1 数字孪生技术概述
作为一种快速发展的新兴技术, 学术界针对数字孪生的建模、数据采集、传输与处理、数据驱动与模型融合控制、安全性等方面开展了广泛的研究.
1.1 数字孪生的定义及内涵
数字孪生 是一种实现物理系统向信息空间数字化模型映射的关键技术, 它通过充分利用布置在系统各部分的传感器, 对物理实体进行数据分析与建模, 形成多学科、多物理量、多时间尺度、多概率的仿真过程[79], 将物理系统在不同真实场景中的全生命周期过程反映出来.
借助于各种高性能传感器和高速通信, 数字孪生可以通过集成多维物理实体的数据, 辅以数据分析和仿真模拟[10], 近乎实时地呈现物理实体的实际情况, 并通过虚实交互接口对物理实体进行控制.
数字孪生的基本概念模型如图1 所示, 它主要由三部分组成[3]:1) 物理空间的物理实体; 2) 虚拟空间的虚拟实体;3)虚实之间的连接数据和信息. 就数字孪生的概念而言, 目前仍没有被普遍接受的统一定义.
数字孪生在发展过程中随着认知深化, 主要经历了三个阶段[11]:
1) 数字样机阶段, 数字样机是数字孪生的最初形态,是对机械产品整机或者具有独立功能的子系统的数字化描述;
2) 狭义数字孪生阶段, 由Grieves 教授提出, 其定义对象就是产品及产品全生命周期的数字化表征;
3) 广义数字孪生阶段, 在定义对象方面广义数字孪生将涉及范围进行了大规模延伸,从产品扩展到产品之外的更广泛领域.
世界著名咨询公司Gartner 连续三年将数字孪生列为十大技术趋势之一[12], 其对数字孪生描述为:数字孪生是现实世界实体或系统的数字化表现. 因此, 数字孪生成为任何信息系统或数字化系统的总称.
1.2 数字孪生的研究现状
1.2.1 模型与建模方法
数字孪生建模的首要步骤是创建高保真的虚拟模型, 真实地再现物理实体的几何图形、属性、行为和规则等[13]. 这些模型不仅要在几何结构上与物理实体保持一致, 而且要能够模拟物理实体的时空状态、行为、功能等[1415]. 由于数字孪生包含多种多样的子系统, 传统的建模方法可能无法精确地对整个数字孪生系统进行描述, 同时, 对于整体数字孪生系统的建模, 还没有一致的结论.
当前, 数字孪生建模通常基于仿真技术, 包括离散事件仿真、基于有限元的模拟等[8], 通常基于通用编程语言、仿真语言或专用仿真软件编写相应的模型[16].
但是, 仿真对于实际系统运行过程仅具有指导作用, 因此,数字孪生建模的主要思想是以数据补充和完善仿真模型, 实现对物理实体的实时、高置信度仿真预测.
例如, 文献[18] 提出一种基于仿真数据库的微内核数字孪生平台架构, 通过仿真数据库对实时传感器数据的主动管理, 为仿真模型的修正和更逼真的现实映射提供支持;文献[17] 提出一种自动模型生成和在线仿真的数字孪生建模方法, 首先, 选择静态仿真模型作为初始模型, 接着, 基于数据匹配方法由静态模型自动生成动态仿真模型, 并结合多种模型提升仿真准确度, 最终, 通过实时数据反馈实现在线仿真.
当前, 多数仿真建模方法都存在灵活性差、配置复杂而易出错等[1823] 缺陷, 要实现高置信度的数字孪生模型, 还需要在高保真建模仿真技术上取得进一步发展.
基于以上方法, 已经产生了一些数字孪生模型, 按照其模式可以分为通用模型和专用模型, 其中,专用模型是当前研究的热点.
数字孪生模型的研究内容主要涉及概念模型和模型实现方法, 其中, 概念模型从宏观角度描述数字孪生系统的架构, 具有一定的普适性; 而模型实现方法研究主要涉及建模语言和模型开发工具等[24], 关注如何从技术上实现数字孪生模型. 在概念模型方面, 文献[25] 提出包含物理实体、数据层、信息处理与优化层三层的数字孪生建模流程概念框架, 以指导工业生产数字孪生模型的构建; 文献[26] 提出基于模型融合的数字孪生建模方法, 通过多种数理仿真模型的组合构建复杂的虚拟实体, 并提出基于锚点的虚拟实体校准方法; 文献[27] 提出全参数数字孪生的实现框架,将数字孪生分成物理层、信息处理层、虚拟层三层,基于数据采集、传输、处理、匹配等流程实现上层数字孪生应用.
