何为数字孪生？这一文带你全面了解数字孪生！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。
1991年，耶鲁大学计算机科学教授DavidGelernter首次提出了数字孪生的概念。然而，密歇根大学MichaelGrieves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JohnVickers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。
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。1、组件孪生/零件孪生组件孪生是数字孪生的基本单元，是功能组件的最小示例。零件孪生也大致相同，但属于不太重要的组件。2、资产孪生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。3、系统孪生或单元孪生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。4、过程孪生过程孪生（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。
1、更好地研发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。2、更高的效率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。3、处理工作寿命结束的产品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。
这些年，数字孪生可谓炙手可热。数字孪生历来用于工程和建设，但现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。
随着5G、物联网、云计算、数字孪生等新兴一代技术的发展以及层出不穷的网络新业务涌现，网络负载不断增加，网络规模持续扩大。由此带来的网络复杂性，使得网络的运行和维护变得越来越复杂。同时，由于网络运营的高可靠性要求，网络故障的高代价以及昂贵的试验成本，网络的变动往往牵一发而动全身，新技术的部署愈发困难。讲数字孪生之前先具体来说一下，超大规模网络发展面临的哪些典型挑战：
1)网络灵活性不足
2)网络新技术研发周期长、部署难度大
3)网络综合管理运维复杂
4)网络优化成本高、风险大
为解决上述困难，网络智能化越来越为各行业、产业界所重视。基于意图网络，自动驾驶网络，零接触(Zero-Touch)网络等概念和技术相继被业界提出和推广，希望借助网络智能化技术，实现网络自动化和自主化运行的愿景。数字孪生系统构建物理网络的实时镜像，可增强物理网络所缺少的系统性仿真、优化、验证和控制能力，助力上述网络新技术的部署，更加高效地应对网络问题和挑战。
将数字孪生技术应用于网络，创建物理空间的虚拟镜像，即可搭建数字孪生网络平台。通过物理空间和数字孪生技术实时交互、相互影响，数字孪生网络平台能够助力网络实现低成本试错、智能化决策和高效率创新。数字孪生网络的研究和应用在产业和学术界还处于起步阶段。
1、数字孪生的起源（超越现实的概念）
孪生的概念最早起源于美国国家航空航天局的阿波罗计划；2003年前后，关于数字孪生（DigitalTwin）的设想首次出现于美国密歇根大学的产品全生命周期管理课程上；直到2010年，DigitalTwin一词在NASA的技术报告中被正式提出；2012年，美国国家航空航天局与美国空军联合发表了关于数字孪生的论文，重点应用于未来飞行器发展。
近年来，随着多学科建模与仿真技术的飞速发展，数字孪生技术研究成为热点，得益于物联网、大数据、云计算、人工智能等新一代信息技术的发展，数字孪生在虚拟样机、数字孪生车间、数字孪生工业、数字孪生卫星、智慧能源、智慧工厂、交通、医疗健康等诸多领域得到成功运用。面向未来网络发展，伴随着云计算、大数据、人工智能等技术的不断发展以及信息的泛在化，数字孪生技术也将更广泛地运用于人体活动监控与管理、家居生活和科学研究等领域，使得整个社会走向虚拟与现实结合的数字孪生世界。
什么是数字孪生？学术界和产业界有不同的定义，通俗地可以理解为：以数字化的方式建立物理实体的虚拟模型，物理世界数字化，借助历史数据、实时数据和算法模型，实现对物理实体的分析预测和改善优化，具有实时性和闭环性。数字孪生将割裂的虚拟世界与现实世界融合，是前沿科技下一个代际的发展主题。
Gartner在其物联网(Internetofthings，IoT)数字孪生技术报告中提出构建一个物理实体的数字孪生体需要4个关键要素:模型、数据、监控和唯一性。提出了数字孪生的五维模型{PE，VE，Ss，DD，CN}，其中，PE表示物理实体，VE表示虚拟实体，Ss表示服务，DD表示孪生数据，CN表示各部分之间的连接。国际标准化组织(InternationalOrganizationforStandardization，ISO)发布了面向制造的数字孪生系统框架标准草案，提出包含数据采集域、设备控制域、数字孪生域和用户域的参考框架，该草案即将成为数字孪生领域第一个国际标准。
