复杂系统数字孪生：数字孪生迈入智能时代

数字李生迈入智能时代

数字李生具有不同的粒度。XMPro将不能迸一步价值拆分的数字挛生称为

单元数字挛生(discretedigitaltwin),在设计研发阶段，数字挛生以阵列、协作、

递阶的形式组合形成复杂系统学生；在产品寿命周期演进的过程中，设计挛生逐

步与制造季生、运营孳生结合，规模和复杂程度不断增大，包含的信息不断增多，

如图0-1所示。通过采集大量物理世界的信息，结合工业物联网、云和边缘计算、

AI等前沿技术，数字挛生可以体现其自学习、自适应和自判断的能力，实现P-

D-P(Physical-Digital-Physical)闭环反馈学习、从企业到部件级的实时优化、

综合性和灵活性强的配置和调控、预见性维护等功能，持续为企业创造价值。

MarwtacturerSiteCustomerSite

国0-1数字挛生在产品寿命周期中的演进⑴

从实际出发，一步到位实现产品全寿命周期的数字挛生是不现实的，数字挛

生的实现需要综合考虑价值、成木和软硬件条件，从一个或几个典型问题着手,

其抽象程度应以实际用例的需求为准，实现利益增长之后再以点带面，稳步实现

企业的数字化智能化建设。但我们在本章节不妨畅想一下，当数字季生的长期战

略部署实现时，它能够带来什么样的智能化转变。

GE作为全球能源制造行业的老牌领军者，也是企业数字化道路上的先驱。

2012年率先提出工业互联网概念，2015推出了首个工业数据收集分析的工业互

联网平台Predix。本章借助GE构想的智能电厂数字挛生，介绍在产品的运营阶

段，智能化数字挛生的相关前沿技术和所能创造的价值。

1用例背景

典型的IGCC（燃气-蒸汽联合循环）结构如图1-1所示，IGCC电厂在运

行过程面临着如下诸多挑战：

＞系统复杂，设备众多：IGCC电厂包含煤气化设备、高/低温气体冷却

（HTGC/ITGC）设备、COS水解设备、颗粒物及气体污染物移除设备、燃气轮

机、蒸汽轮机、余热锅炉（HRSG）、冷凝器等等设备。设备之间的耦合存在极强

的非线性，给启动和调度带来了很大挑战。

＞能效与环保要求：提高能源的使用效率一直是燃气轮机制造商和电厂研

发工作的核心，以更好地应对全球的能源紧缺和日益严峻的全球变暖形势。提高

能效既需要设计阶段XV材料、结构、系统等方面进行优化，也需要在运行期同对

发电负荷、燃气轮机导叶角度、HRSG调温流量、汽轮机蒸汽入口温度等参数进

行监测和调控。此外，面对越来越严重的大气污桀，现代的电厂需要遵守非常严

格的排放要求，使得电厂的经济调度更为复杂。

＞极限工作环境：作为燃机电厂最核心的部件，燃气轮机透平叶片需要在

超过1400C的高温下持续工作上千小时，且级别越高、效率越高的燃气轮机透

平入口温度越高。极限工作环境一方面对设计端的材料和冷却技术提出了极高的

要求，另一方面也需要在运行期间持续监控部件的热疲劳、热损伤情况，及时进

行维护或更换，避免安全事故，减少计划外停机。目前电厂的维修和部件寿命预

测还主要依赖于工作人员的经验。

＞实时运行状态调整：当今的能源市场上，化石燃料价格、用电需求、小

时发电量、排放标准、可再生能源等市场因素都在不断波动，电厂的经济调度需

要综合考虑多方面的不确定因素，包括环境因素，平衡能源资源和设备容量，保

证发电功率的前提下尽可能地减少燃料消耗，降低运行成本。

DiluentNitrogen

5800TPD

MDEAAcidGasRemoval

AddGas

1G「卞2s♦CO2

CoolingToSulfuric

3AcidPlant

Cold

Box

Cxygen

2W0TPD

Hydrolysis

(COSTH2sCleanSyngas

Product

Compressors

Compressor18MWmbustor

32MWWater

ChtondeiI

CoalCoalWateRemovailenerator

2500TPD192MW

FlyXah

IRadiant&Water

SyngasSyngas

Cooler

Convene

Generator

_\1600psig

酒as125MW

COO，erSteam

SteamTurbine

tconomced

Boiler

Feedwater

Locknopper

Slag&,Con3ewater

KA/oforPumn

