物联网应用中的数字孪生——一种实现物联网数字孪生的全面的解决方案
物联网应用中的数字孪生——一种实现物联网数字孪生的全面的解决方案
随着物联网应用的增加，物理实体的数字化化身概念的重要性在最近几年得到了极大的关注。
最典型的一个例子是Gartner在2016年10月发布的名为“2017的十大战略趋势”的报告，在这个报告中，数字孪生名列第五。这些数字化代理预计将构建在业务专家的知识领域和从设备中采集的实时数据之上。
大多数的物联网平台提供商已经开始进行某种形式的数字孪生的实施，通常会被命名为孪生、影子、设备虚拟化等等。
在本文中，我们将会讨论数字孪生的起源，以及行业中的多种实现。然后，我们将会讨论在Oracle物联网云服务中实现数字孪生。
术语“数字孪生”是由密歇根大学的Michael Grieves博士在2001到2002年期间定义的。他的最初定义是在产品生命周期管理(PLM)当中。在他的论文当中，“数字孪生”的概念是对所生产的产品的虚拟展现。他提议将数字孪生与工程设计进行对比，来更好的理解产品的生产与设计，在设计与执行之间形成紧密的闭环。
Graves博士为定义数字孪生定义了如下术语：
1．数字孪生原型(DTP): DTP描述了所创建的资产的信息。比如，DTD会包含资产的3D模型以及描述如何对资产进行制造的物料清单(BOM)和流程清单。
数字孪生模型指的不是资产的特定实例，它更像是一个资产制造的配方。
2. 数字孪生实例(DTI): DTI是关于资产的一个特定的物理实例。它包括了这个特定资产进行生产所需的精确的零件编号的列表，以及其生产时所遵循的精确的过程步骤。数据孪生实例也包含了从连接到资产的探测器上所捕捉到的当前操作的状态。
3．数字孪生汇总(DTA): DTA是对多个DTI的简单汇总，它能够对一组资产的信息进行查询。
秀品牛数字孪生的概念非常大。我们简单的看一下这个概念所提供的典型的好处:
1.可见性: 秀品牛数字孪生能够实现机器操作的可见性，以及制造工厂或者机场中大型的互联系统的可见性。
2. 预测性: 使用多种建模技术(基于物理和基于数学的)，数字孪生模型能够用于预测机器未来的状态。
3. 假设分析: 通过适当设计的接口，可以很容易的与模型进行交互，并且对模型询问假设问题，来模拟现实中无法创建的各种条件。
4. 对行为进行理解和解释的记录与沟通机制:数字孪生模型能够作为一种沟通和记录机制，能够对单独的机器或者机器的集合的行为进行理解和解释。
5. 连接不同的系统，比如后端的业务应用: 如果设计的正确，数字孪生模型能够用来连接后端的业务应用，在供应链运作中实现业务成果，包括制造、采购、仓储、运输、物流、现场服务等。
看到上面所列的好处，那么，大多数的物联网提供商都对这个概念产生浓厚的兴趣，就不奇怪了。几乎每一个物联网平台都会实现某些数字孪生的功能——尽管他们的成熟度和视野还存在着明显的差异。广义上讲，这些实现通常会分为两类：
1. 简单的设备模型
这些实现通常使用包含两个主要属性集的JSON文档：
a． 一组观测值或者报告值：通常，设备上的探测器读取当前值，并更新这些观测属性。比如，一台机器当前观察的转速(比如 1000 RPM)。
b． 一组期望值：这是控制程序希望在设备上设置的值。比如，一个应用能够设置引擎转速到1200 RPM。
除了这两组主要的属性，这些实现也在JSON文档中存储了相关的信息，比如设备的名字或者序列号，或者当前的位置。
从本质上讲，这些简单的设备模型构成了一个简单的使用MQTT/HTTP传输协议的设备状态异步通讯机制。请注意，异步通信机制是必须的，因为设备可能是脱机的；或者当后端需要与设备进行通讯时，却无法有效的对它进行轮询。从这个意义上讲，这些模型只实现了Grieves博士的DTI概念中的“从实际传感器数据中捕捉的操作状态——当前、过去实际”部分。
