数码小王|根叔新作！浅说数字孪生( 六 ) 炙手可热的数字孪生诚然已成为智能制造

一个物理实体不是仅对应一个数字孪生体，可能需要多个从不同侧面或视角描述的数字孪生体。人们很容易认为一个物理实体对应一个数字孪生体。如果只是几何的，这种说法尚能成立。恰恰因为人们需要认识实体所处的不同阶段、不同环境中的不同物理过程，一个数字孪生体显然难以描述之。如一台机床在加工时的振动变形情况、热变形情况、刀具与工件相互作用的情况……这些情况自然需要不同的数字孪生体进行描述。
不同的建模者从某一个特定视角描述一个物理实体的数字孪生模型似乎应该是一样的，但实际上可能有很大差异。前述一个物理实体可能对应多个数字孪生体，但从某个特定视角的数字孪生体似乎应该是唯一的，实则不然。差异不仅是模型的表达形式，更重要的是孪生数据的粒度。
如在所谓的智能机床中，通常人们通过传感器实时获得加工尺寸、切削力、振动、关键部位的温度等方面的数据，以此反映加工质量和机床运行状态。华中数控的做法显然更进一步，他们获取的数据有：[15]
●运动轴状态：电流、位置、速度等；
●主轴状态：功率、扭矩、速度等；
●机床运行状态数据：PLC、I/O、报警和故障信息等；
●机床操作状态数据：开机、关机、断电、急停等；
●程序数据：程序名称、工件名称、刀具、加工时间、程序执行时间、程序行号等。
显然，这里收集的数据细目多，粒度细。不同的建模者对数据的取舍肯定不一样。一般而言，细粒度数据有利于人们更深刻地认识物理实体及其运行过程。
数字孪生的关键不仅在于孪生数据的粒度，更在于孪生数据的特别关联。如华中数控认识到，数控机床工作状态大数据与加工G代码指令密切相关，与零件加工质量、精度和加工效率之间也存在关联关系。基于大数据分析和深度学习技术，将从G代码中提取的切削参数、刀具信息和对应的车床加工过程指令域功率数据作为神经网络的输入和输出，建立数控车床工艺系统的神经网络模型。请注意，这里不只是满足于收集的数据更多更细，而且要把这些数据融合起来解决问题。这里融合是关键，意指数据的关联。数据之间缺乏关联，再多再细亦枉然。
其实，数字孪生应用的程度体现企业数字化的深度。
企业数字化的深度
主要体现在数字孪生技术对企业活动刻画的程度，也就是孪生数据的粒度及其关联程度。
数字孪生尚无固定的技术体系、模式和方法。到目前为止，数字孪生体的构造方式五花八门。反映物理实体的各种数字模型似乎均可视为数字孪生模型。尽管如此，未来关于数字孪生建模的规律与方法还需众多的实践者去完善和丰富。
数字孪生体不能只是物理实体的镜像，而是与物理实体共生。有一些学者或专家或许认为数字孪生只是物理实体在数字空间的镜像。此说只能算部分正确。在产品设计开发阶段，设计者在数字空间中进行设计时，还没有对应的物理实体，但此时的数字模型依然可视为一种数字孪生模型。最终确认的数字模型可“生”出物理实体。可以认为，这时的数字孪生体是物理实体在“孕育”阶段的“胚胎” 。在物理实体（产品）系统（包括特定的环境）的运行过程中，各种过程数据又不断地丰富数字孪生模型。在产品运行过程中，孪生模型对获得的数据进行分析或仿真而获得的衍生数据反过来又能够优化控制产品的运行。所以“共生”发生在产品的全生命周期。此外， “镜像”说容易使人误解成数字孪生体只是物理实体外观或几何在数字空间中的映射。
数字孪生不能只是物理实体的数字表达，它应该是“物理生命体”的数字化描述。大多数关于数字孪生的定义都指向物理实体的数字化表达，如GEDigital认为数字孪生是资产和流程的软件表示， SAP认为数字孪生是物理对象或系统的虚拟表示， Gartner在十大新兴技术专题中对数字孪生的解释是：数字孪生是现实世界实物或系统的数字化表达。 [2]本文试图给出数字孪生体的极简定义。