图1-1典型的IGCC循环闺

不只是燃机电厂，各类工业企业都面临着类似的挑战。数字李生能够帮助

企业更好地应对这些挑战。

2Physical-DigitalAnalytics

产品的制造过程和运营过程都会产生大量的、连续更新的数据，如状态数

据、传感器读数（包括环境数据）、操作历史记录、构建和维护配置状态、序列

化部件库存、软件版本以及其他企业服务信息等等。物理世界产生的数据被收

集并反馈给数字挛生，在数字侧进行分析、总结并给出可操作建议，该建议反

馈给物理世界执行，这就形成了闭环，如图2-1以制造过程为例，给出了P-D-P

闭环的示意图。实际上，在物理实体创建之后，任何层次、任何领域的数字挛

生都将通过该闭环来创造价值。

PHYSICALDIGITAL

图2・1闭环制造数字李生网

回到燃机电厂的例子，图2-2给出了GE智能电厂挛生的P-D-P闭环，其

中数字侧以高精度的物理模型和统计模型为核心，建立设备、热力循环以及电厂

的各级数字挛生，汇总并分析从物理世界采集的数据（主要包括设备状态参数、

运行环境参数、操作参数、检修记录、电厂调度记录、市场数据等），这期间用

户也可以指定设备容量、可靠性指标、排放指标等KPI参数，参与模型的分析和

决策。数字挛生的反馈主要实现性能优化、调度优化、智能化控制、预见性维护

等等。挛生的精度和实时性也在闭环反馈的过程中不断提升。

BUSINESS

APPLICATIONS

ATMOSPHERIC

DATA

OPSUT1ONAL

DATA

INSPeCTION

ANDREPAIR

smEVENTS

REUABIUTYCAPACITY

CUSTOMERKPPS

图2・2GE智能电厂数字变生⑷

P-D-P闭环的实现依照如图2-3所示的的5C层级架构；该架构由Lee等

针对信息物理系统(CPS)提出:

A

•Self-configureforresilienceT

•Self-adjustforvariation

•Self-optimlzefordisturbanceT

I

B

»Integratedsimulationandsynthesis

IV.Cognitionu

•Remotevisualizaticnforhuman

Level•CollaborativediagnosticsanddecisionmakingT

E

s

•Twinmodelforcomponentsandmachines

•Timemachineforvariationidentificationand

III.CyberLevelmemory

•ClusteringforsimilarityIndatamining

•Smartanalyticsfor

II.Data-to-lnformation•Componentmachinehealth

ConversionLevel•Multi-dimensionaldatacorrelation

X•Degradationandperformanceprediction

・Plug&Play

•Tether-freecommunication

I.SmartConnectionLevel

•Sensornetwork

架构及内\容

(a)5c

Resilient

7F--------------------------------1

SupervisoryRequiredControl

ConfigureSystemActionstoAvoid

ControlActions(RCS)

Decision

SupportPrioritizeand

CognitionSystemOptimize

(DSS)Decisions

FleetofMachinesPeertoPeerMonitoring

Cyber­

AdaptiveAnalyeiePhysical

(而不£»Time^achineSnaoshots

Systems

Cyber(CPS)Self-Compare

MachinesPrognostics

andHealth

ConversionManagementSelf-Aware

(PHM)

Components

Condition

BasedCondition

ConnectionMonitoringMonitoring

(CBM)

