数字孪生概念的灵魂

郭朝晖
数字孪生不同于传统的模型:模型是为特定目的而建立的、或者说为了解决特定问题而建立的。原则上讲,模型不需要多余的数据,只要实现目标,越简单越好。而数字孪生要解决的问题,往往在人的预料之外,需要解决的问题是未知的、需要的数据也是未知的。所以,数字孪生要尽量收集数据,且便于收集数据。

在各种展览会上,许多科研院所和企业都在展示自己的“数字孪生”技术。常见的展示方法是:一台物理设备在运行。旁边的计算机三维动画展示着一模一样的动作。在笔者看来,把数字孪生做成动画,实在太肤浅了。这种没有灵魂的数字孪生无异于行尸走肉。

为了避免肤浅,我们可以看数字孪生的定义。工信部标准化院发布的2020版《数字孪生应用白皮书》中的定义是:数字孪生是以数字化方式创建物理实体的虚拟实体,借助历史数据、实时数据、以及算法模型等,模拟、验证、预测、控制物理实体全生命周期过程的技术手段。

这样的定义全面、准确,但读者容易“见树木不见森林”:概念定义中的每一句话都容易理解,加在一起就糊涂了,也不容易抓住概念的灵魂。笔者认为:要抓住概念的灵魂,要从数字孪生本质的用途入手。理解用途之后,就能把技术要点串起来、把价值串起来、把场景找出来。笔者认为:

数字孪生的用途是应对人们预料之外、想不清楚的突发事件。

这个要点理解以后,就可以看数字孪生的主要应用场景:安装、调试、维护、优化、运行期间的异常处置等。换句话说,这些场景都可能遇到意外的事件。这时,人们想不清楚这些事件为什么发生,或者想不清楚如何处理。

发生这种事件的时候,首先需要捕捉到这些事件。所以,数字孪生必须有实时数据,用实时数据去发现问题。但捕捉到意外的问题以后,人们并不清楚发生问题的原因。所以,需要全生命周期的数据、帮助我们追溯问题发生的原因。所以,需要有历史数据。找到原因之后,还需要找到目前解决问题的办法。这时,可以用模型和仿真的手段去评估各种可能的做法,去模拟、验证、预测。也可能会从历史数据中找到答案。选出合适的方案后会加以实施,所以需要有控制功能。

于是,数字孪生的各个技术要点就串起来了。

数字孪生不同于传统的模型:模型是为特定目的而建立的、或者说为了解决特定问题而建立的。原则上讲,模型不需要多余的数据,只要实现目标,越简单越好。而数字孪生要解决的问题,往往在人的预料之外,需要解决的问题是未知的、需要的数据也是未知的。所以,数字孪生要尽量收集数据,且便于收集数据。

数字孪生不同于传统的仿真。传统的仿真主要是用于研发、设计阶段,往往是离线做的仿真。那时,物理对象还没有建立起来,对象的实时数据自然也没有。

数字孪生不同与CPS。CPS的概念其实来自于控制论、最早用于嵌入式系统。在CPS中,发生了什么事如何处理,是固化在算法中的。如果遇到算法解决不了的问题,可以由人出面解决。所以,CPS一般不考虑“人想不明白”的事情。CPS需要实时数据,但对历史数据的要求不多。

数字孪生不同于PLM,因为PLM主要关注正常的业务协同;重点是防止在协同中出错、延迟,而不是协同中出现问题后如何发现问题。

在笔者看来,数字孪生的主要价值在于支持全生命周期的持续优化和异常处置。一个产品开发出来,在安装、调试、运行、维护、优化过程中,总会遇到各种各样的意外问题。有时候,问题是设计环节导致的,有时候是制造、安装环节导致的;有时候是使用维护环节导致的。如果全生命周期的数据集成在一起,就容易发现问题的原因、容易找到解决问题的方法并且容易把问题反馈到前面的环节,避免下次犯同样的错误。

其中,当生命周期的数据集中在一起时,在调试、使用、维护等每个阶段都容易通过仿真手段发现问题、调试优化方案、并将优化方案转化成软件执行的方式,而不仅仅是限于前期的设计研发阶段。

再如,数字孪生还可以用于生产过程的优化。这种优化,往往跨越空间、跨越部门、跨越人机,常常属于管控融合的范畴。管理问题和知识的特点之一往往是碎片化的,往往是在长期的生产过程中才遇到的。人们要解决这些问题时,或者把相关知识数字化时,事先很难想清楚需要准备什么样的数据。而数字孪生则把能够准备的数据都准备好了,从而降低持续改进的工作量、尤其是数据整理工作的工作量。所以,数字孪生的一个重要作用,仍然是支持持续优化。日本的IVRA模型,高度强调PDCA持续改进对智能化的作用。

数字化时代的一个重要作用,是提升企业的研发能力和持续改进能力。我国企业的高端研发工作少、质量意识薄弱,对持续改进的意义就不理解。所以,很多人不理解数字孪生的作用和价值。

这就好比,在牛拉车的时代,很难想象交通灯的重要性。

THEEND

最新评论(评论仅代表用户观点)

更多
暂无评论