起源

Michael Grieves

2002年，歇根大学的Michael Grieves教授在一次关于产品生命周期管理（PLM）的演讲中提出了镜像空间模型（Mirrored Spaces Model），模型中出现了现实空间、虚拟空间、从现实空间到虚拟空间的数据流、从虚拟空间到现实空间的信息流、以及虚拟子空间的表述，表达了产品生命周期管理不只是关注设计、开发、生产阶段，还要关注产品的使用阶段。

按Michael Grieves自己后来的说法，虽然当时没有明确提出数字孪生的说法，但已经具备了数字孪生的所有要素，所以他一直声称“数字孪生”的理念是他发明的。

NASA

2010年，美国国家航空航天局（NASA）在其太空技术路线图（Modelling SimulationInformation Technology & Processing Roadmap ：TechnologyArea 11）中首次引入了数字孪生的表述。当时给数字孪生的定义是：

“一个数字孪生，是一种集成化的多种物理量、多种空间尺度的运载工具或系统的仿真，该仿真使用了当前最为有效的物理模型、实时的传感器数据和飞行的历史数据等等，来镜像出物理飞行器的生存状态。”

NASA之所以提出数字孪生概念，大概率是源于一个Apollo 13登月飞行时发生的一次意外事故：

1970年4月，Apollo 13发射后两天，宇宙飞船在远离地球210,000英里时，生活舱中的一个氧气罐发生了爆炸，爆炸严重地损坏了主推进器，并且失去大量氧气和电力。更要命的是，每过一分钟，受损的太空飞船就会飞离地球400英里。NASA地面指挥中心必须在很短的时间内制定出前所未有的返回地球的计划。
所幸，NASA在地面还有一套完整的、高水准的模拟器。地面控制中心调整了模拟器的质量、重心、推力等参数以适配到Apollo 13当前的状态。与登月舱制造厂商协同工作，确定了一个新的着陆过程。然后，安排后备宇航员在模拟器上进行操作演练，演练证明了方案的可行性，这极大地增加了地面控制中心与宇航员们的信心。最后，成功的让宇航员们安全回家。

这次成功的应急让NASA意识到构建孪生系统的重要性。但是物理孪生系统的成本过高，数据的完整性和时效性都不足，不能满足未来深空探索的需求，必须找到一种全新的工作模式，这就是数字孪生系统的由来。NASA期望的数字孪生应该具备如下四类用途：

1. 发射前飞船未来任务清单的演练。可以用来研究各种任务参数下的结果，确定各种异常的后果，减轻故障、失效、损害的策略效果的验证。此外，还可以确定发射任务最大概率成功的任务参数。
2. 镜像飞行孪生的实际飞行过程。在此基础上，监控并预测飞行孪生的状体。
3. 完成可能的灾难性故障或损害事件的现场取证工作。
4. 用作任务参数修改后结果的研究平台。

NASA的数字孪生基于其之前的宇航任务实践经验，极其看重仿真的作用。NASA要完成的宇航任务，涉及天上、地下、材料、结构、机构、推进器、通讯、导航等众多专业，是一个极其复杂的系统工程。所以，NASA更强调上述内容的集成化的仿真，从某种意义上，是其系统工程方法的落脚点。换个看问题的角度来讲，NASA的数字孪生，就等同于其基于仿真的系统工程。

不过在实践中，NASA首先采用的是物理孪生，构建了一比一的地面模拟器。如下图：

随着计算机、网络技术的高速发展，特别是软件技术与仿真技术的高度发展，使得各种物理孪生对象，从功能上行为上完全可以用计算机系统进行模拟替代，在此基础上，NASA提出数字孪生的理念，就成为水到渠成的事了。

Gartner报告

数字孪生的定义

A digital twin is a virtual representation of a thing, person or process. Digital twins are designed to optimize the operation or use of such resources or any business decisions about them, such as improving maintenance or operational efficiency.

一个数字孪生体是某个物、某个人、甚至某件事的虚拟表现。设计数字孪生的目的是为了优化人们对资源的使用和业务决策，比如提高维护和运营效率。

数字孪生的分类

Gartner将数字孪生分类三类：
1. Discrete digital twins（离散数字孪生）
2. Composite digital twins（复合数字孪生）
3. Digital Twin Organization（组织数字孪生）

Discrete digital twins（离散数字孪生） are typically used to monitor and optimize the use of atomic resources such as people, individual products or pieces of equipment, and single process tasks.