2、数字孪生定义
数字孪生网络业界尚无统一的定义，本文将数字孪生网络定义为:一个具有物理网络实体及虚拟孪生体，且二者可进行实时交互映射的网络系统。
在此系统中，各种网络管理和应用可利用数字孪生技术构建的虚拟孪生体，基于数据和模型对物理实体进行高效的分析、诊断、仿真和控制。基于此定义，数字孪生应当具备4个核心要素:数据、模型、映射和交互。
1）数据
数据是构建数字孪生可视化的基石，通过构建统一的数据共享仓库作为数字孪生网络的单一事实源，高效存储物理网络的配置、拓扑、状态、日志、用户业务等历史和实时数据，为数字孪生提供数据支撑。
2）模型
数字孪生中的模型既包含了对应已知物理对象的机理模型，也包含了大量的数据驱动模型。其中，动态是模型的关键，动态意味着这些模型需要具备自我学习、自主调整的能力。
3）映射
在数字虚体空间中创建的虚拟事物，与物理实体空间中的现实事物形成了在形、态、质地、行为和发展规律上都极为相似的虚实精确映射关系，让物理孪生体与数字孪生体具有了多元化映射关系，具备了不同的保真度（逼真、抽象等）特征。
4）交互
交互是达成虚实同步的关键，数字孪生通过标准化的接口连接网络服务应用和物理实体系统，完成对于物理网络的实时信息采集和控制，并提供及时诊断和分析。
基于四要素构建的网络孪生体可借助优化算法、管理方法、专家知识等对物理网络进行全生命周期的分析、诊断、仿真和控制，实现物理网络与孪生网络的实时交互映射，帮助网络以更低成本、更高效率、更小的现网影响部署各种网络应用，助力网络实现极简化和智慧化运维。
3、从数字孪生的定义可以看出，数字孪生具有以下几个典型特点：
**1）互操作性：**数字孪生中的物理对象和数字空间能够双向映射、动态交互和实时连接，因此数字孪生具备以多样的数字模型映射物理实体的能力，具有能够在不同数字模型之间转换、合并和建立表达的等同性。
**2）可扩展性：**数字孪生技术具备集成、添加和替换数字模型的能力，能够针对多尺度、多物理、多层级的模型内容进行扩展。
**5）闭环性：**数字孪生中的数字虚体，用于描述物理实体的可视化模型和内在机理，以便于对物理实体的状态数据进行监视、分析推理、优化工艺参数和运行参数，实现决策功能，即赋予数字虚体和物理实体一个大脑。因此数字孪生具有闭环性。
数字孪生关键技术
一个数字孪生系统，按照其所能实现的功能来分，大致可分为4个发展阶段：
（1）数化仿真阶段
在这个阶段，数字孪生要对物理空间进行精准的数字化复现，并通过物联网实现物理空间与数字空间之间的虚实互动。这一阶段，数据的传递并不一定需要完全实时，数据可在较短的周期内进行局部汇集和周期性传递，物理世界对数字世界的数据输入以及数字世界对物理世界的能动改造基本依赖于物联网硬件设备。
这一阶段主要涉及数字孪生的物理层、数据层和模型层（尤其是机理模型的构建），最核心的技术是建模技术及物联网感知技术。通过3D测绘、几何建模、流程建模等建模技术，完成物理对象的数字化，构建出相应的机理模型，并通过物联网感知接入技术使物理对象可被计算机感知、识别。
（2）分析诊断阶段
在这个阶段，数据的传递需要达到实时同步的程度。将数据驱动模型融入物理世界的精准仿真数字模型中，对物理空间进行全周期的动态监控，根据实际业务需求，逐步建立业务知识图谱，构建各类可复用的功能模块，对所涉数据进行分析、理解，并对已发生或即将发生的问题做出诊断、预警及调整，实现对物理世界的状态跟踪、分析和问题诊断等功能。
（3）学习预测阶段
实现了学习预测功能的数字孪生能通过将感知数据的分析结果与动态行业词典相结合进行自我学习更新，并根据已知的物理对象运行模式，在数字空间中预测、模拟并调试潜在未发觉的及未来可能出现的物理对象的新运行模式。在建立对未来发展的预测之后，数字孪生将预测内容以人类可以理解、感知的方式呈现于数字空间中。
这一阶段的核心是由多个复杂的数据驱动模型构成的、具有主动学习功能的半自主型功能模块，这需要数字孪生做到类人一般灵活地感知并理解物理世界，而后根据理解学习到的已知知识，推理获取未知知识。所涉及的核心技术集中于机器学习、自然语言处理、计算机视觉、人机交互等领域。
（4）决策自治阶段
到达这一阶段的数字孪生基本可以称为是一个成熟的数字孪生体系。拥有不同功能及发展方向但遵循共同设计规则的功能模块构成了一个个面向不同层级的业务应用能力，这些能力与一些相对复杂、独立的功能模块在数字空间中实现了交互沟通并共享智能结果。而其中，具有中枢神经处理功能的模块则通过对各类智能推理结果的进一步归集、梳理与分析，实现对物理世界复杂状态的预判，并自发地提出决策性建议和预见性改造，并根据实际情况不断调整和完善自身体系。
在这一过程中，数据类型愈发复杂多样且逐渐接近物理世界的核心，同时必然会产生大量跨系统的异地数据交换甚至涉及数字交易。因此，这一阶段的核心技术除了大数据、机器学习等人工智能技术外，必然还包括云计算、区块链及高级别隐私保护等技术领域。