2. 工业孪生
这类实现通常被工业物联网供应商所采用，它包括PLM工具设计机器的信息(类似Grieves博士提出的DTP概念)和一台设备的模型(类似于部分DTI概念)。一些工业供应商关注物理属性、设计信息和实时数据，并且将他们展现在一个资产/设备模型图当中。值得注意的是，这些模型通常都基于机器的物理属性。
下图描述了在Oracle物联网云当中实现数字孪生的方式：
虚拟孪生：
Oracle的设备虚拟化是指为物理资产创建一个虚拟表示或者是在云中的一个设备。这需要几个理由。首先，物理资产可能不会总是连接到应用。比如，一辆连接的汽车会因为穿过一个隧道，而在短时间内失去连接。对于其他的后端软件来说，能够查询设备的最终状态或者控制设备的操作参数是很重要的，即使是在设备离线或者没有连接的情况下。其次，设备是通过大量的协议或者连接方法连接的。像ERP这类的业务应用不应该被这种复杂性所拖累。设备虚拟化就为这种业务应用和设备之间的的安全的双向通讯提供了一种抽象。
除了类似于简单的JSON文档并带有所观察和所期待数值的基本模型，Oracle物联网云所交付的设备虚拟化还使用了强大的语义模型。这种语义模型提供了多种好处。这个语义模型的一个显著优点是，它允许对设备的属性设置一个正常的操作范围。这大大简化了边缘计算和雾计算的实现。一个典型的实现，为了检测一个给定参数的阈值违反(比如，温度过高)，用户必须写一个单独的网关应用来进行处理，然后要对这个应用的生命周期进行管理(部署、升级、安全等)。使用Oracle设备虚拟化，设备模型本身就足够只能，能够对异常进行检测，并且生成适当的报警，不需要用户编写和部署一个边缘计算程序。此外，业务规则能够以声明方式定义在Oracle物联网云当中的复杂事件处理(CEP)引擎之上，能够在物联网的边缘自动实现实例化。
此外，Oracle设备虚拟化技术基于内建在设备模型中的语义识别能力，能够极大的优化网络流量和发布机制。虽然大多数的主流实现都聚焦于使用高效的协议，比如MQTT来应对网络带宽的成本，以实现增量的方式。而我们则采用基于语义模型的自动边缘计算建模的革命性方式，数量级的降低网络流量。为了展现这一概念，我们看一个监控车队运行参数的例子。基于语义模型，边缘计算可以足够智能的判定运行参数何时在“正常”范围之内，何时不在“正常”范围。此外，它还知道哪些消息是紧急的(比如，检查引擎灯和中断故障通知)，哪些消息是重要到(比如，低胎压)，还有哪些消息是常规的(比如，润滑油的粘稠度正在缓慢下降，接近不可接受的范围)。基于语义的模型能够自动优化消息的频率，并且检测最佳的传递机制(比如，是通过蜂窝网络发送告警信息；还是当汽车完成运输连接到Wifi网络上时再下载数据)
预测孪生：
一旦我们实现了设备虚拟化，我们就能够获得与设备交互的功能的抽象。比如，我们可以通过虚拟化抽象来查询或者控制设备。使用该模型，我们能够对设备的当前状态做出反应。
然而，仅仅对现状“做出反应”是不够的，也不是最优的。比如，只知道机器出问题了是挺好。但是知道机器可能在未来出现问题，让使用者有时间在问题发生之前就对他进行处理，就更加重要了。
行为和预测建模可以通过两种方式实现：
1. 基于物理方式：使用物理的方式建模，可以利用资产的精确设计的知识和制造参数。像有限元分析之类的技术，经常用于建立高精度模型，来回答“What-if”之类的问题。比如，使用这种模型，用户能够根据给定的负载条件评估机器设备各个部分的应力模式。
在实践中，创建这些模型需要产品设计团队付出巨大的努力，他们要创建具有合理保真度的模型。