离散数字孪生用于监控和优化“原子”资源，比如人、产品、设备部件或者单独的流程。这里说的“原子”是指从管理视角无需进一步拆分或细化的业务对象。比如，如果只管理到服务器，那么服务器就是一个原子资源。如果要管理到服务器中的硬盘、CPU，那么服务器就是一个复合数字孪生，而其内部的硬盘、CPU是离散数字孪生。所以，离散数字孪生和复合数字孪生没有严格意义上的区分，只是管理视角不同。

Composite digital twins（复合数字孪生） are typically designed to monitor and optimize the use of a related combination of discrete digital twins and atomic resources. For example, more composite equipment such as cars or industrial turbines, and whole and partial manufacturing or industrial processes.

多个离散数字孪生体能够组合成一个复合数字孪生，比如多个汽车部件组合成一辆汽车，多台生产设备组合成一条生产线，复合数字孪生的目的是通过整合原子资源对象的数据，让人们更全面、准确的掌握整辆车、整条生产线的运行状态，而不是迷失在各种离散的、甚至相互矛盾的数据中。（业务系统也是一个典型的复合数字孪生，它有多台服务器构成，业务系统有自己的APM监控指标，这些监控指标又会被服务器的监控指标所影响）

Digital Twin Organization（组织数字孪生）are typically designed for the purpose of monitoring and optimizing higher-order,business-level outcomes. For example, optimizing overall manufacturing capacity based on changing go-to-market strategy, or maximizing business value for all corporate stakeholders.

多个复合数字孪生可以组合成一个组织数字孪生。组织数据孪生用于监控和优化组织绩效，提升业务产出。例如，基于调整市场战略来优化整体制造能力，或者为所有公司利益相关者最大化业务价值。 （优锘公司就是一个组织数字孪生，各种财务指标就是用于监控和优化公司的运行绩效）

三种数字孪生在价值和数量方面的区别如下：

数字孪生的价值

Gartner认为数字孪生主要有两方面的价值：
1. Improve Situation Awareness（态势/情境感知）
2. Automate Your Response（自动响应）

Improve Situation Awareness: Functionally, all digital twins — at a minimum — monitor data from things (and often related contextual information) to improve our situational awareness. This improved insight alone — for example, “imminent failure of a robot on manufacturing line three,” “we have a patient in recovery approaching Code Blue,” or “excessive gas flares have exceeded our carbon footprint target” — can support better decision making.

为啥叫态势感知？这和传统监控有什么区别？有两个区别，第一，传统的物联网监控主要面向离散数据，比如温度传感器只采集温度数据、烟感探测器只采集烟雾告警数据。而态势感知是从数字孪生体的视角将原本离散的监控数据进行聚合，从而可以通过多个监控指标综合感知、判断物理实体的运行状态。这种判断更加准确、直观。类似任旭常说的当一个房间的烟感和温感都出问题时，大概率能精准判断是房间着火了。这个例子大概率是忽悠，但表达了数据聚合意义。第二个区别是传统物联网监控主要是处理当前的实时数据，而态势感知则需要收集大量历史数据，找出数字孪生体各项监控指标的历史规律，进而发现异常情况，甚至预测未来运行趋势，这也很类似IT运维中常说的“非阈值异常检测”和“故障预测”。

Automate Your Response: To scale up our use of digital twins — e.g., for many pieces of equipment, many patients or dozens of corporate objectives — we will not always be able or willing to manually intervene. We will also need or want to automate (or semiautomate) our business responses.

大概意思是别一出事就在那儿傻喊，要基于定义好的响应流程，自动通知给正确的系统或人员来处理。注意，这里的用词是response，强调响应，而响应不一定是处理，处理可以由专门的系统负责。

与原有业务系统的关系

数字孪生应该与企业原有业务系统集成，才能发挥最大的价值。而且不同的孪生体类别（离散、复合、组织）与不同的业务系统有交互关系。

最底层的离散数字孪生体分析发现某个物理设备发生异常时，可以触发Field Service Management系统派单给现场服务人员修理设备。
复合数字孪生体可以将数据共享给Enterprise Asset Management系统，改善企业资产数据质量，优化资产配置结构。另外，复合数字孪生体也可以为ERP系统、MES系统提供更准确的车间生产数据，优化生产调度。
组织数字孪生体与CRM系统结合，以便更好的了解客户的需求。（感觉有点糊弄，但英文的确是这么写的）

数字孪生系统参考模型

数字孪生系统是一套企业级软件系统，主要有4个核心要素和3个外部要素构成，这7要素就是用于指导企业构建真正数字孪生系统的参考模型，如下图：

4个核心要素如下：

1. Entity metadata — Information to describe the twinned object, including its physical components, how they’re assembled, the object’s behavior and specifications, and so on (e.g., the composition and operation of a turbine).
2. Generated data — IoT sensor-based time-series data, external contextual data, and whatever other data is used by analytical models (e.g., the turbine’s speed, temperature and vibration).
3. Analytical models — Software algorithms that ingest generated data and produce events which increase situation awareness (e.g., turbine bearing No. 3 will fail in five-to-six hours).
4. Software components — Application logic, visualization tools and other functionality to act, based on events produced by analytical models (e.g., generate a “Fix-It” ticket for bearing No. 3).