鉴于传统数字孪生三维模型无法满足现阶段技术发展与应用需求, 文献[28] 提出由物理实体、虚拟实体、连接、孪生数据、服务组成的数字孪生五维模型, 强调了由物理数据、虚拟数据、服务数据和知识等组成的孪生数据对物理设备、虚拟设备和服务等的驱动作用, 并探讨了数字孪生五维模型在多个领域的应用思路与方案, 获得了广泛认可;文献[29] 提出按照数据采集到应用分为数据保障层、建模计算层、数字孪生功能层和沉浸式体验层的四层模型, 依次实现数据采集、传输和处理、仿真建模、功能设计、结果呈现等功能. 在模型实现方法上, 相关技术方法和工具呈多元化发展趋势.
当前,数字孪生建模语言主要有A u t o m a t i o n M L [ 3 0 ] 、UML[10]、SysML[31] 及XML[32] 等, 其中, 应用最多的建模语言为AutomationML. 部分模型基于通用建模工具如CAD[33] 等开发, 更多模型开发基于专用建模工具如FlexSim[34]、Qfsm[35]等. 表1 对一些数字孪生模型进行了总结, 未来, 数字孪生模型还需要在对接行业标准架构、建立统一描述方法和规范等方面加强研究[24].
1.2.2 数据采集、传输与处理
数据是连接物理空间和虚拟空间的桥梁, 是实现CPS 的关键基础[42]. 数据采集主要通过可靠传感器及分布式传感网络对物理设备数据进行实时准确的感知获取, 是实现数字孪生的一项重要技术.
数字孪生数据采集的基本要求是[43]: 1) 实时性. 数字孪生精准建模和精确控制需要根据采样数据进行,因此, 对于信息传输和处理的时延具有较高的要求;同时, 完整系统的数字孪生往往需要很多传感器单元, 它们之间的时间同步也非常重要. 2) 分布式.
基于大量的传感器采集和处理信息, 需要协调各传感器的任务, 实现分布式的信息汇总. 3) 容错性.数据采集过程中需要传输, 会带来数据丢失等问题,同时,传感器采集过程中也会带来一定的噪声, 因此, 数据采集过程必须具有一定的容错性, 才能保证数据的真实可靠.
传统的传感器网络缺乏实时性、同步性和容错性[44], 难以满足数字孪生系统的要求. 为此, 文献[45] 提出一种基于CPS 架构的数据采集原型系统, 通过在传感器数据采集过程中增加对物理层设备误差的估计, 提升数据采集的容错能力和可靠性. 无线传感器布置是数字孪生数据采集的另一个关键问题, 其主要研究目标是确定能够使用最少数量的传感器达到性能指标的传感器布局.
文献[46] 基于量子激发禁忌搜索和量子纠缠特性提出QTSwE 算法, 用以求解满足性能要求的最少传感器数量及其位置分布; 文献[4]提出非一致传感器布置策略, 根据到目标节点的距离决定传感器节点的密度, 在满足联通性和覆盖范围要求的同时, 提升了传感器网络的寿命.
完成传感器数据采集后, 需要对数据进行传输、处理、存储等. 当前, 数据传输的研究重点是传输协议、拥塞控制和服务质量 管理[ 4 7 4 8 ] .
目前通用的网络传输协议 基于尽力传输的思想, 对于高实时性要求的数字孪生系统, 很难保证传输效果, 不可预测的传输时间将影响虚拟实体的可靠性, 甚至导致整个系统不稳定.
文献[49] 提出可靠多路径路由选择算法, 基于因特网的冗余性和多路径传输原理, 通过在线路径质量监测和多路径选择, 保证端到端数据传输的可靠性. 文献[50] 基于IEEE 802.15.4 协议提出Ada-MAC 协议, 在保持低功耗和低时延特点的同时, 提升了数据传输的可靠性和实时性.
文献[13]提出基于自动标记语言 描述数字孪生系统的属性, 通过在高层次上对物理组件的描述降低数据传输规模, 提升数字孪生系统中数据交互的效率. 数字孪生系统包含大量传感器和通信设备, 它们需要与现有无线通信网络共享信道资源,为它们同时提供足够QoS 的通信是一项具有挑战性的工作. 文献[51] 讨论了CPS 网络的QoS 管理问题, 指出CPS 本质上是面向应用的, 必须针对不同应用满足不同的QoS 要求.
