1.2　数字孪生的特征

数字孪生的概念仍在不断发展，国内外有很多文献分析总结了数字孪生的内涵和特征，但是不同应用场景下的数字孪生系统以及数字孪生系统所在生命周期中的不同阶段都呈现出不同的特征，因此，很难通过一个标准的特征来说某个应用系统“是”或者“不是”数字孪生系统。总体来说，和传统的建模仿真、实时监控、组态软件等相比，数字孪生系统有以下特征。

1．模型支撑

数字孪生作为仿真应用的发展和升级，与传统的仿真方式有着巨大的区别。数字孪生的模型贯穿物理系统的整个生命周期。以产品数字孪生为例，针对新产品的设计，传统的产品仿真主要涉及产品本身的建模与仿真工作，不包括其工艺优化、制造过程规划、服务运维、回收处置等阶段的模型与仿真；而数字孪生不仅具备传统产品仿真的特点，从概念模型和设计阶段着手，先于现实世界的物理实体构建数字模型，而且数字模型与物理实体共生，贯穿实体对象的整个生命周期，建立数字化、单一来源的全生命周期档案，实现产品全过程追溯，完成物理实体的细致、精准、忠实的表达。因此，数字孪生模型的构建需要考虑产品全生命周期的数据和行为表述。

现实产品往往包括机械、电子、电气、液压气动等多个物理系统，一个智能系统往往是数学、物理、化学、电子电气、计算机、机械、控制理论、管理学等多学科、多领域的知识集成的系统。多个物理系统融合，多学科、多领域融合是现实系统的运行特点。物理系统在数字空间的数字模型需要体现这个融合，实现数字融合模型。这个融合包括了全要素、全业务、多维度、多尺度、多领域、多学科，并且能支持全生命周期的运行仿真。不同的智能系统关注的重点领域不一，多学科耦合程度存在差异，因而其数字模型需要根据不同的应用场景对其组成部分进行融合，以全方位地刻画物理实体。

数字孪生体和物理实体应该是“形神兼似”。“形似”就是几何形状、三维模型上要一致，“神似”就是运行机理上要一致。数字孪生体的模型不但包括了三维几何模型，还包括了前述的多领域、多学科物理、管理模型。可以根据构建的数字化模型中的几何、物理、行为、规则等划分为多维度空间，还可视为三维空间维、时间维、成本维、质量维、生命周期管理维等多维度交叉作用的融合结果，并形成对应的空间属性、时间属性、成本属性、质量属性、生命周期管理属性；数字孪生模型的构建应按层级逐级展开，形成单元级、区域级、系统级、跨系统级等多尺度层级，各层级逐渐扩大，完成不同的系统功能。

以产品数字孪生应用为例，数字化建模不仅仅是对产品几何结构和外形的三维建模，还包括对产品内部各零部件的运动约束、接触形式、电气系统、软件与控制算法等信息进行全数字化的建模，这种数字化建模技术是构建产品数字孪生模型的基础技术。一般来说，多维度、多物理量、高拟实性的虚拟模型应该包含几何、物理、行为和规则模型四部分：几何模型包括尺寸、形状、装配关系等；物理模型综合考虑力学、热学、材料等要素；行为模型则根据环境等外界输入及系统不确定因素做出精准响应；规则模型依赖于系统的运行规律，实现系统的评估和优化功能。

数据驱动的建模方法有助于处理那些仅仅利用机理／传统数学模型无法处理的复杂系统，通过保证几何、物理、行为、规则模型与刻画的实体对象保持高度的一致性来让所建立模型尽可能逼近实体。数字孪生技术解决问题的出发点在于建立高保真度的虚拟模型，在虚拟模型中完成仿真、分析、优化、控制，并以此虚拟模型完成物理实体的智能调控与精准执行，即系统构建于模型之上，模型是数字孪生体的主体组成。

2．数据驱动

数据是数字孪生的基础要素，其来源包括两部分：一部分是物理实体对象及其环境采集而得；另外一部分是各类模型仿真后产生。多种类、全方位、海量动态数据推动实体／虚拟模型的更新、优化与发展。高度集成与融合的数据不仅能反映物理实体与虚拟模型的实际运行情况，还能影响和驱动数字孪生系统的运转。