Sensors

(b)5c架构的技术及应用

图2-3信息物理系统的5c架构⑸

5C架构由底层到顶层分别指Connection,Conversion,Cyber,Cognition和

Configuration,分别实现状态监测、自认知、自比较、洞察决策和部署优化的功

能。

2.1Smartconnection

准确、全面、及时地获取产品和设备数据是建立CPS系统和高精度数字挛

生的第一步。首先需要高精度的传感器，尤其在设备失效的相关参数上。比如

在燃气轮机中，监测极端工作环境下的燃气轮机状态参数(温度，压力，受力

振动，环境中的湿度、烟尘、污染性气体含量等等)以及热蚀、水蚀、开裂、

蠕变、磨损等失效形式是传感技术的重点内容。状态阐述传感器的发展方向是

高精度的无损传感技术，如磁传感器、声学传感器等等；材料失效检测依托于

嵌入式的微型传感器，如图2-4所示的LifeSight印制蠕变传感器和嵌入压气机

内壁的腐蚀率传感器，随着3D打印技术的不断发展，微型化、低功耗的嵌入

式传感器的应用将更为广泛。

（a）LifeSight印制蠕变传感器（b）压气机内部腐蚀率传感器

图2-4GE燃气轮机蠕变、腐蚀传感器⑷

未来传感器还具有可移动化和集成化的发展趋势。无线传感网的推广应用

可以快速组建拓扑结构可变的传感器网络，对传感数据进行远程传输和管理，

减少线路的影响，避免极端环境下的人工操作；集成化趋势体现在传感器阵列

以及多功能一体化传感器，结构更为紧凑，容易实现补偿和校正。

底层收集的数据来源和种类众多，除了传感器数据，还有控制器和ERP、

MES等企业管理系统数据；除了制造商数据，还有供应商和客户数据。它们相

互之间的通信利用蓝牙、WiFi、GPS以及5G等技术，遵循统一的通信协议

（如Zigbee、IPv6等），从而方便将数据上传到云平台上进行存储、分析和决

策，如图2-5所示。

2.2Data-to-lnformationconversion

没有上下文的数据是没有价值的，必须把传感器采集的原始数据处理为上

下文信息(ContextInfonnation),才能进一步为数字挛生所用。而工业大数据

都在TB量级，还以燃气轮机为例，仅一台典型的GE燃气轮机每天就可以产

生约500GB的数据；而在飞机制造业，一次飞行就会产生5至8TB的数据。

大数据产生过程中还经常面临缺省、噪声等影响分析效率和决策准确性的问

题。显然，直接把传感器数据传输到工业应用进行处理是不可行的，必须通过

中间软件进行上下文感知计算，或将数据处理、存储、双向通信等方面功能与

多种传感功能相结合形成先进的智能化传感器，实现信号探测、数据处理、逻

辑判断、功能计算、自检自校等功能。

2.3Cyber

这一层级实现了图2-1的P-D-P闭环中物理世界和数据世界的信息汇总

集合，依靠基于云的工业物联网(HoT)平台发挥作用。工业物联网指通过大

量的物理感知设备，按照一套标准的通信协议，实现工业设备、系统的智能化

识别及实时状态监管⑺一种网络状态。其首要任务就是有效而流畅地连接工业

中的各种人、机器设备和系统，打通营销、设计、工艺、仿真、制造、售后各

个业务环节，建立透明化的运营体系，实现实时数据共享，将数据集中整理到

一个系统中进行数据传输存储、仿真建模、计算分析等工作，让研发人员、经

营团队、业务分析师以及数据科学家发现数据的价值。从而能够最大限度地利

用已有的资源和知识储备，减少企业中常见的“信息孤岛”和“烟囱系统”问

题。

2.3.1XAAS

云平台是企业由产品导向到服务导向转型的关键推动力。所谓“Every如ng

asaService(XAASf,资源被抽象为服务，因此可以将无处不在的服务无缝提供

给用户，如软件即服务(SaaS),平台即服务(PaaS)和基础设施即服务(laaS)

等。图2-6从服务的角度显示了云计算的体系结构。

UserFront-end

end

Applications

SoftwareasaService(SaaS)

SaaS

EverythingTarget：User/business

asaRuntime/

Sen/uicemiddleware

(XaaS)、°PlatformasaServicePaaS

PaaS-।

JTarget：Developer

Computing

power

.°InfrastuctureasaService(laaS)

laab_......