文献[52] 提出一种保障QoS 的CPS 通信资源管理模式, 综合利用压缩感知和认知无线电技术提升资源分配合理性. 由于通信网络信道资源的有限性, 数据传输过程中可能出现信道拥塞, 进而导致传输延迟、抖动等, 影响数据传输的质量.
鉴于数字孪生系统的复杂性和海量实时数据[53],多数研究通过降低数据传输的数据量降低拥塞, 提升实时数据传输能力. 但是, 这种方式造成大量数据缺失, 容易导致较大的估计误差, 使虚拟实体难以可靠映射物理实体.
针对这一问题,文献[54] 提出一种拥塞自适应的数据采集方案, 通过自适应有损压缩减轻拥塞, 同时以分布式方式对总体数据估计误差进行约束, 在保证数据精度的同时, 有效地解决数据拥塞问题.
在实际中, 数字孪生系统处于复杂的环境中,外界环境对传感器精度的影响、数据传输过程中的数据丢失等使得获取的数据存在一定的误差[5557],因此需要进一步的数据处理.
通常, 数字孪生传感数据具有多源、异构、多尺度、高噪声等特点, 因此,首先需要对数据进行清洗, 通过机器学习、规则约束等算法对数据缺失、数据冗余、数据冲突与数据错误等问题进行处理[58].
接着, 需要对多种传感器采集的数据进行融合[59], 以提升孪生数据的鲁棒性和可靠性, 拓展虚拟实体的建模维度, 常用的多传感器融合方法包括模糊集理论、神经网络、小波分析、支持向量机等[6061].
在数字孪生中, 通常基于物联网中间件、特征提取、信息融合等方法将传感器数据与模型进行融合映射. 例如, 文献[62] 结合计算机辅助设计系统、计算机辅助制造系统等的特点,提出基于语义特征融合的模型融合方法, 进而将多传感器数据融合到一个模型中.
在此过程中, 由于孪生数据超大的数据量, 在个人计算机上进行处理是不现实的, 通常, 需要基于MapReduce 等工具以并行模式或基于云计算进行处理[63].
1.2.3 数据驱动与模型融合协同控制
复杂的物理系统往往很难建立精确的数理模型, 无法通过解析数理模型的方式对其进行状态评估和控制优化, 数字孪生采用数据驱动的方式利用系统的历史数据和实时运行数据, 对数理模型进行更新、修正、连接和补充[64], 融合系统机理和运行数据, 能够更好地实时动态评估系统[6567].
数字孪生中数据驱动与解析模型相结合的方式主要有两种, 一种是以解析模型为主, 基于数据对解析模型进行修正; 另一种是将两种方法并行, 基于对两者结果的组合评估得出最终的结果.
常用的解析模型包括3D 结构模型[6870]、流程模型[7172]、多物理场模型[73]、GIS 模型[74]、力学模型等, 常用的数据分析方法包括神经网络[7576]、强化学习[77]、迁移学习[78]、遗传算法[79]等.
例如, 文献[80] 基于多传感器融合数据更新和补充生产系统的3 D 资源模型, 接着, 通过DELMIA Process Engineer 对资源模型进行分析,进一步进行生产和流程规划, 实现生产管理的优化;文献[81] 针对加工工序设计, 首先构建其物理模型,然后基于多传感器融合数据对各个阶段和工艺过程进行分析优化, 实现对工业加工过程的动态评估优化.
但是, 以上两种方法都缺乏更深层次的融合和优化, 现有研究大多基于机器学习、深度学习等复杂的算法将数据转化为物理模型的替代[8284], 模型的可解释性不足, 难以深度刻画或表征系统的机理.因此, 如何将高精度传感数据与系统机理有效深度结合, 获得更好的状态评估和系统表征效果, 是亟待解决的问题[29].
1.2.4 交互与协同
交互与协同是数字孪生的关键环节, 虚拟实体通过传感器数据监测物理实体的状态, 实现实时动态映射, 再在虚拟空间通过仿真验证控制效果, 并通过控制过程实现对物理实体的操作[85].
