“数字双胞胎”与建模仿真技术曾被称作智能制造业的下一波浪潮，工业4.0也要求，若要虚和实的互动以及相互增强，数字化模型必须先出现。
什么是数字双胞胎
“数字化双胞胎”（DigitalTwin）是指以数字化方式拷贝一个物理对象，模拟对象在现实环境中的行为，对产品、制造过程乃至整个工厂进行虚拟仿真，从而提高制造企业产品研发、制造的生产效率。
所有“产品”最早是人类大脑里的一个模糊概念，在没有数字化模型帮助的情况下，要打造出一件产品或一套生产流程，必然会经历多次迭代设计，有时候仅仅为了验证产品的某一个尺寸，部件之间的装配关系，流程的某一环节，就不得不制造出很多个中间产品或重新设计流程（被称为打样），耗费大量时间、金钱和人力。采用数字化模型的设计技术（常指CAD技术，即数字化辅助设计），就可在虚拟的三维数字空间里从无到有地创造出部件和产品以及工艺流程。在虚拟的三维空间里，可以轻松的修改部件和产品的每一处尺寸和装配关系，使得产品几何结构的验证工作、装配可行性的验证工作、流程的可实行性大为简单，因此可以大幅度减少迭代过程中的物理样机的制造次数，时间，成本。除此之外，专门的电路CAD设计技术可以根据电路以及器件的原理，在三维数字空间设计出电路，并且也可以进行虚拟的验证和迭代设计。同样也可以大幅度减少制造物理样机的代价。这就是数字化模型一定会早于物理实体产品出现的原因。实际上，在最终的产品制造出来之前，有很多个数字化模型代表着产品迭代的各个阶段。这些模型或者其中的一部分，仍然有可能被以后的型号或者产品线所采用，这也是数字化模型的一个附加好处。
建模仿真的“前世今生”
建模仿真最早来源于上世纪60年代至70年代的计算机语言编写的数字算法，当时只是简单的用于计算特定物理现象，解决设计问题；之后的二十年，随着工作站和微机的普及以及计算能力的提高，仿真技术的应用逐渐遍及各个学科和不同层面；而且不会停留在设计阶段，正在向产品和系统的全生命周期扩展，构成与实体形影不离的“数字双胞胎”。由于仿真能够在产品生命周期提供无缝协助和优化，将会成为制造体系的核心功能之一，未来智能工厂是基于模型的系统工程或基于模型的制造，软件定义产品、决定企业盛衰，仿真技术制造系统关键组成部分的黄金时代才刚刚开始。Gartner预测，到2021年，全球50％的大型工业公司将使用数字双胞胎，从而使这些组织的效率提高10％，尤其是制造业和工程行业的公司，如果想要在竞争中保持领先地位，就需要考虑实施数字双胞胎。
制造业是目前数字双胞胎最常用的行业，按时向客户提供保质保量的产品对制造企业至关重要，如果机器的运转不能协同并以适当的容量工作，就回影响员工、生产、可交付性以及最终客户的满意度；采取实时监控、不中断生产的情况下进行测试、并且能够在设施中收集的数百万个数字据点获得更多信息，数字双胞胎使制造企业更加智能。
在德勤的一份案例研究中，一家工业制造企业决定采用数字双胞胎方法，来解决其在现场遇到的问题，从而解决维护费用和客户延迟交付。制造企业收集了设备以及正在生产的产品数据，来研究装配过程及其与产品质量的关系。因此，该项目能够识别低效率并优化装配流程，将返工率降低了15％至20％。
数字双胞胎的国内现状
最早在市场上提出“数字化双胞胎”模型概念的是西门子，基于模型的虚拟企业和基于自动化技术的现实企业的“数字化双胞胎”（DigitalTwins），包括“产品数字化双胞胎”、“生产工艺流程数字化双胞胎”和“设备数字化双胞胎”，三个层面又高度集成为一个统一的数据模型，并通过数字化助力企业整合横向和纵向价值链，提供工业生态系统重塑和实现“工业4.0”自下而上的切实之路。
数字双胞胎的引入国内仅仅几年时间，目前处于初步探索与实践环节，距离广泛应用还有很长的路要走；目前数字双胞胎技术还面临着诸多难题，主要可分为三类：一是高仿真度，高保真度的仿真建模是构建数字双胞胎体系的关键，数字双胞胎作为物理实体在数字空间的超写实动态模型，产品虚拟模型的高精度性、多物理场建模、高保真度响应模拟等是首要解决的技术难题。二是数据收集，由于数字孪生技术的应用以海量数据为基础，并且是基于全要素、全生命周期的数据，而有关这些数据所涉及的先进传感器技术、自适应感知、精确控制与执行技术等难题急需攻关。三是实时监测与健康预测技术也尚待完善，实时和预测是数字孪生的核心要素，一方面物理产品的数据动态实时反映在数字孪生体系中，另一方面，数字孪生基于感知的大数据进行分析决策，进而控制物理产品，而其中离不开相应的高实时性数据交互、高置信度仿真预测、超级计算能力等技术能力。此外，新的设计检验方法仍需进一步探索，使物理模式的实验结果更准确、更接近真实的工况，为数字孪生体的推演提供可靠的数据支撑。
