数字孪生近些年可谓炙手可热。虚拟偶像、虚拟主播、数字藏品等等新闻频频登上新闻头条。可以预见：随着技术的迭代发展，基于数字孪生、区块链等新一代技术的协作开发框架越来越明显。然而，很多开发者并没有搞清楚数字孪生的设计理念和工作原理。希望此文能帮助到大家。

数字孪生是跨越其生命周期的对象或系统的虚拟表示，从实时数据更新，到使用仿真、机器学习和推理来帮助决策。数字孪生（资产或系统的虚拟复制品）历来用于工程和建设。但即将出现一种新的用途：应对当前的新冠疫情以及任何未来的疫情。

根据 MarketsandMarkets 发布的一份研究报告《按技术、类型（产品、流程和系统）、应用（预测性维护）、行业（航空航天和国防、汽车和运输、医疗保健）和地理划分的数字孪生市场——2026 年全球预测》，2020 年，数字孪生市场价值 31 亿美元，预计到 2026 年将达到 482 亿美元，2020 年至 2026 年的复合年增长率为 58.0%。

由于COVID-19流行病的爆发、维护的改变，以及越来越多地采用数字孪生解决方案来应对COVID-19流行病，越来越多的数字孪生在医疗和制药工业中的需求是推动数字孪生市场增长的关键因素。

近期，爱尔兰科克理工学院的团队在《计算智能与神经科学》杂志2022年的一期特刊中概述了他们用数字孪生应对新冠疫情爆发的计划。据团队声称，需要一套去中心化的、基于区块链的协作数字孪生框架。框架去中心化将决策和控制从集中式网络转移到分布式网络，从而提供了很强的隐私（对医疗保健相关数据而言至关重要），同时确保系统透明。

笔者认为，结合数字孪生和区块链是构建安全、去中心化的医疗网络物理系统（MCPS）的“正确之道”，该系统集成了医疗设备网络。其想法是，参与者（比如患者、医生或医院）由部署在 MCPS 中的多个数字孪生来表示。数字孪生协作和交互，共享数据，并执行实时预测；所预测的风险让 MCPS 可以就封锁、限制和隔离给出建议。

用于MCPS的基于区块链的协作数字孪生

1991 年，耶鲁大学计算机科学教授 David Gelernter 首次提出了数字孪生的概念。然而，密歇根大学 Michael Grieves 博士被认为是2002年首次将数字孪生概念应用于制造业，并正式宣布了数字孪生的软件概念。最终，美国国家航空航天局的技术专家John Vickers在2010年引入了数字孪生这个术语。  

然而，使用数字孪生作为研究物理对象的手段的核心思想早已有之。事实上，可以说美国国家航空航天局在上世纪60年代的太空探索任务中率先使用了数字孪生技术，每个航天器在当时都被精确复制成相同的模型，供美国国家航空航天局工作人员用于研究和模拟。

数字孪生是一种虚拟模型，旨在准确反映物理对象。研究对象（例如风力涡轮机）配备了与重要功能领域相关的各种传感器。这些传感器产生有关物理对象性能不同方面的数据（例如能量输出、温度、天气条件等），然后将该数据转发到处理系统并应用于数字副本。

一旦获得此类数据，虚拟模型可用于运行模拟、研究性能问题并带来可能的改进，所有这些都是为了产生有价值的见解，然后可以将其应用回原始物理对象。

尽管仿真技术和数字孪生都利用数字模型来复制系统的各种过程，但数字孪生实际上是一个虚拟环境，这使得它的研究更加丰富。数字孪生和模拟之间的区别主要在于规模问题：虽然模拟通常是研究一个特定的过程，但数字孪生本身可以运行任意数量的有用模拟来研究多个过程。

它们的差异并不止于此。例如，模拟通常不会从实时数据中受益。但数字孪生是围绕双向信息流设计的，首先在对象传感器向系统处理器提供相关数据时发生，然后在处理器创建的见解与原始源对象共享回时再次发生。 

通过拥有与广泛领域相关的更好且不断更新的数据，再加上虚拟环境带来的额外计算能力，数字孪生能够从比模拟更多的有利位置研究更多问题，并在改进产品和流程方面具有更大的潜力。

根据产品放大倍数的不同，有多种类型的数字孪生。这对数字孪生最大的区别在于应用领域。不同类型的数字孪生在系统或流程中共存是很常见的。以下通过数字孪生的类型来了解差异以及它们的应用方式。