3个外部要素如下：
1. Data sources — Any form of information used as input into a digital twin’s entity metadata or as input into a digital twin’s generated data. Data sources vary widely by use case.
2. Digital twin enabling technology — Whatever application infrastructure middleware is used for digital twin software development and runtime (i.e., development tools, runtime platform).
3. Related applications — Business applications — e.g., manufacturing execution systems, supply chain planners, ERP — that are integrated with digital twins (when needed) to make them act on events generated by digital twin analytics.

产业实践

在NASA提出了数字孪生之后，影响巨大，得到了工业界的积极响应。这里重点介绍几个工业软件巨头和行业组织，因为它们既是数字孪生的实践者，又是数字孪生的获利者，也是数字孪生的使能者。

西门子

西门子是比较早将数字孪生理念引入到其产品战略中的，在市场上具有巨大的影响力。
在Realize your digital transformation now — The Digital Enterprise Suite for Product Manufacturers文章中，西门子数字工厂业务部门认为，数字孪生是产品或生产工厂的精确虚拟化模型，它展示了产品全生命周期的演进，用于预测行为，优化性能，并从设计和生产中获得洞察力。

西门子认为，通过使用数字孪生，实现“如果怎样-会怎样”的场景，进而预测出未来的绩效，会获得巨大的价值。数字孪生的终极目标是实现由产品开发和生产规划构成的虚拟世界，与由生产系统和产品绩效构成的物理世界之间形成闭环连接。通过这种连接，人们可以从物理世界获得切实可行的洞察力，在产品和生产运营的全生命周期做出明智的决定。

西门子的数字孪生由三种形式构成：产品数字孪生、生产数字孪生，以及产品和生产绩效数字孪生。

1. 产品数字孪生，提供了虚-实连接，使企业可以分析一个产品在各种条件下性能如何，在虚拟世界里做出验证和调整，以确保将来在现场使用的物理产品的性能表现得如同规划中一样。
2. 生产数字孪生可以在实际生产发生之前帮助企业验证一个制造过程工作得如何。通过使用数字孪生来仿真生产过程，使用数字主线来分析事情为何会发生，企业能够创建一个生产规程，在各种环境条件下依然有效。
3. 生产与产品绩效数字孪生获取来自运行中的产品与工厂的数据并进行分析，通过深入洞察做出有充分依据的决策。

tips：前两个是虚拟世界的数字孪生，是产品和生产的设计态阶段，主要用于设计和仿真。第三个是物理世界的数字孪生，采集真实的产品指标数据和生产指标数据。

西门子认为，自己能够提供一体化解决方案，也就是端到端的数字孪生。见下图：

需要注意的是，支持上图的基础还是西门子的CAD、CAE、仿真建模软件、PLM、MES、工业物联网平台等业界耳熟能详的软件。这些传统软件在数字孪生的助推下发出更加耀眼的光芒。该图最大的价值在于，用数字孪生的概念实现了数字化设计与设计交付物在概念上的紧耦合，借助于数字主线的概念实现了其众多系列化软件产品的概念集成和在战略上的统一。

本质上，西门子将数字孪生作为一个说明其软件运行机制的工具，但还没有将其作为一种技术对其数字化工厂业务涉及到的软件产品进行改造或重构。

那么，在没有数字孪生概念之前的数字化工厂战略整体上是如何表达的呢？相对而言体现的是更加具体的技术框架。见下图：

这张图对客户、领导、投资人来说，就没什么感觉了。

西门子认为，数字化企业套件是独一无二的集成化软件与自动化工具箱，用于把传统的企业转变为数字化企业。在一个完全虚拟的环境中进行仿真、测试与优化，减少投入市场的时间，提高灵活性、质量和效率。借助于MindSphere平台获得的洞察力，能够反馈给整个价值链，使真实世界的生产与产品不断优化成为可能。

达索

Dassault Systemes（达索系统）是可以与西门子比肩的另一个工业软件巨头，通过自主开发和并购，其产品线覆盖了设计、仿真、PLM、ERP、MES、VR/AR等诸多制造业业务。

达索是3D起家，又深得VR/AR的精妙，所以达索系统其用三维体验理念为其产品系列打上了与众不同的标签。自然而然地，在达索系统，数字孪生被称为三维体验孪生——3DEXPERIENCE Twin，与数字孪生相比，除了更具想象力之外，也确实更具感染力。

