Digital Twin

数字孪生是物理资产、流程或系统的虚拟模型，通过持续的数据流与实体保持同步，并将决策反馈给实体。物理对象可以是一台泵、一条生产线、一座风电场或一个城市区域；虚拟模型则结合其几何形状、传感器采集的当前状态，以及对其行为的建模，使操作人员能够监控对象、在仿真中测试“假设”变化，并在故障发生前进行预测。Michael Grieves 于 2002 年在密歇根大学将这一概念引入产品生命周期管理；NASA 的 John Vickers 大约在 2010 年将其命名为“数字孪生”。2021 年发布的 ISO 23247 系列标准定义了制造业数字孪生框架。

数字模型、数字影子与数字孪生#

这个术语经常被用于指代任何 3D 模型或仪表板，因此研究人员根据物理对象与虚拟对象之间的数据流动方式，将其区分为三个层级。Kritzinger 及其同事在 2018 年发表的综述将人工更新的虚拟模型称为数字模型；将自动接收实时数据、但只有通过人工操作才能改变物理资产的模型称为数字影子；将数据能够自动双向流动的模型称为数字孪生。

相比之下，仿真会在没有特定资产实时连接的情况下探索各种假设场景；数字孪生则基于资产的当前状态运行此类仿真。3D 重建技术（例如摄影测量、神经辐射场和高斯溅射）可提供数字孪生的几何形状和外观。

数字孪生如何工作#

一个可运行的数字孪生由多个层组成。工业物联网传感器、可编程逻辑控制器和摄像机测量物理状态，OPC UA 和 MQTT 等协议则将这些读数传输到数据平台。行为模型包括基于物理原理的仿真（例如有限元和流体动力学模型），以及根据仿真运行结果或历史数据训练的机器学习代理模型，后者能在几毫秒内给出答案。基于同步状态的分析涵盖异常检测、对剩余使用寿命进行预测建模，以及对吞吐量进行时间序列分析；分析结果会以调整设定值、维护工单或新的生产计划等形式反馈回来。

计算机视觉能将普通摄像机变成数字孪生的传感器。目标检测可统计零件、托盘和车辆，多目标跟踪可追踪它们在场地中的移动，姿态估计可记录工人的动作以进行人体工学研究，分割则可测量填充水平或物料堆积量。Ultralytics YOLO26 的跟踪模式会为每个检测到的物体分配一个在视频帧间保持不变的 ID，因此数字孪生可以为每辆叉车或每个托盘更新一条记录及其最新位置，而不是每帧都创建新对象。数据也会反向流动：数字孪生渲染的场景可生成带标签的合成数据，用于训练视觉模型；对纹理和光照进行领域随机化，则有助于模型迁移到真实摄像机。

实际应用#

• 制造业：工厂数字孪生让工程师能在改动真实生产线之前，先虚拟调整生产线布局、重新规划机器人路径并平衡工作负载；机器数字孪生则根据振动、温度和电流数据安排维护。
• 物流与仓储：仓库数字孪生将基于摄像机的货物和车辆跟踪与订单数据相结合，以测试布局、货位规划策略和机器人集群。
• 能源与航空航天：喷气发动机和风力涡轮机数字孪生将物理模型与各设备的传感器数据流相结合，用于估算单个组件的磨损情况并据此安排检查。
• 智慧城市：城市数字孪生对建筑、交通和公用设施进行建模，交通摄像机统计的车辆数量则用于校准交通仿真。Virtual Singapore 是一项于 2014 年启动的国家级计划，耗资 7300 万新加坡元，以 3D 形式对整个城邦进行建模，用于城市规划研究。