通常，创建有限元模型所设计的数学算法都是相当复杂的，因此这些模型都趋向于静态模型，无法适应复杂和持续变化的环境。但是这些模型最大的缺点包括(a)它通常由机器设备的原始设计者来创建这些模型，但是购买了组合产品的客户缺无法将他们根据需要放到一个模型当中，(b) 虽然这些模型可以对各种负载条件下的性能问题进行建模，但是这些模型并没有为解决问题提供指导。
2. 基于分析/计算模型：预测模型能够使用机器学习技术来进行创建，不需要引入原始的设计人员。数据分析师仅仅基于对机器设备的外部观察就能够创建一个预测模型。这个选项被证明是非常实用的，因为它提供了基于终端客户需求的各种模型的创建。
这些模型目前非常流行的另一个重要方面是，它们考虑了“整个系统”。我们称之为上下文数据。以制造操作为例。根据石川图的建议，要确定一个问题，你就需要考虑注明的5个M：人、机、料、法和管理(Man, Machine, Method,Material, Management.)。
使用内置的与Oracle和非Oracle应用的集成能力，Oracle物联网云不仅能够通过物联网系统把传统的机器数据流带入到后端业务应用当中，还能够带来上下文数据。这就让我们能够创建比上述物理模型更有效和更可用的模型。
并非所有的预测模型都是平等的。根据你所要解决的问题，会有一系列的复杂性。模型的样本通常都会基于数据使用的趋势和模式。对于这些，包含在物联网云中的Oracle Stream Explorer(一个带有声明式业务用户级UI的复杂事件处理引擎)就足够了。复杂一点的模型，可以使用物联网云中的基于Apache Spark的分析引擎进行创建。除了使用Apache Spark发行版打包的标准库之外，Oracle物联网云还为处理时间序列数据提供了额外的库。更复杂的模型通常由数据科学家使用Oracle R Advanced Analyticsfor Hadoop (ORAAH)进行开发。这些R语言模型能够在物联网的数据管道中执行。业务用户能够使用由Oracle大数据发现产品所提供的简单的接口。Oracle提供了丰富的工具解决多种复杂度的业务问题。
孪生投影：
预测模型能够生成预测信息，并且为设备操作提供洞察。除非这些洞察能够作为一部分集成到你现有的业务流程当中，否则他们毫无用处。这就需要将洞察信息“投影”到你的后端应用当中，这样业务应用就能够很方便的与物联网系统进行交互，来创建智能系统。
孪生投影的目的是：
· 将物联网系统生成的洞察信息与业务流程集成
· 触发适当的补救流程
· 从业务应用中获得用于决策支持的上下文数据和交易数据
· 使业务应用对当前和预测的设备状态和环境可见
Oracle物联网云支持如下的集成：
· 与Oracle应用比如Oracle ERP(供应链、制造、管理应用)和CX(服务)本地化预置的集成
· 通过Oracle集成云实现与超过150中应用的集成
· 使用REST API集成
当物联网部署在你的企业中越来越多时，数字孪生是作为重要的概念，将成为你业务运营的战略。
Oracle物联网云提供了更全面的方案来实现数字孪生：
a) 虚拟孪生——通过超越简单的JSON文档的设备虚拟化，展现观察到的和期望的值
b) 预测孪生——通过使用各种技术构建的分析模型，以适应您试图解决的问题的复杂性。
c) 孪生投影——将孪生产生的洞察力投射到后端业务应用程序上，使物联网成为业务基础设施的一个组成部分
数字孪生背后的关键技术是什么？
作者：英唐众创物联网来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
什么是数字孪生、数字孪生体
