编辑推荐：
数字孪生（Digital Twin, DT）技术已成为金属切削机床系统和材料加工设备的一种变革性工程范式，能够在整个生产周期内实现实时同步、预测性分析和智能决策。本系统综述总结了数字孪生在面向工程实施方面的最新进展，重点关注其建模框架、刀具状态监测、几何误差、
数字孪生（Digital Twin, DT）技术已成为金属切削机床系统和材料加工设备的一种变革性工程范式，能够在整个生产周期内实现实时同步、预测性分析和智能决策。本系统综述总结了数字孪生在面向工程实施方面的最新进展，重点关注其建模框架、刀具状态监测、几何误差、运动学误差、热误差和动态误差的补偿、故障诊断与自适应控制，以及该技术在车床、铣床和磨床上的应用。文献检索与筛选遵循PRISMA 2020指南进行。2026年5月在Google Scholar中共识别出680条记录，其中197项研究符合纳入标准，并在六个主题章节内进行了叙述性综合。分析表明，现代数字孪生架构集成了多物理场建模、多传感器数据融合和机器学习，以创建物理资产的高精度虚拟副本。预测性维护和故障诊断系统利用机器学习和深度学习，在进给系统、主轴及其他关键部件发生故障之前检测早期故障。本综述还分析了现有挑战，并概述了可靠工业数字孪生的未来研究方向。
1. 引言
论文首先回顾了工业革命的历史演进，从18世纪末的机械化阶段（Industry 1.0）到电气化（Industry 2.0）、自动化（Industry 3.0），直至以物联网（IoT）、人工智能（AI）和数字技术为核心的第四次工业革命（Industry 4.0）。在这一背景下，数字孪生（DT）成为连接物理世界与数字世界的桥梁，被视为工业4.0的关键使能技术。数字孪生最初源于产品生命周期管理，其概念在2012年被显著细化，被定义为一种超高精度、多物理场、多尺度、概率性的仿真，通过整合历史数据、实时传感器流和基于物理的模型来反映其物理对应物的状态。对于机床而言，数字孪生能够实现从几何与运动学建模到制造过程优化和生命周期管理的智能能力。论文指出，机床被称为工业的“母机”，其几何与热误差对高精度加工至关重要，而数字孪生技术通过实时监控、预测性维护和虚拟调试等手段，直接有助于提高设备效率并减少非计划停机，从而促进可持续工业增长。
2. 方法
本系统综述遵循PRISMA 2020指南进行，以确保文献识别、筛选和选择的透明性和可重复性。文献检索以Google Scholar作为主要学术数据库，检索时间设定为2023年至2026年，仅纳入英文同行评审期刊文章和会议论文。为弥补单一数据库的局限，采用了前向和后向滚雪球法进行引文检索。检索策略按功能类别组织了34个不同的查询组合，核心术语为“数字孪生（digital twin）”，并与机床、CNC、执行器、伺服驱动、主轴、进给驱动、加工或制造等目标系统术语相结合。筛选过程分为两个阶段：第一阶段根据标题和摘要进行筛选，从680条记录中去除重复后得到520条，再排除明显超出制造或机床范围的研究后降至455条；第二阶段根据四项标准（明确陈述DT定义与范围、方法论描述充分、包含实验或仿真验证、与制造中的执行器级系统相关）进行全文评估，最终纳入190项研究，加上通过滚雪球法识别的7项额外研究，共197项。语料库中，Springer Nature和Elsevier出版的文献占比超过一半，研究主题涵盖传感与仪器、建模、诊断与PHM、控制与集成以及软件架构等。
3. 结果
3.1 数字孪生概念