数字孪生中的交互与协同包括物理 物理、虚拟 虚拟、物理 虚拟等形式, 涵盖人、机、物、环境等多种要素.其中, 物理 物理交互与协同可以使物理设备间相互通信、协调与协作, 以完成单设备无法完成的任务[86]; 虚拟 虚拟交互与协同可以连接多个虚拟模型, 形成信息共享网络[87];物理 虚拟交互与协同使虚拟模型与物理对象同步变化, 并使物理对象可以根据虚拟模型的直接命令动态调整[89]. 当前,数字孪生深层次交互与协同方面的研究还比较少[87],仅在实时数据采集、人机交互等理论上有部分研究.
“物理融合、模型融合、数据融合、服务融合” 四个维度的融合框架[88] 可以为实现数字孪生的交互与协同提供参考框架, 其中, 物理融合能够基于物联网智能互联协议实现系统异构要素的智能感知与互联, 并精准控制复杂动态环境下系统异构资源的行为协同, 相关技术包括智能感知与互联技术[90]、数据传输与融合技术、分布式控制技术等, 能够为物理 物理层面的交互与协同提供支撑; 模型融合主要涉及多维模型的构建、评估与验证、关联与映射、融合等过程, 从而形成一个完整的、高保真的虚拟实体映射模型, 进而为虚拟 虚拟层面的交互与协同提供支撑; 数据融合基于清洗、聚类、挖掘、融合等方法对实时传感数据、模型数据、仿真数据等进行挖掘, 真实刻画系统运行状态、要素行为等动态演化过程和规律[36]; 服务融合基于孪生数据分析驱动并影响物理实体和虚拟实体的运行[90, 92], 为系统的智能管理和精准管控提供决策支持. 因此,数据融合与服务融合共同实现物理 虚拟双向交互与协同过程.
虚拟现实、增强现实、混合现实 称为3R 技术, 是一类以沉浸式体验为特征的人机交互技术[29], 被视作是一类实现数字孪生交互与协同的有效手段, 得到了广泛的研究.
例如,文献[93]详细对比了VR、AR、MR 的特点, 并提出包含物理实体层、虚拟实体层、虚拟现实层三层的数字孪生模型, 基于3R 技术实现虚拟实体的沉浸式和多感知互动呈现; 文献[94] 将AR 与数字孪生结合, 通过AR 实现基于CAD 模型的装配数字孪生的沉浸式体验, 操纵机器人协同完成智能装配过程 .
然而, 当前的研究仅仅局限在将3R 作为人机交互的手段或视觉呈现的接口[95100],没有将3R 与数字孪生有效结合. 未来, 如何将3R 技术结合到数字孪生架构中, 为虚拟实体、物理实体和人的深度信息交互与协同提供支持还需要进一步研究.
同时, 3R技术应用到数字孪生还存在大量高精度传感器布置等技术难点, 此外, 3R 技术本身发展还不成熟, 存在实时三维建模、精准定位等技术瓶颈也亟待突破和提升.
1.2.5 安全性技术
数字孪生具有虚实交互、泛在互联、开源共享等特点, 一方面, 传统设备多为长期处于封闭环境下的简单设备或分布式的云计算设备等, 本身存在一定的安全漏洞, 容易受到攻击或篡改; 另一方面,数字孪生需要实现物联网、大数据等的大融合, 安全问题更加复杂[101].
同时, 数字孪生系统相比于传统信息系统其虚拟系统与物理系统的联系更加紧密, 数字孪生的安全性一旦被破坏, 将导致物理系统受到严重影响, 因此, 数字孪生的安全性研究至关重要. 然而, 当前针对数字孪生系统安全的研究较少, 针对CPS 安全保护的研究相对较为充分.
通常, 对CPS 安全保护的研究主要针对系统可能遭受的攻击进行设计, 常见的攻击类型如拒绝服务攻击[102]、重放攻击和恶意软件注入[103] 等, 对CPS 中数据的完整性、有效性和保密性等进行破坏. 针对以上问题, 通常结合主动防御和被动响应的安全机制, 利用博弈论等设计主动/被动的CPS 防御算法和体系.
例如, 文献[104] 将CPS 中未知攻击的防御问题转化为防御者和攻击者的博弈问题, 基于深度强化学习对此问题进行求解, 使系统受攻击的影响最小; 文献[105] 将恶意软件注入攻击的防御转化为最短路径树封锁博弈问题, 进而通过求解其斯塔克伯格 平衡获得近似最优的动态防御策略.