当两个或多个组件一起工作时，它们就形成了所谓的资产。资产孪生让企业可以研究这些组件的交互，创建大量可以处理的性能数据，然后转化为可操作的步骤。

下一级别的放大将涉及系统孪生或单元孪生，这使人们能够看到不同的资产如何组合在一起形成一个完整的功能系统。系统孪生提供有关资产交互的可见性，并可能建议性能增强。

过程孪生（放大的宏观层面）揭示了系统如何协同工作以创建整个生产设施。这些系统是否都同步以最高效率运行，或者一个系统的延迟会影响其他系统？流程孪生可以帮助确定最终影响整体效率的精确时序方案。

使用数字孪生可以更有效地研究和设计产品，并创建大量关于性能结果的数据。这些信息可以帮助企业在开始生产前对产品进行必要的改进。

即使在新产品投入生产之后，数字孪生也可以帮助镜像和监控生产系统，着眼于在整个制造过程中实现和保持最高效率。 

数字孪生甚至可以帮助制造商决定如何处理工作寿命结束的产品，并需要通过回收或其他措施进行最终处理。通过使用数字孪生，他们可以确定能够回收哪些材料。

虽然数字孪生因其提供的功能而备受推崇，但并不保证每个制造商或创建的每个产品都可以使用它们。并非每个对象都很复杂，以至于需要数字孪生所需的密集且定期的传感器数据流。而从财务角度来看，投入大量资源来创建数字孪生并不总是值得的。需要记住的是，数字孪生是物理对象的精确复制品，这可能使它的创建成本高昂。

另一方面，许多类型的项目确实特别受益于数字模型的使用： 

因此，在数字孪生方面取得最大成功的行业是那些涉及大型产品或项目的行业： 

快速扩张的数字孪生市场表明，虽然数字孪生已经在许多行业中使用，但对数字孪生的需求将在一段时间内继续升级。2020 年，数字孪生市场规模为 31 亿美元。一些行业分析师推测，它至少会在 2026 年之前继续大幅上升，估计攀升至 482 亿美元。

使用端到端数字孪生可以让所有者/运营商减少设备停机时间，同时提高产量。探索由IBM公司和西门子公司创建的服务生命周期管理解决方案。

数字孪生技术已广泛用在以下应用场合中：

大型发动机（包括喷气发动机、机车发动机和发电涡轮机）从数字孪生的使用中受益匪浅，特别是在帮助建立定期维护的时间表方面。 

大型建筑物或海上钻井平台等大型物理结构可以通过数字孪生进行改进，尤其是在设计过程中。也可用于设计在这些结构内运行的系统，例如HVAC系统。

由于数字孪生旨在反映产品的整个生命周期，因此数字孪生在制造的各个阶段无处不在，指导产品从设计到成品以及其间的所有步骤也就不足为奇了。 

正如可以通过使用数字孪生对产品进行分析一样，接受医疗保健服务的患者也可以采用数字孪生。相同类型的传感器生成数据系统可用于跟踪各种健康指标并生成关键见解。

汽车是许多类型的复杂、协同工作的系统，数字孪生广泛应用于汽车设计中，既可以提高汽车性能，也可以提高生产效率。

土木工程师和其他参与城市规划活动的人员可以通过使用数字孪生得到了极大的帮助，数字孪生可以实时显示 3D 和 4D 空间数据，还可以将增强现实系统纳入建筑环境。

在部署数字孪生系统之前，须克服几大技术挑战。比如说，时间和速度是数字孪生面临的一大问题。解决方案可能是本地存储从闭路电视等监控技术收集而来的数据，但这同样也会带来数据安全风险。另一大问题：需要超 5G（B5G） 或 6G 之类的先进通信技术，以处理必须快速传输的大量数据。

然而两者都处于研究阶段，还不是实用的技术。边缘机器学习将“计算”从数据中心带到更接近实际操作的地方，可能是提供全面连接和高准确度，同时防止数据丢失的关键。然而，机器学习模型从来不是为部署在边缘而设计的，有关专家认为 TinyML 有望解决这一难题。

现有运营模式显然正在发生根本性变化。资产密集型行业正在进行数字化改造，以颠覆性的方式改变运营模式，需要对资产、设备、设施和流程进行集成的物理和数字视图。数字孪生是这种重组的重要组成部分。

随着越来越多的认知能力不断投入使用，数字孪生的未来几乎是无限的。数字孪生不断学习新的技能和能力，有理由确信未来的产品将更加完美，流程将更加高效。