与其他厂家不同的是，达索将3DEXPERIENCE Twin作为其使用三维体验平台的核心内容。依托其3DEXPERIENCEplatform，可以创建物理对象的3D虚拟模型。这些3D模型既可以用平台自身提供的工具创建，也可以用平台本身的集成功能，从达索基于3DEXPERIENCE理念开发的自有产品或第三方应用中集成而来。在此基础上，使用平台工具进行三维体验式的应用展示。

达索系统认为，三维体验平台基于单一的数据源，基于模型，可以用全数据的方式打通产品全生命周期的各个环节，打破文件孤岛和部门墙，粉碎文件黑盒子，实现产品全生命周期的数字化连续。基于模型塑造单一的数字化孪生，支持产品全生命周期各项业务、实现多学科知识的数字化表达。

Ansys

作为全球工程仿真领域的领先企业，Ansys在众多产品创新的过程中扮演着至关重要的角色。在其白皮书——How Simulation-Based Digital Twins and the Industrial Internet ofThings Can Improve Product and Process Performance中，Ansys认为，IOT以近乎实时、即时或重放方式，将仿真与产品或过程连接起来，有助于产品或过程的运作与维护。基于仿真的数字孪生概念融合了物理产品或过程、仿真模型和连接，有助于它们之间的交互。

数字孪生可以由一个仿真模型构成，该模型用于重现了产品或过程当前的状况，比如可以将磨损或退化的性能指标融合于仿真模型之中。而来自连接到产品或过程的传感器数据，可以被用于向数字孪生提供实时的边界状况。数字孪生给出的仿真结果，可以基于实际产品或过程的运作情况进行标定，从而使数字孪生的预测能力远远超出了产品设计过程中获得的能力。由数字孪生做出的预测可以被用于确定性能问题的根源，评估当前控制策略的效果，确定优化后的维护日程等。数字孪生也可以提供产品或过程的不可能通过传感器测得的相关信息，诸如通过内部通道的流速。结果是，数字孪生能够被用于持续增加产品或过程的性能和可靠性，同时又降低它们的运作成本。
Ansys给出了数字孪生的体系如下图：

Ansys以仿真著称于世，但并没有给出显性的数字孪生的定义。除了指出数据孪生的益处之外，其同时强调，在数字孪生中引入IOT后，对仿真技术本身的改进作用。其实，即使没有数字孪生概念，利用IOT完善仿真模型也是仿真厂家必须要经历，或许正在经历着的必由之路。

GE Digital

GE Digital在其官网（https://www.ge.com/digital/applications/digital-twin）的定义如下：

数字孪生是资产、过程的软件表示（software representations），用于理解、预测和优化其绩效，进而达到改进业务结果的目标。

GE认为数字孪生可以提高可靠性和可用性，降低风险，减少维护成本，改进生产，更快地获取价值。数字孪生由三个组件构成：一个数学模型、一组分析方法或算法，以及知识。数字孪生使用历史环境数据与运行结果数据以理解过去发生的一切，使用直接的和间接的数据来看待当前的状态，并应用机器学习和知识来预测未来。

GE定义了一般意义下的数字孪生的层次化结构：组件、资产、系统和过程。通过了解一个数字孪生当前的状况、预测其未来的状态，人们可以有效地监控、仿真和控制一个资产或过程，并进行全生命周期的优化，无论其是否在线还是离线。

那么，GE是如何看待Predix平台与数字孪生之间的关系呢？在文章The Digital Twin -Compressing time-to-value for digital industrial companies中，给出如下的Predix体系结构图：

Predix平台是以资产（即高端装备）为核心的，而数字孪生成为资产描述的工具。数字孪生将关于资产的过去状况、现在状况和未来预测等信息规范化表达出来。应用可以利用这些规范表达，交付运维和设备健康，预防性维护，以及运营优化。

工业4.0

工业4.0平台直接将其资产管理壳定义为数字孪生，而且强调，未来的数字孪生是工业4.0时代的数字孪生。

工业4.0平台认为，数字孪生包含了从设计、物流、运营、维护到再利用与销毁的资产全生命周期的有用信息。未来的数字孪生可以包含一个3D仿真模型，数百个属性，历史数据，手册，安装指南，专有的功能快，互锁，状态模型，报警与事件定义等等。数字孪生储存在未来的工业4.0基础设施中，与真实的对应物相关联与连接。数字孪生将不会隐藏于专用的仿真工具中，数字孪生也可以独立于真实的对应物而存在。总体结构如下：

未来的数字孪生/资产管理壳：一个在物理资产之上的包含数据与接口的软件层

数字孪生将成为包含接口的功能强大的电子数据对象。未来的数字孪生包含数据与接口，类似于一个软件的驱动程序。