数字孪生是充分利用物理模型、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，从而反映相对应的实体装备的全生命周期过程。数字孪生以数字化方式为物理对象创建虚拟模型，来模拟其在现实环境中的行为。通过搭建整合制造流程的数字孪生生产系统，能实现从产品设计、生产计划到制造执行的全过程数字化，将产品创新、制造效率和有效性水平提升至一个新的高度。数字孪生体是指与现实世界中的物理实体完全对应和一致的虚拟模型，其可实时模拟其在现实环境中的行为和性能，也称为数字孪生模型。可以说，数字孪生是技术、过程和方法，数字孪生体是对象、模型和数据。
Digital Thread与产品数字孪生体
Digital Thread为数字纽带（也被译为数字主线、数字线程、数字线、数字链等），数字纽带是一种可扩展、可配置的企业级分析框架。在整个系统的生命周期中，通过提供访问、整合以及将不同/分散数据转换为可操作信息的能力来通知决策制定者。数字纽带可无缝加速企业数据-信息-知识系统中的权威/发布数据、信息和知识之间的可控制相互作用，并允许在能力规划和分析、初步设计、详细设计、制造、测试以及维护采集阶段动态实时评估产品在当前和未来提供决策的能力。数字纽带也是一个允许可连接数据流的通信框架，并提供一个包含生命周期各阶段孤立功能视图的集成视图。数字纽带为在正确的时间将正确的信息传递到正确的地方提供了条件，使得产品生命周期各环节的模型能够及时进行关键数据的双向同步和沟通。
产品数字孪生体是指产品物理实体的工作状态和工作进展在信息空间的全要素重建及数字化映射，是一个集成的多物理、多尺度、超写实、动态概率仿真模型，可用来模拟、监控、诊断、预测、控制产品物理实体在现实环境中的形成过程、状态和行为。产品数字孪生体基于产品设计阶段生成的产品模型，并在随后的产品制造和产品服务阶段，通过与产品物理实体之间的数据和信息交互，不断提高自身完整性和精确度，最终完成对产品物理实体的完全和精确描述。
通过产品数字孪生体的定义可以看出：
1）产品数字孪生体是产品物理实体在信息空间中集成的仿真模型，是产品物理实体的全生命周期数字化档案，并实现产品全生命周期数据和全价值链数据的统一集成管理；
2）产品数字孪生体是通过与产品物理实体之间不断进行数据和信息交互而完善的；
3）产品数字孪生体的最终表现形式是产品物理实体的完整和精确数字化描述；
4）产品数字孪生体可用来模拟、监控、诊断、预测和控制产品物理实体在现实物理环境中的形成过程和状态。
数字纽带为产品数字孪生体提供访问、整合和转换能力，其目标是贯通产品生命周期和价值链，实现全面追溯、双向共享/交互信息、价值链协同。由此可见，产品数字孪生体是对象、模型和数据，而数字纽带是方法、通道、链接和接口。通过数字纽带交换、处理产品数字孪生体的相关信息。
▲产品数字孪生体与数字纽带的关系图
数字孪生体与信息物理系统
2006年，美国国家科学基金会NSF首先提出了信息物理系统CPS（Cyber-Physical Systems）的概念，也可译为网络-实体系统，或信息物理融合系统。信息物理系统被定义为由具备物理输入输出且可相互作用的元件组成的网络。它不同于未联网的独立设备，也不同于没有物理输入输出的单纯网络。2013年，德国提出了“工业4.0”，其核心技术就是Cyber-Physical Production System（信息物理生产系统）。信息物理系统是一个综合计算、通信、控制、网络和物理环境的多维复杂系统，以大数据、网络与海量计算为依托，通过3C（Computing、Communication、Control）技术的有机融合与深度协作，实现大型工程系统的实时感知、动态控制和信息服务。CPS能够从物理空间（Physical Space）、环境、活动大数据的采集、存储、建模、分析、挖掘、评估、预测、优化和协同，并与对象的设计、测试和运行性能表征相结合，使网络空间（Cyber Space）与物理空间深度融合、实时交互、互相耦合、互相更新；进而通过自感知、自记忆、自认知、自决策、自重构和智能支持促进工业资产的全面智能化。在中国制造2025中，信息物理系统被认为是支撑两化深度融合的综合技术体系，是推动制造业与互联网融合发展的重要抓手。CPS把人、机、物互联，实体与虚拟对象双向连接，以虚控实，虚实融合。CPS内涵中的虚实双向动态连接，有两个步骤:
