数字孪生（digital twin）的概念最初由Grieves教授于2003在美国密歇根大学的产品全生命周期管理课程上提出，包括物理实体、虚拟模型以及二者间的连接三个部分。其中，物理实体是客观存在的，主要负责接收指令并完成特定的功能。虚拟模型是物理实体的忠实的完全数字化镜像，可以对物理实体的活动进行仿真、评估、优化、调控及预测等。连接使二者的数据进行实时交互，从而保持同步性与一致性。但由于当时技术和认知上的局限，数字孪生的概念并没有得到重视。

 

近年来，新一代信息技术的发展（如云计算、物联网、大数据等）使数字孪生的实现成为可能，因此数字孪生受到了越来越广泛的关注。2012年，美国空军研究实验室和美国航空航天局NASA将数字孪生定义为“充分利用物理模型、传感器更新、运行历史等数据，集成多物理量、多尺度、多概率的航天飞行器或系统的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程”。基于此，二者提出了构建未来飞行器的数字孪生体，利用数字孪生实现对飞行器的实时监测、结构健康管理以及故障预测等。之后，关于数字孪生技术在航空航天领域应用的研究不断增多。同时，一些研究人员也将数字孪生引入到了更加广泛的领域，涵盖了产品设计、制造、服务等。比如，基于数字孪生的产品设计框架，数字孪生车间的概念与运行机制，以及基于数字孪生的复杂设备健康管理流程。Parrott与Warshaw讨论了制造过程的数字孪生概念模型，该模型形成了从物理世界到虚拟世界的闭环交互。Rosen等利用数字孪生将产品全生命周期的真实数据与仿真模型相结合，实现基于仿真预测的制造计划、运行、维护等，提升了制造过程的自主性。Knapp等构建了基于数字孪生的增材制造模型，用于增材制造过程的准确验证以及关键参数的预测。数字孪生也被用来无缝集成产品全生命周期的各个阶段，实现对产品全生命周期的高效管理以及保持产品物理和虚拟世界之间的同步。

 

一些大型企业也开始引进数字孪生的概念，期望利用数字孪生提高企业运营效率及产品服务质量。PTC公司利用数字孪生建立物理产品与虚拟产品间的实时连接，从而为用户提供高效的产品售后服务与支持。SAP公司通过数字孪生技术使产品开发系统形成一个闭环，通过不断减小产品真实性能与期望性能之间的差异来提升产品质量。达索公司建立了基于数字孪生的3D体验平台，并将其应用于飞行器的雷达设计上。西门子公司利用数字孪生技术帮助制造企业在信息空间构建整合制造流程的生产系统模型，从而实现对制造过程中细节的掌控。GE公司致力于将数字孪生引入到污水处理中来，通过建立设备的孪生模型来整合大量的过程数据，提升污水处理效率。微软公司认为数字孪生能够实现信息与物理世界的无缝连接，从而降低成本，促进创新，加速转型。空客建立构建了总装线的数字孪生模型，实现了对总装线上生产要素的监控。美国洛马公司将数字孪生技术引入F-35战斗机的生产过程，使得处理F-35进气道加工缺陷的决策时间缩短了33%，该项目获得了2016年度美国国防制造技术奖。全球最具权威的IT研究与顾问咨询公司Gartner连续两年（2016年和2017年）将数字孪生列为当年十大战略科技发展趋势之一。世界最大的武器生产商洛克希德马丁公司将数字孪生列为未来国防和航天工业六大顶尖技术之首。2017年12月8日中国科协智能制造学术联合体在世界智能制造大会上将数字孪生列为了世界智能制造十大科技进展之一。目前，数字孪生技术已成为国际上的关注热点。

 

 

 

为了无缝集成与融合信息物理空间，实现智能制造，Tao等将数字孪生引入到制造车间中，并首次提出了数字孪生车间（digital twin shop-floor，DTS）的概念：DTS是在新一代信息技术和制造技术驱动下，通过物理车间与虚拟车间的双向真实映射与实时交互，实现物理车间、虚拟车间、车间服务系统的全要素、全流程、全业务数据的集成和融合，在车间孪生数据的驱动下，实现车间生产要素管理、生产活动计划、生产过程控制等在物理车间、虚拟车间、车间服务系统间迭代运行，从而在满足特定目标和约束前提下，达到车间生产和管控最优的一种车间运行新模式。