区块链技术具有分布式安全防御的特征, 它以密码机制代替第三方安全机构, 通过所有参与者维护复杂的算法确保系统的完整性和安全性, 具有去中心化、防篡改[106107] 等特性, 为CPS 安全带来了新的解决方案. 文献[108]将区块链技术与数字孪生相结合, 以区块链组织和保护孪生数据, 为增材制造工业构建安全、可靠的数字孪生提供支持.
反过来, 数字孪生也可以用于传统信息系统的安全保护,通过在虚拟实体上进行安全性实验创新安全防御策略. 例如, 文献[109] 设计了一个智能汽车的信息安全数字孪生验证平台,通过传感器采集汽车和环境数据创建智能汽车的数字镜像, 并通过在该平台上模拟多种可能的信息安全场景检验对智能汽车信息安全有重大影响的因素.
1.2.6 服务应用
数字孪生服务的相关理论包括服务封装、服务匹配与搜索、服务质量建模与评估、服务优化与集成、容错管理等[28].
服务封装使数字孪生按照统一的接口调用不同的函数实现相应的功能; 服务匹配与搜索使数字孪生能够根据客户需求选择合适的服务; 服务质量建模与评估包括定量评估算法和动态更新技术, 使数字孪生能够对服务质量进行评估;服务优化与集成帮助选择最优的服务或服务组合;服务容错管理包括故障检测、故障确定等.
基于服务理论的研究使数字孪生能够为客户提供最优的服务[ 1 1 0 ] . 目前, 对数字孪生在故障检测[ 1 1 1 ]、寿命预测[112]、运行状态监测[113118] 等方面的服务应用已经开展了一定的研究, 不仅催生了许多新的服务类型和服务模式, 而且通过数字孪生加强了已有服务的能力[119120].
相关研究通过建立标准接口或模型为数字孪生服务提供支持, 例如, 文献[10] 基于UML格式的元模型构建面向具体服务应用的数字孪生模型, 为电池全生命周期管理提供服务. 但是, 服务搜索与匹配、服务质量建模与评估、容错管理等问题还没有得到深入研究, 这些将是驱动未来数字孪生服务研究的重要范式.
1.3 数字孪生的应用
基于对上述数字孪生研究方向的研究, 本文总结了数字孪生在供应链管理、智能车间、装备制造、产品研发、故障诊断、智慧城市等场景的应用.
1.3.1 供应链管理
在传统的供应链管理中, 经常因信息掌握不及时而导致决策失误, 供应链系统复杂、效率低、响应速度慢, 存在不可预测的风险[121]. 近年来, 随着信息化技术的应用, 供应链管理技术取得了较大的进步.
随着物联网技术的深入发展和广泛应用, 供应链不断产生数据, 如何利用这些数据不断优化完善供应链网络, 提升流程的灵活性同时满足用户的多元化需要, 是决定企业在竞争中成败的关键因素.
将数字孪生模型引入供应链管理中, 可以通过数字化表示供应链管理中的实体或系统连接不同组织的流程、技术、产品、服务等, 实时监测、预测供应链的变化[122], 简化业务流程, 提升决策效率.
世界最大的轴承制造商斯凯孚 已经将数字孪生模型应用到其分销网络中[123], 该模型包含800 个库存量单位的主要数据, 涵盖5 个系统的40 个安装单元, 使供应链管理人员能够基于数字孪生的可视化和完整视图进行全球化供应链管理决策.
将数字孪生引入供应链管理, 可以实现:
1) 实时在线响应, 基于供应链实时数据可视化,可以提高决策响应的速度;
2) 通信与协作, 供应链各参与方可以加强通信与协作;
3)智能优化, 基于数字孪生对数据的分析预测, 可以实现有效的人机协同决策, 优化管理;
4) 整体决策, 通过对供应链参与方的全局视图, 企业可以进行全局决策.
但是, 数字孪生在供应链中的应用还面临着节点数据采集困难、建模环境复杂、缺少数字孪生标准、数据所有权及数据滥用和安全等问题.
1.3.2 智能车间
全球性的产能过剩, 导致企业间的竞争越来越激烈, 如何提升生产效率、缩短产品周期, 成为世界各国关注的问题. 车间是制造业的基础组成部分,如何提升车间的智能化水平, 实现生产流程数字化是目前关注的焦点.
但是, 目前用传统的虚拟车间、数字化车间设计的智能车间存在非实时交互、数据利用率低等问题. 基于数字孪生技术, 能够有效提升车间生产过程的透明度并优化生产过程[124128].