1）虚拟的实体化，如设计一件产品，先进行模拟、仿真，然后再制造出来；
2）实体的虚拟化，实体在制造、使用、运行的过程中，把状态反映到虚拟端去，通过虚拟方式进行监控、判断、分析、预测和优化。
CPS通过构筑信息空间与物理空间数据交互的闭环通道，能够实现信息虚体与物理实体之间的交互联动。数字孪生体的出现为实现CPS提供了清晰的思路、方法及实施途径。以物理实体建模产生的静态模型为基础，通过实时数据采集、数据集成和监控，动态跟踪物理实体的工作状态和工作进展（如采集测量结果、追溯信息等），将物理空间中的物理实体在信息空间进行全要素重建，形成具有感知、分析、决策、执行能力的数字孪生体。因此，从这个角度看，数字孪生体是CPS的核心关键技术。
数字孪生体与数字化生产线通过数字纽带集成了生命周期全过程的模型，这些模型与实际的智能制造系统和数字化测量检测系统进一步与嵌入式的信息物理系统(CPS)进行无缝的集成和同步，从而使我们能够在这个数字化产品上看到实际物理产品可能发生的情况。
数字孪生的应用
预见设计质量和制造过程
在传统模式中，完成设计后必须先制造出实体零部件，才能对设计方案的质量和可制造性进行评估，这意味着成本和风险的增加。而通过建立数字孪生模型，任何零部件在被实际制造出来之前，都可以预测其成品质量，识别是否存在设计缺陷，比如零部件之间的干扰，设计是否符合规格等。找到产生设计缺陷的原因，在数字孪生模型中直接修改设计，并重新进行制造仿真，查看问题是否得到解决。
制造系统中，只有当所有流程都准确无误时，才能顺利进行生产，一般的流程验证方法是获得配置好的生产设备之后再进行试用，判断设备是否运行正常，但是到这个时候再发现问题为时已晚，有可能导致生产延误，而且此时解决问题所需要的花费将远远高于流程早期。
当前自动化技术广泛应用，最具革命性意义的是机器人开始出现在工作人员身旁，引入机器人的企业需要评估机器人是否能在生产环境中准确执行人的工作，机器人的尺寸和伸缩范围会不会对周围的设备造成干扰，以及它有没有可能导致操作员受到伤害。机器人成本昂贵，更需要在早期就完成这些工作的验证。
高效的方法是建立包含所有制造过程细节的数字孪生模型，在虚拟环境中验证制造过程。发现问题后只需要在模型中进行修正即可，比如机器人发生干涉时，改变工作台的高度、输送带的位置、反转装配台等，然后再次执行仿真，确保机器人能正确执行任务。
借助数字孪生模型在产品设计阶段预见其性能并加以改进，制造流程初期就掌握准确信息并预见制造过程，保证所有细节都准确无误，这些无疑是具有重要意义的，因为越早知道如何制造出色的产品，就能越快的向市场推出优质的产品，抢占先机。
推进设计和制造高效协同
随着产品制造过程越来越复杂，制造中所发生的一切需要进行完善的规划。而一般的过程规划是设计人员和制造人员基于不同的系统独立工作。设计人员将产品创意提交给制造部门，由他们去思考如何制造。这样容易导致产品信息流失，使得制造人员很难看到实际状况，增加出错的几率。一旦设计发生变更，制造过程很难实现同步更新。