物理系统的智能感知与全面互联互通是物理实体数据的重要来源，是实现模型、数据、服务等融合的前提。感知与互联主要是指通过传感器技术、物联网、工业互联网等将系统中的人、机、物、环境等全要素异构信息，以数字化描述的形式接入信息系统，实现各要素在数字空间的实时呈现，驱动数字模型的运作。

数据的组织以模型为核心。信息模型是对物理实体的一个抽象，而多学科、多领域的仿真模型又需要不同的数据驱动，并且也会产生不同的数据。这些数据通过信息模型、物理模型、管理模型等不同领域模型进行组织，并且通过基于模型的单一数据源管理来实现统一存储与分发，保证数据的有效性和正确性。

3．实时映射

物理系统和数字模型通过实时连接进行动态交互，实现双向映射。物理系统的变化能及时反映到数字模型中，数字模型所计算、仿真的结果也能及时发送给物理系统，控制物理实体的执行过程，这样就形成了数字孪生系统的虚实融合。孪生数据链接成一个统一的整体后，系统各项业务也得到了有效集成与管控，各业务不再以孤立形式展现，业务数据共享，业务功能趋于完善。虚实映射如图1-4所示。

4．适合应用场景的实时连接

“实时连接”在不同的应用场景下，其物理含义是不同的。对于控制类应用（设备的在线监控），实时可能小于1s，达到毫秒级；对于生产系统级应用，实时小于10s甚至1min都是允许的；对于城市等大系统，部分数据可以以分钟甚至小时为单位进行更新，也算满足“实时连接”的定义。

如今的智能产品和智能系统呈现出复杂度日益提高、不确定因素众多、功能趋于多样化、针对不同行业的需求差异较大等趋势，而数字孪生为复杂系统的感知、建模、描述、仿真、分析、诊断、预测、调控等提供了可行的解决方案，数字孪生系统必须能不断地迭代优化，即适应内外部的快速变化并做出有针对性的调整，能根据行业、服务需求、场景、性能指标等不同要求完成系统的拓展、裁剪、重构与多层次调整。这个优化首先在数字空间发生，同时也同步在物理系统中发生。

5．智能决策

数字孪生将真实运行物体的实际情况结合数字模型在软件界面中进行直观呈现，这个是数字孪生的监控功能。数字孪生的监控一般构建于三维可视化模型之上，各类数据按模型的空间、运行流程、管理层级等不同维度进行展示，能让用户直观感受系统的运行状态，便于做出决策。展示的数据不但包括采集得到的实时数据，也包括基于这些数据结合相关模型进行分析之后得到的数据挖掘结果，可以进一步提取数据背后富有价值的信息。分析结果也叠加到展示模型中，可以更好地展示实体对象的内部状态，为预测和优化提供基础。

数字孪生系统具备模拟、监控、诊断、推演预测与分析、自主决策、自主管控与执行等智能化功能。信息空间建立的数字模型本身即是对物理实体的模拟和仿真，用于全方位、全要素、深层次地呈现实体的状态，完成软件层面的可视化监控过程。而数字孪生不局限于以上基础功能的实现，还能充分利用全周期、全领域仿真技术对物理世界进行动态的预测，预测是数字孪生的核心价值所在。动态预测的基础正是系统中全面互联互通的数据流、信息流以及所建立的高拟实性数字化模型。动态预测的方式大体可以分为两类：

（1）根据物理学规律和明确的机理计算、分析实体的未来状态。

（2）依赖系统大数据分析、机器学习等方法所挖掘的模型和规律预测未来。

第二类更适合于现如今功能愈加多样化、充满不确定性、难以用传统数学模型准确勾画的复杂控制系统。在虚拟空间完成推演预测后，根据预测结果、特定的应用场景和不同的功能要求，采用合理的优化算法实时分析被控对象行为，完成自主决策优化和管理，并控制实体对象精准执行。

数字孪生可以看作一种技术、方法、过程、思路、框架和途径，本质上是以服务为导向，对特定领域中的系统进行优化，满足系统某一方面的功能要求，如成本、效率、故障预测与监控、可靠运维等。而服务展开来说，可分为面向不同领域、用户／人员（专业技术人员、决策人员、终端执行人员等）、业务需求、场景的业务性服务和针对智能系统物理实体、虚拟模型、孪生数据、各组成部分之间的连接相关的功能性服务等。