《COMPUTERS IN INDUSTRY》：A review of digital twins in smart industries: Concepts, milestones, trends, applications, opportunities and challenges
编辑推荐：
本文系统回顾了数字孪生（DT）在智能工业中的发展，阐述了其核心概念、关键里程碑及当前趋势。文章重点分析了《Computers in Industry》期刊的相关文献，将DT应用归纳为制造、建筑、交通及技术范式四大领域，并探讨了生命周期管理、跨学科集成、人机协作等前沿机遇，同时从理论与实务层面指出了数据集成、标准化及安全性等挑战，为学术界与工业界提供了前瞻性指引。
数字孪生的概念与核心组成
数字孪生（Digital Twin, DT）被定义为物理实体或系统的高度精确、实时更新的虚拟副本，能够反映其状态与行为。一个典型的DT系统包含三个核心部分：物理空间、虚拟空间以及连接二者的双向通信通道。物理空间通过传感器和物联网（IoT）设备收集实时数据；虚拟空间则利用高精度数学模型模拟实体在不同条件下的行为与性能；通信通道确保数据在物理实体与其虚拟对应物之间无缝流动。值得注意的是，DT与“数字模型”和“数字阴影”存在区别：数字模型缺乏物理与虚拟实体间的自动化信息流；数字阴影实现了从物理到虚拟的单向自动化信息流；而DT则实现了双向的自动化信息交换。
发展历程与关键里程碑
DT的概念最早可追溯至2002年Michael Grieves在产品生命周期管理（PLM）中的提出，但“数字孪生”这一术语直至2010年才由John Vickers正式命名。其发展历程中的重要里程碑包括：2011年美国空军研究实验室将其用于战斗机维护；2014年首份DT白皮书发布；2015年通用电气（GE）将其应用于航空发动机的实时监控与预测性维护；2016年西门子推出基于DT的MindSphere系统；2017至2019年间，Gartner连续将其列为十大新兴技术之一；2023年发布了ISO/IEC 30173国际标准。近年来，DT研究论文数量呈爆发式增长，显示出其在学术界和工业界的广泛关注。
数字孪生在制造业的应用深度剖析
制造业是DT技术应用最深入的领域。相关研究可归纳为五大方向：
- 1.
零缺陷制造与质量管理：通过本体驱动的方法整合DT，实现实时质量监控与缺陷预防。例如，Snitch Digital Twin（SDT）框架通过建模工业系统中行为间的相互关系，有效降低了异常检测的误报率。
- 2.
工艺优化与自动化：DT被用于微注塑成型等精密制造过程的实时监控与参数优化，以及基于Petri网的双臂机器人协调控制，显著提升了生产效率和灵活性。
- 3.
预测性维护与健康管理：利用梯度融合DT、迁移学习与图卷积网络等技术，实现对轴承、离心泵等关键部件的故障诊断，尤其在数据稀缺场景下表现出色。
- 4.
与先进技术的集成：DT与人工智能（AI）、区块链、大数据等技术融合，增强了系统的自主决策能力、数据安全性与可追溯性。例如，基于区块链的框架为零缺陷制造中的质量数据共享提供了可信环境。
- 5.
体系架构与自适应系统：研究聚焦于实时自适应架构、模块化DT设计以及基于微服务的灵活系统，以应对动态生产环境的需求。增强现实（AR）技术也被用于软机器人变形的直观可视化交互。
向建筑与交通领域的拓展
在建筑领域，DT技术通过结合建筑信息模型（BIM）、增强现实（AR）和虚拟现实（VR），应用于桥梁健康监测、隧道施工安全预警、模块化集成建筑的现场装配优化以及人机协作工作流。区块链技术的引入有助于解决建筑项目各参与方之间的信息碎片化问题。
在交通领域，尽管相关研究数量相对较少，但已展现出潜力。例如，基于边缘智能的系统用于铁路接触网故障诊断；结合机器人视觉与多传感器融合技术进行铁路轨道三维重建；以及利用认知数字孪生（CDT）框架优化城市最后一英里配送中的货运停车管理。
前沿技术范式与系统架构
在技术与范式层面，研究主要集中在三个方面：
- 1.
框架、架构与互操作性：致力于通过标准化框架（如Asset Administration Shell, AAS）、开源平台（如OpenTwins）和多宇宙范式（DT Multiverse）来解决DT系统的互操作性、模块化和语义一致性问题，以支持大规模复杂系统的集成。
- 2.
智能与自主性：通过集成机器学习、模糊逻辑、信念-愿望-意图（BDI）智能体以及认知孪生（Cognitive Twins）等人工智能技术，提升DT的上下文感知、自主决策和自适应能力。扩展现实（XR）与离散事件仿真（DES）的结合为DT提供了更沉浸式的仿真环境。
- 3.
安全、维护与生命周期优化：研究涉及基于人工智能和区块链的DT网络安全解决方案、预测性维护策略的分类框架，以及确保DT系统长期可持续管理的实践指南。
未来机遇与面临的挑战
DT技术的发展面临几大核心机遇：生命周期管理的延伸，将DT的应用从设计、制造阶段扩展到运营乃至报废回收的全生命周期；跨学科集成，通过融合AI、区块链、IoT、6G通信、3D技术等，不断提升DT的性能与功能；人机协作，在工业5.0背景下，将人类行为与决策模型融入DT，实现更高效、安全的人机协同作业；以及驱动智能工业迈向更自主、自适应和高效的未来。
然而，挑战同样不容忽视：包括高质量实时数据的采集与同步、复杂的系统集成、标准与法规的缺失、数据安全与隐私保护、跨学科协作的沟通效率、实现精准的双向实时交互，以及如何向利益相关者清晰传达DT的输出与预测结果。
管理实践启示
从管理视角出发，推动DT成功应用的关键在于：建立开放标准与平台以促进集成；增强数据访问的兼容性与安全性；拓展DT的运营功能和应用行业；制定支持性政策框架；并大力培养跨领域的专业人才。这些措施将为DT技术的规模化、可持续发展奠定坚实基础。