Tao 等[129] 率先提出数字孪生车间的概念模型, 该模型主要包括物理车间、虚拟车间、车间服务系统和车间孪生数据四部分, 通过物理车间与虚拟车间的双向映射与实时交互, 实现物理车间、虚拟车间、车间服务系统的全要素、全流程、全业务数据的集成和融合, 在车间孪生数据的驱动下, 实现车间生产要素管理、生产活动计划、生产过程控制等[130132]在物理车间、虚拟车间、车间服务系统间的迭代运行, 从而达到车间生产和管控的优化运行.
构建数字孪生车间,实现车间信息与物理空间的互联互通与进一步融合将是车间的发展趋势, 也是实现车间智能化生产与管控的必经之路[133].
1.3.3 智能制造
当前, 制造业正在经历新一轮的产业变革, 世界各国纷纷推出以 “工业互联网” 和 “工业4.0” 为核心的制造业升级计划,我国也提出了 “中国制造2025” 发展战略, 并将智能制造作为其重要组成.
制造设备是生产制造过程的基本单元, 数字孪生可以通过对制造设备、制造过程的虚拟仿真[134136], 提高制造企业设备研发、制造的效率, 为解决面向产品全生命周期的管理和升级提供支持.
数字孪生可以应用到制造过程的设备层、生产线层、工厂层等不同的层级[137].
在设备层, 数字孪生可以在产品设计时就创建一个数字虚拟样机[138], 在虚拟样机中同时构建其机械、电气、软件等模型, 在虚拟环境中验证制造过程并提前发现可能出现的问题. 在生产线层级, 可以通过数字孪生刻画生产线不同工序之间的装配流程[139], 提前对生产线中的安装、测试工艺进行仿真测试, 当虚拟生产线测试通过后, 实际生产线便可以直接安装使用, 进而大大降低生产线安装成本.
在设备层和生产线层的基础上, 可以建立整个制造工厂的数字孪生[140], 构建计划、质量、物料、人员、设备的数字化管理.
1.3.4 故障预测和维护
数字孪生诞生之初的应用就是飞机的故障预测, 故障预测和安全运维对飞机、船舶等大型设备和基础设施至关重要,通过高保真、实时更新的虚拟模型进行产品的全生命周期管理[5, 141142] 也是数字孪生的重要研究方向.
大型设备的故障预测和健康管理是一项十分复杂的工作, 这一方面是由于该类设备整体上结构异常复杂, 内部各组成部分之间关联紧密,另一方面受制于实时数据的缺乏.
基于数字孪生进行故障预测和设备维护, 能够基于动态实时数据快速捕捉故障, 准确定位故障原因, 同时评估设备状态, 进行预测维修[28].
基于数字孪生进行装备设备的故障预测和维护, 首先需要建立其电子、机械三维模型[78], 接着,根据外场数据分析, 梳理典型高发的故障模式, 建立产品典型的故障模式及原因分类库, 再综合考虑产品中的机械、电子产品的多物理结构, 建立系统级的多物理多应力下的仿真模型, 并根据各类试验结果, 对设备的关键特征参数、应力及机理模型进行修正, 最终形成数字孪生基准模型.
在使用过程中, 通过传感器不断进行虚实数据交换, 并基于数据修正虚拟模型, 最终实现对物理设备的精准描述,同时, 通过对物理实体使用数据、故障数据、维修数据的更新, 计算其损耗, 预测设备的剩余寿命, 并指导维修决策[143146].
1.3.5 产品研发
产品设计是大部分产品在研发中耗时最长, 成本最高的阶段, 因此早期产品设计的快速更新迭代十分重要. 计算机辅助设计是当前产品设计研发的主要辅助手段, 但是, 计算机辅助设计存在以下主要问题:
1) 缺乏完整有效的产品全生命周期数据,无法形成有效的数据库支持, 需要进行大量重复性工作; 2) 模型复杂, 建模难度高且难以理解; 3) 仿真验证方法不够精准, 产品原型验证困难, 周期长.
针对上述问题, 将数字孪生引入产品设计研发, 能够帮助用户以更少的成本和更短的时间将产品推向市场.
数字孪生能够在虚拟空间中复现产品和生产系统, 使产品和生产系统的虚拟模型和物理模型实时交互[147]. 在数字孪生中, 产品的虚拟模型和物理模型实时交互大量的数字孪生数据, 能够支持建立相应的产品设计知识数据库, 并提供一定的设计辅助[148].