而在数字孪生模型中，所需要制造的产品、制造的方式、资源以及地点等各个方面可以进行系统地规划，将各方面关联起来，实现设计人员和制造人员的协同。一旦发生设计变更，可以在数字孪生模型中方便地更新制造过程，包括更新面向制造的物料清单，创建新的工序，为工序分配新的操作人员，在此基础上进一步将完成各项任务所需的时间以及所有不同的工序整合在一起，进行分析和规划，直到产生满意制造过程方案。
除了过程规划之外，生产布局也是复杂的制造系统中重要的工作。一般的生产布局是用来设置生产设备和生产系统的二维原理图和纸质平面图，设计这些布局图往往需要大量的时间精力。
竞争日益激烈，企业需要不断向产品中加入更好的功能，以更快的速度向市场推出更多的产品，这意味着制造系统需要持续扩展和更新。但静态的二维布局图由于缺乏智能关联性，修改又会耗费大量时间，制造人员难以获得有关生产环境的最新信息，来制定明确的决策和及时采取行动。
借助数字孪生模型可以设计出包含所有细节信息的生产布局，包括机械、自动化设备、工具、资源甚至是操作人员等各种详细信息，并将之与产品设计进行无缝关联。比如一个新的产品制造方案中，引入的机器人干涉到一条传送带，布局工程师需要对传送带进行调整并发出变更申请，当发生变更时，同步执行影响分析来了解生产线设备供应商中，哪些会受到影响，以及对生产调度产生怎么样的影响，这样在设置新的生产系统时，就能在需要的时间获得正确的设备。
基于数字孪生模型，设计人员和制造人员实现协同，设计方案和生产布局实现同步，这些都大大提高了制造业务的敏捷度和效率，帮助企业面对更加复杂的产品制造挑战。
确保设计和制造准确执行
如果制造系统中所有流程都准确无误，生产便可以顺利开展。但万一生产进展不顺利，由于整个过程非常复杂，制造环节出现问题并影响到产出的时候，很难迅速找出问题所在。
最简单的方法是在生产系统中尝试一种全新的生产策略，但是面对众多不同的材料和设备选择，清楚的知道哪些选择将带来最佳效果又是一个难题。
针对这种情况，可以在数字孪生模型中对不同的生产策略进行模拟仿真和评估，结合大数据分析和统计学技术，快速找出有空档时间的工序。调整策略后再模拟仿真整个生产系统的绩效，进一步优化实现所有资源利用率的最大化，确保所有工序上的所有人都尽其所能，实现盈利能力的最大化。
为了实现卓越的制造，必须清楚了解生产规划以及执行情况。企业经常抱怨难以确保规划和执行都准确无误，并满足所有设计需求，这是因为如何在规划与执行之间实现关联，如何将在生产环节收集到的有效信息反馈至产品设计环节，是一个很大的挑战。
解决方案是搭建规划和执行的闭合环路，利用数字孪生模型将虚拟生产世界和现实生产世界结合起来，具体而言就是集成PLM系统、制造运营管理系统以及生产设备。过程计划发布至制造执行系统之后，利用数字孪生模型生成详细的作业指导书，与生产设计全过程进行关联，这样一来如果发生任何变更，整个过程都会进行相应的更新，甚至还能从生产环境中收集有关生产执行情况的信息。
此外还可以使用大数据技术，直接从生产设备中收集实时的质量数据，将这些信息覆盖在数字孪生模型上，对设计和实际制造结果进行比对，检查二者是否存在差异，找出存在差异的原因和解决方法，确保生产能完全按照规划来执行
应用案例
秀品牛船舶动力系统综合运维监控数字孪生平台
该案例主要应用于船舶动力系统的统一管理运维。使数据更加透明化，使管理成本大大降低，维护人员解决问题的效率大大提高，改变了传统船舶出现故障问题都要出海上船检修的现象，将原有几天的时间缩短到几个小时。系统采集上百艘包括科研船、客运船、货船、施工船在内的多种类型的船舶数据，对所有船只进行系统化的数据整合分析，及时发现效率低下、故障的船只并针对性的提出解决建议。
针对船舶的位置、动力系统、电力系统等多个维度进行数据监控和远程维修指导工作。通过该系统平台快速定位出现故障的船舶，通过调取船舶的历史数据及时为故障船舶提出参考意见。