本节阐述了数字孪生的定义、分类法（Taxonomy）和架构。数字孪生被定义为物理资产、过程或系统的虚拟表示，通过持续的数据交换保持同步。在分类法方面，根据数据集成水平将数字孪生分为数字模型（Digital Model）、数字影子（Digital Shadow）和数字孪生（DT），其中数字孪生具有双向自动数据流，可实现虚拟模型对物理系统的控制。在架构方面，典型的DT架构由真实空间、虚拟空间以及两者之间的通信流三个交互元素组成，通信通常通过OPC UA协议实现。对于机床，DT由机床对象、DT模型、决策与控制系统以及数据四个动态交互组件构成，形成一个闭环的感知-建模-预测-控制系统。
3.2 机床数字孪生设备
本节按传感器、通信设备、控制器、驱动器和计算基础设施等类别介绍了实现机床数字控制的设备。传感器分为六类：测力计（测量三轴切削力和扭矩）、加速度计（提供高频振动信号）、声发射传感器（检测变形和断裂产生的弹性波）、位移传感器（LVDT、电涡流和激光）、机器视觉系统以及智能刀具（嵌入力、加速度和温度传感器）。通信方面，OPC UA是生产数据交换的事实标准，其他协议如MTConnect、MQTT、NC-Link、EtherCAT等也得到应用。控制器和CNC系统包括PLC、PMAC以及LinuxCNC等开放控制器。驱动系统既是孪生的对象，也是孪生决策作用于过程的手段。计算基础设施采用边缘智能、云边协同等部署方式，以满足实时性要求。
3.3 数字孪生的基于物理和数据驱动模型
数字孪生模型分为基于物理（白盒）、数据驱动（黑盒）和混合（灰盒）三类。基于物理的模型基于第一性原理和显式数学关系，具有可解释性和物理一致性，但计算成本高、实时适应性弱。广泛采用的物理模型系统包括几何、物理、行为和规则四模型虚拟产品。数据驱动模型从测量数据中学习输入输出映射，具有快速实时推理和自适应学习能力，但依赖大量训练数据且泛化能力弱。深度学习架构如CNN、LSTM、GRU、TCN等被广泛用于刀具磨损预测、表面粗糙度预测和能量消耗估计。混合模型结合两者优势，通过物理引导的损失函数、物理信息神经网络（PINN）和粒子滤波等技术，被视为最具前景的发展方向。
3.4 使用数字孪生监测和修正的设备误差
本节将机床误差分为四类：几何与运动学误差、热误差、刀具磨损引起的误差和动态误差。几何与运动学误差源于结构不精确和伺服动力学，通过激光干涉仪、电容传感器和球杆仪等测量，并采用体积误差建模和轮廓误差预测方法进行补偿。热误差占总加工误差的最大比例，源于主轴电机和轴承的发热，通过热阻网络模型、有限元分析和数据驱动模型（如LSTM）进行预测，并通过反馈中断或坐标原点偏移方法进行补偿。刀具磨损误差通过直接方法（机器视觉）或间接方法（传感器信号）监测，采用CNN-LSTM-Attention等深度学习架构进行分类和预测。
3.5 用于分析机器异常和预测机器故障的数字孪生
本节涉及预测性维护和故障诊断系统，利用机器学习和深度学习检测进给系统、主轴和其他关键部件的早期故障。数字孪生通过多传感器数据融合和混合建模，能够识别异常模式并预测剩余使用寿命（RUL）。
3.6 数字孪生在金属切削机床上的应用
本节涵盖数字孪生在车床、铣床和磨床上的应用。应用包括实时切削力控制、刀具磨损监测与换刀指令、热误差补偿、轮廓误差修正以及虚拟调试等。例如，在铣削中，闭环孪生实时调整进给率以将切削力保持在参考水平；在磨削中，孪生直接向机床发出补偿指令并自主实时修正工艺参数。
4. 讨论
本节讨论了数字孪生技术用于机床的潜力，强调需要从单一任务数字孪生向多任务数字孪生转变，并将其与机器学习和人工智能集成。分析指出了实施数字孪生的挑战，包括数据可用性、互操作性、实时虚实同步和混合建模等问题，并确定了未来研究方向，包括建立可靠的工业数字孪生、开发通用算法链以及推动标准化和开放基准测试。