同时, 基于对孪生数据的分析, 可以帮助解析部分复杂的物理模型, 降低设计的难度. 最后, 虚拟实体与物理实体精准映射、共同进化[149], 通过对比虚拟实体与物理实体之间的误差, 能够发现设计和实际系统之间的误差, 帮助快速验证系统原型设计[150].
1.3.6 智慧城市
2008 年, IBM提出 “智慧地球” 的理念, 引发了建设智慧城市的热潮. 近年来, 一些国家开始将数字孪生应用到建设智慧城市中.
例如, 新加坡构建了城市运行仿真系统CityScope, 实现对城市的仿真优化、规划决策等功能; 西班牙在城市中广泛部署传感器, 感知城市环境、交通、水利等运行情况,并将数据汇聚到智慧城市平台中, 初步形成了数字孪生城市的雏形[151]; 雄安新区首次提出建设 “数字孪生城市” , 明确指出要同步规划、建设现实城市和虚拟的数字城市.
文献[28] 提出, 可以基于数字孪生五维模型构建数字孪生城市, 其基本框架如图3 所示. 通过数字化建模仿真构建城市的虚拟模型, 基于在城市各个层面布设传感器采集物理城市的实时数据, 结合虚拟城市的仿真数据和城市传感数据, 驱动数字孪生城市的发展和优化, 最终实现为城市市政规划、生态环境治理、交通管控等提供智慧服务.
阿里云提出的城市大脑[152] 与数字孪生城市建设的思路基本吻合, 它通过实时处理人所不能理解的超大规模全量多源数据, 基于机器学习洞悉人所没有发现的复杂隐藏规律, 能够制定超越人类局部次优决策的全局最优策略, 并且在城市交通体检、城市警情监控、城市交通微控、城市特种车辆、城市战略规划5 个应用场景中部署实施, 证明数字孪生城市可以推动城市设计和建设, 辅助城市管理, 使城市更智慧、美好.
1.3.7 智慧医疗
随着近几年人工智能 及大数据技术的飞速发展, 诸多领域借助相关技术取得重大突破, AI 技术正在逐步走进医疗领域.
其中, AI 辅助医疗决策是一个研究的热点, 其主要应用是通过大数据、机器学习和自然语言处理等智能技术, 学习医疗知识、挖掘病历数据、分析医学影像等, 从而帮助医生诊断疾病, 为患者治疗方案的确定提供依据并推荐治疗方案[153].
虽然已有的智能决策系统取得了一定的成果, 但是在实际应用中仍然存在一些问题:
1) 现有智能诊疗系统过多需要医生参与, 不利于医生诊疗效率的提高;
2) 现有的智能诊疗系统覆盖医疗领域不够全面, 对专科医生的意义不大;
3) 对于慢性疾病的诊疗, 需要对患者身体进行长期的监测和管理, 现有智能诊疗系统大多只限于医院门诊中.
文献[154] 提出一种6 层架构的数字孪生医疗系统, 包含资源层、感知层、虚拟资源层、中间件层、服务层及用户接口层.
其中, 资源层包含与患者相关的软硬件资源及历史数据等; 感知层用于实时采集和传输患者的身体状态数据; 虚拟资源层基于数据虚拟化物理实体, 包含虚拟的医疗资源、虚拟患者等; 中间件层包含服务管理、数据管理、知识管理、仿真管理等功能; 服务层基于底层的支持提供用户所需的服务如用药支持等; 用户接口层提供给用户数字孪生医疗系统的可视化和管理功能界面.
基于数字孪生医疗系统, 医护人员可以通过各类实时感知数据精准分析病人的病况[155156], 在虚拟病人上预演不同的治疗方案, 降低手术风险.
未来, 可能每个人从出生开始就会有自己的数字孪生, 它可以帮助人们及时了解自己的健康状况[157], 调整饮食和作息.
1.3.8 其他应用
除上述领域外, 数字孪生技术在卫星/空间通信网络[158160]、石油天然气[161163]、能源[164166]、农业[168]、建筑[169]、环境保护、军事作战[170] 等领域均有应用潜力.
例如对石油勘探的远程管理, 对电厂的健康管理和电网的规划运营维护, 对农作物和家畜的健康监护等[28].
