认知数字孪生：一项最新技术综述

《Journal of Industrial Information Integration》：Cognitive digital twins: A state-of-the-art review

　　•基于PRISMA的认知数字孪生（CDTs）系统评价研究。
•将CDTs算法映射到主要AI家族中的六个认知功能。
•使用五个数字孪生维度组织CDTs工具和技术。
•综合CDTs框架、认知覆盖范围及报告的验证成熟度。
•识别出反复出现的实施瓶颈：验证、互操作性和学习能力。

**引言**
2003年，密歇根大学的Michael Grieves教授在产品生命周期管理的背景下正式提出了“数字孪生”（DT）这一术语，标志着该技术发展中的一个重要里程碑[1]。此后，由于信息技术的进步，DT经历了重大变革。这一演变过程进一步受到物联网（IoT）的兴起、人工智能（AI）的进展以及 sophisticated 数据分析技术的推动[2]。DT从最初的航空航天应用领域发展成为工业4.0革命的核心支柱，在智慧城市、医疗保健、农业、航运、制造和能源等领域得到广泛应用[3][4][5]。

过去十年中，DT的定义发生了显著变化，并持续适应特定的应用和目标。广义上讲，DT是一个对象的动态数字复制品，当其在资产整个生命周期中得到应用时，其价值会得到提升[6]。其中一个最具影响力的定义源自航空航天研究，通常归功于NASA，并由Tao等人进行了总结[7]。该定义将DT描述为一种多物理场、多尺度、概率性的超高保真模拟，通过整合物理模型、历史数据和实时传感器输入来表征其实体对应物的当前状态。凭借模拟和优化复杂系统的能力，DT已成为现代工业转型的关键要素[8]。在制造业中，DT通过将先进的信息技术融入车间流程，支持智能化、自组织的生产系统，凸显了其在适应性和智能化生产中的核心作用[9]。

传统的DT在监测和模拟方面表现出色，但在自主性、跨场景的通用性以及持续适应能力方面存在局限。这些问题正是认知数字孪生（CDTs）所要解决的[10][11][12][13]。CDT是一种整合了认知功能（如感知、注意力、记忆、推理、问题解决和学习）的DT，能够在资产整个生命周期内实现自适应的、目标导向的决策。这些决策由语义关联的模型和自主活动支撑[14][15][16]。例如，制造领域的CDTs能够在中断期间调整生产流程，而建筑领域的CDTs能够预测居住者的舒适度和能源需求[17][18]。因此，CDT代表了通过集成机器学习（ML）等AI技术而实现的DT技术的重大进步。最近的研究探讨了在特定CDT相关应用中使用基于Transformer的语言模型。这些模型通常基于Transformer架构构建，利用注意力机制捕捉序列数据中的上下文关系，并支持对文本信息的上下文敏感处理。在CDT的背景下，这类模型可以承担多种功能角色，包括：（i）对非结构化文本输入的语义解析；（ii）人类操作者与DT之间的自然语言交互；（iii）将文本信息整合到系统级别的上下文和决策过程中。这些能力扩展了可纳入CDT认知的信息范围，促进了人工参与下的决策制定。

例如，在认知情感DT应用中，基于Transformer的模型（如双向编码器表示 Transformer（BERT）和生成预训练Transformer（GPT）用于解析文本刺激并生成响应。在这种框架下，刺激通过认知和情感组件进行处理，最终产生一条消息或一个行动[19]。还开发了用于支持系统数据高级认知处理的CDT框架。例如，Li等人[20]提出了一个多层认知框架，用于车间CDT，从对象感知逐步发展到情境感知，最终实现影响预测，从而实现生产状态的解析并支持运营决策。其他最新研究表明，大型语言模型（LLMs）可以集成到CDT架构中，以支持适应性系统建模、知识图谱构建和动态系统管理的假设分析[21]。在工业5.0范式下，CDT通过将DT能力从预测扩展到协作决策，促进了人机协作、韧性和可持续性，从而与适应性和以人为中心的创新等更广泛的社会目标相一致[17][22][23][24]。

以往关于CDT的综述在范围、评价方法和分析焦点上与本研究有所不同。Zheng等人[15]提出了CDT架构的概念性愿景、使能技术、挑战及未来机遇，而非全面分析认知功能的具体实现方式。Enrique和Soares[25]研究了智能产品服务系统中的CDTs，重点关注服务导向性和商业模式的影响。D’Amico等人[6]回顾了维护领域的CDTs，侧重于该应用场景下的语义和本体方法。Ali等人[26]进行了更广泛的认知系统和企业互操作性系统评价，包括CDTs、知识表示和认知互操作性；然而，他们没有系统地将算法和实现技术映射到特定于CDT的数据库中。Oditallah等人[27]评估了用于路面资产管理的CDT概念、传感、建模、平台和决策支持技术。他们的研究具有领域针对性，没有在统一的分析结构中系统地整合算法到功能的映射、跨行业实施比较以及框架验证证据。表1总结了这些差异，并将本研究置于先前文献的背景下。