 

如图1所示，DTS主要由物理车间（physical Shop-floor，PS）、虚拟车间（virtual shop-floor，VS）、车间服务系统（shop-floor service system，SSS）、车间孪生数据（shop-floor digital twin data，SDTD）四部分组成。PS由客观存在于物理空间中的一系列实体组成，包括人、设备、物料、环境等，它严格按照VS仿真优化后的预定义的生产指令组织生产，并接收SSS提供的服务，最终产出满足交货期、成本、质量等要求的产品。VS由多个维度的模型（包括几何、物理、行为和规则等）组成，它随PS演化，能够为物理实体提供高逼真度的仿真、优化及预测等，同时也为SSS中的服务提供仿真优化数据。SSS是一个集成的服务平台，它将企业信息系统（EIS）、计算机辅助工具、模型和算法等功能封装成子服务，然后根据特定需求将其组合成组合服务。SSS同时支持PS与VS的运行：一方面SSS为PS提供设备健康管理服务、能耗管理服务、调度服务等，从而保证PS的连续与平稳生产；另一方面，SSS为VS提供模型校正与测试等服务，使VS能够保持与PS的高逼真度。SDTD包括PS、VS和SSS产生的数据、三者的融合数据以及领域知识。通过集成和融合，SDTD的数据能够消除信息孤岛，并且产生有价值的信息，用于驱动PS，VS及SSS的运行。

 

 

 

在DTS中，数据（即SDTD）是PS、VS与SSS三部分的“核心驱动”。对于PS，SDTD中的数据可以使物理车间中的实体感知自身与其他实体的状态，从而实现多个实体间的协作。对于VS，基于SDTD挖掘的关系、约束和规则等能够建立和不断更新VS中的模型及其运行机制，保证VS能够准确全面的映射出对应实体的属性、行为及规则。针对特定的需求，SDTD提供给SSS对应的数据、算法和模型等资源，这些资源可以封装成子服务来支持服务组合及其后续服务过程。随着PS，VS和SSS不断产生实时数据，SDTD的数据在不断增加，如何基于数字孪生技术实现制造车间中多源数据的集成与融合，从而连续地产生有价值的信息用于驱动DTS的运行是一个关键问题。

 

 

车间制造数据具有规模海量、多源异构、多时空尺度、多维度等特征，具备大数据特征。通过制造大数据建立车间生产过程和运行决策间的关系，能对车间运行状态提供统计和分析支持，有助提升车间生产效率和产品质量、降低车间能耗、保障车间设备健康等。然而，现有研究的关注点往往集中在对PS的生产要素状态数据，生产过程数据等的处理与挖掘上，却对车间的虚拟模型及其仿真数据缺乏重视，尤其对能够同时反映物理与虚拟车间的信息物理融合数据缺乏研究。

在DTS中，基于数字孪生技术能够同时得到物理与信息层面的数据，实现数据融合，从而解决上述问题。物理层面的数据主要指PS中的数据，包括要素属性，设备参数，工况数据、工艺数据、生产进度数据等。信息层面的数据主要指VS与SSS中的数据。其中，VS的数据包括模型参数及模型仿真、评估、优化、验证及预测数据等，SSS中的数据包括生产管理数据、供应链数据、企业计划数据、产品管理数据、市场数据及销售数据等。以制造某一手机外壳为例，物理层面的数据包括PS中的加工温度、压力、表面粗糙度等数据，信息层面的数据包括VS中模型产生的材料应力、变形、氧化度等仿真参数以及SSS中的原料成本、用户评价以及回收数据等。这些数据来自不同的数据源，并且分散于产品全生命周期不同的阶段，通过集成与融合能够从这些数据中挖掘产生更加全面与准确的信息用于驱动生产制造。

 

如图2所示，为了实现对DTS中的数据的集成与融合，需要对PS、VS及SSS中的数据进行生成、建模、清洗、关联、聚类、挖掘、迭代、演化、融合等一系列操作，从而形成能够真实刻画和反映车间物理及信息层面的融合数据。