数字孪生体所用到的技术是不一样的。
似，是，与不是