发布于 2021-4-21 9:16:59   阅读次数：

最近，某位专家去一家企业，把数字孪生讲得头头是道，企业的人却普遍表示没有听懂。这种现象并不奇怪：对学术界来说，原理清楚就清楚了；但对企业界来说，则需要把创造价值的逻辑讲清楚。讲不清楚价值，就是没有道理。

 

数字孪生的定义有许多种。在工信部发布的2020版《数字孪生白皮书》中提到的一种比较典型：数字孪生是以数字化方式创建物理实体的虚拟实体，借助历史数据、实时数据、以及算法模型等，模拟、验证、预测、控制物理实体全生命周期过程的技术手段。我想，人们对概念的困惑往往源于“见树木不见森林”：每段话都明白，放在一起就糊涂了。人们会问：为什么要全生命周期？没有数字孪生也可以做仿真、模拟、预测啊？

 

“日光之下无新事”。几乎所有的概念都会有历史的发展脉络。理解复杂新概念的办法之一，是从简单的老概念开始。然后把场景逐渐深入，直到引出新的概念。下面我们从两条线索分析数字孪生的诞生。

 

理解数字孪生的线索之一是模型。模型是人们非常熟悉的概念。需要提醒的是：科技界常见的模型有两种。一种是描述各种自然规律的数学模型，如牛顿定律、勾股定理、化学反应方程式等。这种模型本质是一种知识，可以帮助人们从对象的部分信息获取另外一部分信息：从容易得到的信息推知不易得到的信息、从现在的信息推知未来的信息；从可能发生的信息推知对应发生的结果。最后一种情况就做仿真。仿真的目的往往是对模型的反向应用：从已知或期望的结果，寻找对应的原因或者手段。另外一种模型则是对对象属性和结构的描述。设备的3D数字化模型就是典型。从第一性原理看，这种模型的本质优势，在于既便于人类分析和理解、又便于计算机处理，给人机协同打开了方便之门。

 

理解数字孪生的另外一条线索是控制论。这个理论是自动化的基础，也是信息化、智能化的基础。决策是控制论的核心问题之一，而决策的关键是获取完整、及时、准确的信息和知识。从传统自动化开始，模型就得到了广泛的应用。人们设计控制器时往往首先需要给控制对象建模，并在此基础上设计并测试控制器。但自动化理论针对的模型非常简单，重点是用线性常微分方程组描述的模型。从某种意义上说，这种局限性与工具条件有关：控制理论产生之初，控制器往往是由电感、电容、电阻等电子元件搭建而成的。

 

“数学是宇宙的语言，是上帝书写世界的符号”。理论上讲，计算机可以给任何客观对象建模。而数字化时代为计算机参与的决策创造了前所未有的条件。决策所需的信息其实包括两个部分：静态信息和动态信息。以设备系统为例。设备的3D 模型、额定功率等属于静态信息，温度、转速等运行参数则是动态信息。在互联网时代，人们不仅能用模型获得系统内部的信息，还可以通过互联网获得系统之外的信息，真正做到了“知己知彼”。再用第一性原理看，其意义在于打开了智能决策之门。

 

把设备的静态信息存在计算机中、把动态信息传给计算机，同时计算机的控制指令也可以通过网络传给设备。这样就构成了一个典型的智能体CPS——Cyber Physical System。这时，只要有了充分的知识，就可以进行决策。所以，CPS有两种：一种是借助于人的知识、人类参与决策，一种则是自动决策。

 

从CPS到数字孪生，关键之一是要抓住“全生命周期”的概念。

 

在数字孪生中，存储的不仅是当前的静态和动态数据，还包含了全生命周期的数据，如历史数据。同样以设备为例，数字孪生不仅包含设备本身的设计数据、制造或安装过程的数据、使用和维护过程的历史数据。

 

数字孪生的建立理念与模型不同：一般的模型是为了特定目的而建立的。这意味着，模型往往并不包含与特定目标无关的属性。但人们建立数字孪生的目的往往有很多个，甚至可能包含不确定、开放性的目标。数字孪生中的数据，往往是把生命周期过程中产生的数据“顺便”收集起来，而不像过去那样丢弃或保存在数据产生的环节。这样，人们需要这些数据的时候，用起来就方便了。

 

数字孪生与信息的“端到端集成”有类似之处。传统的信息集成强调把数据联系起来、能够访问到。而数字孪生却倾向于把某个对象生命周期的数据集中起来、统一管理。这种做法显然更加有利于数据的管理和复用。信息集成主要作用是促进业务的协同，重点在跨越空间区域；而数字孪生的优势则是系统调试、投运、持续改进等，重点是跨越时间段。