目前中国制造业正处于转型升级的关键时期，通过物联网、大数据、人工智能和实体经济深度融合，使得中国制造竞争力得到大幅提升。未来，数字双胞胎也可结合物联网的数据采集、大数据处理和人工智能建模分析，实现对过去发生问题的诊断、当前状态的评估以及未来趋势的预测，并给予分析结果，模拟各种可能性，提供更全面的决策支持。
企业数字化转型实现智能制造的十个必学知识！
智能制造是一个非常大非常广的概念，除了涉及制造企业本身，还与供应链的上下游企业息息相关，它包含自动化、信息化、智能物流、智能计算、智能决策等多个方面。
市场背景：智能制造改革牵扯的是整个制造业，毫无疑问这是一个万亿级别的大市场。所属的细分市场各个都是大片蓝海：未来10年中国机器人市场将达6000亿元人民币；预计2018年，中国民用无人机市场将达到110.9亿元；预计至2020年，中国自动化物流系统市场规模将超过1000亿元……
智能制造的实现是一个从手工到半自动化，再到全自动化，最终实现智能化、柔性化生产的过程。智能制造将制造业与信息技术和互联网技术相结合，在生产工艺、生产管理、供应链体系、营销体系等多个方面实现全产业链的互联互通。
那么，企业该如何实现自己的智能制造改革呢？以下十项技术都是知识点：
1.多源多通道数据实时采集感知技术
多源传感器数据采集是智能制造过程中实现智能感知的前提，通过各类传感器（压力传感器、位移传感器、视觉传感器等）组成，实现对多源多通道分布式数据的实时采集、分析和转换等。
多源传感器数据采集系统包含以下几项技术：
·信号转换技术
·实时网络通信技术
·多线程管理技术
·数据缓存池技术
·黑匣子技术
·信息安全技术
2.异构数据内容融合与传输共享技术
通过对各种异构计算数据进行内容分析和融合处理，从海量数据中挖掘隐藏信息和有效数据，提高智能制造过程中各种装备状态监测的准确性。
异构数据包括：海量的多媒体传感数据、文本/超文本、声音数据、影像数据、视频序列等。
3.复杂工况的多任务自适应协同技术
智能制造的实现往往需要能够自主分析当前的工况环境和任务要求，实现多任务自适应协同规划，并根据不同任务难度自适应调整作业策略。
多工况包含以下几种（以挖掘作业为例）：
·常用，挖掘形状规则，且经常使用该功能
·特殊，挖掘形状规则，但不经常使用
·自主标记，挖掘形状不规则，但经常使用
·高度自定义，高度依赖驾驶经验的操作
4.多机协同的集群化交互与控制技术
智能制造的多机集群模仿生物集群行为，单机间通过彼此信息交互与自主控制来进行协同工作，从而可在各种险恶环境下低成本完成多样性的复杂任务。
具体包括：
·远程操控端，人机交互装置远程遥控，任务指派和监控
·移动用户端，网页、APP做任务指派和监控
·智能机械端，环境感知、机身工况传感、自主作业控制
·移动互联网，无线数据通讯承载
·卫星定位，导航与测量辅助
·云端数据中心，环境建模分析，任务和轨迹规划，大数据分析和诊断
5.大数据驱动故障诊断深度学习技术
制造装备运行过程中产生的海量特征数据蕴含大量的故障信息，在收集智能装备运行特征数据的基础上，应用深度学习算法对大数据进行知识挖掘，获寻与故障有关的诊断规则，实现对制装备的故障进行智能预测和分析。
6.数字孪生与数字样机建模分析技术
数字孪生充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映了相对制造过程中各装备的全生命周期过程。
7.多技术路线工作方案优化决策技术
针对不确定性的、半结构化或非结构化的智能制造工作方案决策问题，通过信号推理、定量推理等方法，在不确定性、不完备、模糊信息的环境下实现智能制造与产品设计旨在服役多目标多技术路线工作方案优化的自主决策。
8.工艺工装协同推送与自动装夹技术
个性化推送技术及语义检索技术融入工艺工装推送过程中，基于融合智能装备与产品工艺工装特征的个性化语义检索，形成个性化的工艺工装协同推送机制，提高智能制造工艺设计过程中获取产品工艺工装的效率。
9.产品知识图谱与知识网络构建技术
通过对分布的多学科知识数据进行结构层次上的集成，消除多学科多领域知识数据的语法和语义分歧，使得数据结构具有一致性，进而对设计设计库数据进行知识表示，完成知识库的建立。
结构化数据、半结构化数据、非结构化数据通过结构化改造和筛选整合，形成趋同或者一致且无冗余的结构化数据，也就是将客观世界主观抽象成设计数据库，再通过知识表示形成知识库。
10.机电液一体化云平台知识服务技术
知识服务技术着手于知识的自动推送，有序地组织机、电、液一体化跨学科知识，并在合适的设计过程中推送给设计人员合适的设计知识，从而实现跨学科知识服务的个性化、高效化和智能化。