总之，现有文献存在三个主要空白：首先，认知功能通常被孤立处理（例如仅关注感知流程或不涉及学习的符号推理）[28][29][30]；其次，工具讨论通常不包含一致的DT维度，导致集成和互操作性问题[17][18][31][32]；最后，现有框架大多局限于单一行业背景，缺乏跨不同行业的系统实施分析[33][34][35][36]。本研究通过系统分析CDTs的认知功能，并将其映射到实现这些功能的特定算法、软件和工具来填补这些空白。根据Qi等人[4]和Tao等人[37]的观点，CDT的使能工具和技术可以归类为五个DT维度：（i）物理维度、（ii）数据维度、（iii）服务维度、（iv）模型维度以及（v）连接维度。本研究基于这些维度进行组织，并通过提供详细的技术映射，将认知功能与相应的算法、工具和技术联系起来，从而说明这些功能如何在CDT系统中实现。此外，我们综合了所评数据库中各应用领域的CDT证据。由于基于共同的分析维度，这种描述性综合可用于考察认知功能的覆盖范围、使能算法和技术、架构特征、实施限制以及报告的验证阶段，从而识别出可用证据中的重复性和行业特定模式。我们按照《系统评价和元分析首选报告项目》（PRISMA 2020）的标准进行了系统评价（SLR），将CDT算法、工具和框架映射到六个认知功能上。

为了指导我们的研究，我们提出了以下问题：
RQ1：哪些技术支持CDTs中的六个认知功能？
RQ2：这些技术在不同行业和应用领域是如何实现的？
RQ3：不同行业中出现了哪些反复出现的实施模式？主要认知功能方面的差距在哪里？

本研究对文献做出了三项主要贡献。首先（针对RQ1），它系统地将CDT实现中报告的认知功能映射到相应的计算方法，这些方法被归类为五个分析类别：监督学习、无监督学习、强化学习、优化和知识表示。方法论贡献在于将这种映射与实施深度评估、DT维度分类、跨行业综合以及报告的框架验证阶段整合在一个共同的CDT特定分析框架中。其次（针对RQ2），它使用五维DT模型（物理维度、数据维度、服务维度、模型维度、连接维度）对CDT工具和技术进行分类，突出了它们的认知覆盖范围和互操作性。第三（同时针对RQ2和RQ3），它考察了所代表行业中的CDT框架，识别出反复出现的模式、限制以及覆盖范围上的差距。

通过结构化内容分析和透明的可重复审查流程，这项SLR整合了分散的CDT证据，整合了通常分别研究的分析维度，并识别出研究和实施中的空白[38][39]。对于研究人员而言，这一分析框架为比较CDT研究和确定未来工作重点提供了统一的基础。对于实践者来说，它提供了将认知需求与使能计算方法、实施技术、DT维度以及报告的验证证据相关联的参考。

本文的其余部分结构如下：方法论部分概述了SLR流程；结果部分展示了文献计量学发现以及CDT认知功能、算法和工具在各行业中的映射情况；讨论部分探讨了跨行业挑战和使能技术；随后分析了研究空白和未来研究方向；最后，结论部分总结了研究贡献和意义。

**方法论**
本SLR遵循PRISMA 2020的标准进行报告，使用了其检查表和流程图[38]。

**结果**
本节报告了算法、工具和框架在认知功能方面的文献计量学趋势和定性映射结果。

**讨论**
在本节中，我们解读了评价结果，围绕三个研究问题及其对CDT理论和实践的更广泛影响进行了分析。证据表明，CDTs中的认知功能可以通过不同的算法家族和DT维度实现。感知功能主要通过应用于传感器流量的监督式深度学习得到支持；推理功能通过知识图谱、本体和优化算法实现；而注意力和记忆功能则处于发展初期或仍处于不明确的状态。

**研究空白和未来研究方向**
我们的分析显示，CDTs的发展并不均衡，某些特定领域存在技术成熟度和行业采用方面的限制。首先，认知覆盖范围不完全，感知、推理和学习功能主要通过监督学习和强化学习实现，通常还依赖于模拟；而注意力和记忆功能尚未得到充分发展。其次，开发者在优先考虑核心决策支持功能（如感知、推理和问题解决）的同时，忽视了其他方面。

**结论**
本系统评价综合了截至2025年4月发表的160篇关于CDTs的研究，这些研究来自Scopus、Web of Science和IEEE Xplore数据库中识别出的687条独特记录。通过将算法、工具和框架与六个认知功能和五个DT维度进行编码，本评价提供了CDT系统中认知功能实现方式的整合技术映射。

**作者贡献声明**
Naveed Shahzad：撰写——审核与编辑、初稿撰写、可视化、方法论设计、数据分析、概念化；
William de Paula Ferreira：撰写——审核与编辑、验证、监督、方法论设计、资金获取、概念化；
Bassant Selim：撰写——审核与编辑、验证、监督。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文的报告内容。

**致谢**
本研究得到了加拿大自然科学与工程研究委员会（NSERC）通过Discovery Grant计划[RGPIN-2024-03880]、Alliance Grant计划[ALLRP 592520-23]以及加拿大Mitacs Accelerate计划的支持。

**作者列表**
Naveed Shahzad | William de Paula Ferreira | Bassant Selim