Target：Administrator

图2-6服务视角的云计算架构⑹

相比于自己负责数据的存储和分享、托管和维护服务器及网络设备、管理自

有基础设施，用户可以订购服务器(托管服务)或数据中心中的一部分空间，也

可以租用计算资源(如CPU内核、RAM等)，降低运营成本，这就是IaaS,利

用集成的开发环境，并将应用程序存储在提供不同服务和工具的应用程序主机上,

不需要另外寻找平台、工具、数据库、算法库和托管服务，而由供应商负责维护

升级和其他常规性能，这种服务称为PaaS。不通过购买和本地安装获得软件，而

是直接在Web页面登录部署在云端的软件工具，或者通过BYOL(BringYour

OwnLicense)模式将自主软件的许可部署在云上，通过调试优化，客户的应用可

在云上流畅运行，并获得高性能应用架构的支持，这就是SaaS。在服务导向的开

放式1ST平台上，用户可以根据自身的软硬件能力和自主知识产权需求获取灵

活的个性化服务。

2.3.2工业物联网安全

在数据接入接出和存储分析的过程中保障数据的安全性、保密性和真实性是

HoT的重大挑战，也是平台用户主要的顾虑所在。由于HoT上连接了成千上万

的设备，需要抵御外部环境(如电源、温度等)对传感器和网络的干扰，需要保

证相邻设备间不发生未授权的信息交互，需要保证数据传输过程中不被有意或无

意的干扰篡改，需要抵御软件和网络等可能受到的外来攻击.还需要保证平台上

的不同用户能够无阻碍地获取授权信息，同时无法访问和处理未授权信息。美国

工业互联网联盟(IIC)发布了其制定的工业互联网安全框架industrialInternetof

ThingsVolumeG4:SecurityFramework^(IISF),分为三个层次，包含了六个相互

关联的功能模块。顶层为四个核心安全功能模块块，即端点保护、通信&连接保

护、安全监测和分析以及安全配置管理。中层是数据保护层，底层是安全模型和

策略，如图2-7所示。这些安全功能模块端到端地部署在从边缘到云端的整个物

联网上，由IT和0T的技术互相连接、提供支持。

2.4Cognition

数字享生通过模型对采集到的数据进行分析。模型包括基于物理理论研究的

模型以及人工智能模型。如图2-8所示，GE智能电厂李生的核心物理模型包括

性能模型、异常检测模型、寿命模型、材料结构模型、动态分析模型、配置管理

模型等，部分模型与设备设计研发阶段所建立的数字挛生模型重合，在此不过多

展开。除了物理模型之外,数字李生还引入了前沿的人工智能模型,如模式识别、

深度学习、迁移学习、文本挖掘、图像识别等等。将人工智能模型与物理模型相

结合，能够大幅度提升异常检测的效率和准确性，为优化电厂调度和实现预见性

维护打下基础。

图2-8GE数字挛生分析模型⑸

通过数字挛生，用户可以以数字资源的消耗代替物理资源的消耗，回答各种

假设问题，对设备和系统的了解能够深入到前所未有的程度。数字挛生积累和分

析物理实体数据不只可以对运行和维护做出指导，还能够根据数据量化模型误差,

对模型进行训练和调整，提高享生的准确性和实时性。实际物理数据反馈到产品

设计和工艺设计，有助于新一代产品的设计改进。

在分析到决策的过程中，可视化技术的作用有时候容易被忽略。在电影《钢

铁侠》当中，托尼就创建了战甲的数字挛生模型，他可以随意拆解全息投影的战

甲的部件，将个别单元拿出来研究并且能直观地看到它的性能。若只有传统的分

析方式，他只能把实体样机拆开测量或者依靠数值公式推算，相比十3D可视化

技术效率将大打折扣。基于VR（虚拟现实）和AR（增强现实）的可视化分析在

工业应用中同样能够起到提升效率的作用。图2-9显示了西门子数字化工业软件

在VR和AR上的研究，通过VR技术，工程师可以直接观察复杂的3D仿真模

型；不同部门不用受到地域的约束，全球的工作人员共享同样的可视化信息，随

时进行比较和协作。最新版本的SolidEdge2020已经嵌入了AR功能，允许用户

通过扫描二维码，在移动设备上呈现3DCAD实体并通过手势操控，有效提高装

配、空间布局等工作的效率。

(a)通过VR观测3D仿真建模(b)SolidEdge2020AR功能

图2-9VR及AR可视化分析

借助IIoT平台，技术知识的共享也不再受时间空间的限制，工程师可以建

立全球范围的知识网络(KnowledgeNetwork),作为对传统企业社交网络的补充。

该知识网络以“任务”为驱动，可以快速查找、识别和共享最佳实践方案，以供他

人使用。工程师通过输入他们正在努力实现的目标类型，就可以找到同样领域或

完成过类似任务的专家，并可以通过知识网络导航检索，快速找到相关的最佳实

践案例。例如，当工程师在构建新的数字享生时，可能对所需数据类型、数据规

模或者某个基于物理的模型有疑问；通过观察其他人如何解决类似的问题，他可

以直接基于共享的知识采取行动，也可以联系其他专家以获取更多信息。

2.5Configuration

这一层级负责将Cognition层所做的决策反馈到物理世界：结合人工智能和

边缘计算，数字李生可以用来进行设备性能优化、车间布局优化、库存管理等实

时优化和管理；根据对设备状态的监控和统计对比，可以进行预见性维护，及时

安排并指导技术服务人员完成现场修理、升级或维修，减少意外停工时间。作为

完成P-D-P闭环的最后划、节，nJ以通过智能化控制系统为产品的运营提供自

适应、自判断和自部署的能力。在积累足够的数据库实例和用户反馈后，数据分

析工程师可以评估特定的设备或部件，反馈到设计端，用于产品和工艺的持续改

进。本小节继续通过几个案例进行详细介绍。

2.5.1RealTimeOptimization

复杂系统的运营过程经常产生实时性要求非常高的数据，一旦产生就必须被

迅速采集分析，甚至需要马上做出决策，一旦延迟则该部分数据失去使用价值,

这类数据成为快数据。例如在活跃的电力市场中，燃料/电力价格可能产生大幅

波动，传统的人工调控方式很难及时根据市场情况合理调控发电，而GE结合气

路和燃烧系统数字挛生与OpFlex*PeakFire高级控制软件实现调度优化，电厂

运营商可以实时响应市场变化，做出短期和长期的经济调度决策；在适当的市场

条件下，还可以通过峰燃动态“存储”和增加发电员，从而在相同的运行区间内使

利润最大化，如图2-10所示。

DigitalTwin-DispatchOptimization

coldPartLoading/peakFireoptimization

3

-

n

m

3