 

传递函数、状态方程等自动化理论主要解决相对正常的问题，CPS等智能化手段往往用来解决相对异常的问题。这两类技术主要用于解决预料之中的事情，而数字孪生往往针对预料之外的事情。特别需要说明的是：人类在设计、制造、生产、维护等过程中的错误或不足，就是典型的意外。

 

以机械设备为例。设计出来的产品，在加工、安装阶段可能会出现各种意外。这时，设计数据就可以用来分析问题出现的根源，有针对性地改进和优化设计、加工或安装工艺。设备的调试和投运阶段是数字孪生最典型的应用场景。这两个阶段是最容易出现意外的。由于数字孪生的静态和动态参数都与物理对象一致，就可以通过仿真的手段去分析各种处置策略的优劣。

 

这种仿真结果不同于传统的仿真：传统的仿真一般用于设计优化，而这种仿真用于控制或处置策略优化。而这里的控制策略优化也不同于CPS或各种模型控制：CPS或模型控制的策略往往相对简单、往往有预案、甚至是可以自动执行的。数字孪生的处置策略一般要复杂得多，也不一定有预案，可能是人类专家根据当时的情况临时想出来的。同样，在生产、维护等过程中，也可能会出现各种意外，需要人们调出数字孪生的信息加以分析、解决。而上述所有的信息，都可以用于新一代设备的设计过程中，从而提高产品研发的水平。

 

编过高可靠度程序的人都知道：编程序不难，调试很难；编程要规范，主要是为了便于调试。因为调试中遇到的问题，往往是思维的漏洞导致的。如果能减少程序的错误、缩短调试时间，意义将会非常大。数字孪生的一个重要作用，就像帮助软件工程师调试程序。

 

数字孪生还可以用于生产过程的优化。这种优化，往往跨越空间、跨越部门、跨越人机，常常属于管控融合的范畴。管理问题和知识的特点之一往往是碎片化的，往往是在长期的生产过程中才遇到的。人们要解决这些问题时，或者把相关知识数字化时，事先很难想清楚需要准备什么样的数据。而数字孪生则把能够准备的数据都准备好了，从而降低持续改进的工作量、尤其是数据整理工作的工作量。所以，数字孪生的一个重要作用，仍然是支持持续优化。日本的IVRA模型，高度强调PDCA持续改进对智能化的作用。

 

智能化可能是人机共同决策、也可能是机器决策，而数字孪生的应用过程，则往往存在人机互动或协同决策的过程。而人机协同的一个重要原因，是发挥人类智慧和灵活性。在设计、改进过程中，人类智慧就是主导性的。

 

很多人不理解数字孪生的价值。笔者发现：导致这种现象的一个重要原因是我国多数企业长期依靠国外的技术，从而导致理念上的局限性。如前所述：数字孪生最重要的作用之一，就是提升研发能力和持续改进能力。而我国企业研发设计能力弱、持续改进的意识不强，过度依赖国外技术。这就好比，在牛拉车的时代，人们就很难想象交通灯的重要性。

 

工业界有种说法：“引进、落后，再引进、再落后”。导致这种现象的一个重要原因，就是我们的引进之后，国外的技术又发展了。换句话说，我们在持续改进的环节上出了问题。特别地，高科技往往是持续改进的结果，飞机发动机、芯片、光刻机、碳纤维都是这样。然而，这些产品中国都是能生产的，问题是质量不如别人。我们被国外卡脖子的技术，往往是在持续改进的过程中失败的。

 

数字化时代的一个重要作用，是提升企业的管理能力、研发能力和持续改进能力。中国要用数字化方法建立起这样的一种能力，未来就不愁技术落后了。反之，如果我们没有建立这种能力而国外建立了这种能力。我们和国外的竞争，就会像用两条腿和汽车赛跑，差距只会越来越大。

• 人力资源管理软件职场干货：公司好不好，看HR就知道了
• 人力资源管理软件职场干货：HR如何解决跨部门沟通带来的困扰？
• 南沙科金控股集团携手合协EHR软件
• 人力资源管理软件职场干货：“我有五年招聘经验”“不，你根本没经验！”
• 人力资源管理软件职场干货：只要认真搞，没有什么KPI搞不挎的企业
• 人力资源管理软件职场干货：ChatGPT能否成为一位资深的HR？