2 平行系统概述
平行系统是本世纪初提出的原创技术, 它通过一套实际系统与人工计算过程之间的平行交互, 为兼具高度社会和工程复杂性的复杂问题提供解决方案, 在多领域得到了广泛研究并取得了良好的效果.
平行系统的研究框架如图4 所示, 可以分为理论层、方法层、技术层、平台层和应用层.
2.1 平行系统: 基础理论、方法及内涵
平行系统是复杂自适应系统理论和复杂性科学在CPSS 中的延展和创新[174], 是整体和还原相结合、实际和人工相结合、定性和定量相结合的新型技术框架[175].
平行系统将强调宏观层面高层涌现与演变规律的整体建模与注重微观个体层面特征刻画与行为交互的还原建模有机结合[176], 通过全面、准确地刻画参与个体的特征、行为和交互机制, 实现对复杂整体的建模, 进而涌现和演变出复杂系统的规律; 基于虚拟场景, 利用自适应演化等方法驱动实验, 评估各类参数配置、技术方案的效果, 实现对人和社会对系统影响的建模; 通过实际与人工系统协同演化、闭环反馈和双向引导[178], 实现对实际系统的目标优化.
平行系统的本质就是把复杂系统中“虚” 和 “软” 的部分, 通过可定量、可实施、可重复、可实时的计算实验, 使之硬化, 以解决实际复杂系统中不可准确预测、难以拆分还原、无法重复实验等问题[179180].
平行系统的核心是ACP 方法, 其框架如图5所示, 主要由三部分组成.
1) 由实际系统的小数据驱动, 借助知识表示与知识学习等[181] 手段, 针对实际系统中的各类元素和问题, 基于多智能体方法构建可计算、可重构、可编程的软件定义的对象、软件定义的流程、软件定义的关系等[182183], 进而将这些对象、关系、流程等组合成软件定义的人工系统, 利用人工系统对复杂系统问题进行建模;
2) 基于人工系统这一 “计算实验室” , 利用计算实验, 设计各类智能体的组合及交互规则, 产生各类场景, 运行产生完备的场景数据[184186], 并借助机器学习、数据挖掘等手段, 对数据进行分析, 求得各类场景下的最优策略.
3) 将人工系统与实际系统同时并举[187190], 通过一定的方式进行虚实互动, 以平行执行 引导和管理实际系统.
从流程上而言, 平行系统通过开源数据获取、人工系统建模、计算实验场景推演、实验解析与预测、管控决策优化与实施、虚实系统实时反馈、实施效果实时评估的闭环处理过程[175], 实现从实际系统的 “小数据” 输入人工系统, 基于博弈、对抗、演化等方式生成人工系统“大数据” [191, 193], 再通过学习与分析获取针对具体场景的 “小知识” , 并通过虚实交互反馈逐步精细化针对当前场景的 “精准知识” 的过程.
在数据层面, 平行系统基于实际系统数据, 借助生成式对抗网络[194197] 等计算实验手段生成相对完备的 “海量数据” , 通过对海量数据的学习、训练求解系统优化解并进行优化解评估, 使之具有更广泛的适用性; 在控制层面, 平行系统利用人工系统与实际系统的虚实交互、双向验证, 实现两者的协同进化以及对整个系统的多目标优化管理与控制[188].
它不仅可以优化整个系统, 还可以主动学习与评估系统管控效果并自适应调整未来策略.
计算实验以智能体代替实际系统中的各种元素, 使各种因法律、道德、成本等现实因素限制无法在实际系统中进行的实验得以实施, 突破了无法通过重复实验获取知识与经验的局限[198].
计算实验与动态行为模拟的仿真方法有着本质不同,其目标不是以仿真系统逼近实际系统, 而是把 “仿真” 结果视作一种可能的现实[199]. 在计算实验中, 传统计算模拟变成了“计算实验室” 里的 “试验” 过程, 成为生长培育各种复杂系统的手段, 而实际系统只是计算实验的一种可能而已[200].
计算实验具有可设计性、可反复进行等特点.它通过对实际系统进行各种关于性能、可靠性、方案鲁棒性及正确性等同一条件下短时间内大量反复的 “加速” 实验、 “压力” 实验、 “极限” 实验等, 对各种可能的系统场景进行 “试错” 实验[201202],并进一步对人工系统涌现出的复杂系统行为和系统现象进行标定分析与统计分析, 按照一定的指标体系对各种解决方案进行学习与评估, 进而全面、准确、及时、量化地获得对复杂系统问题的最优控制方案.
计算实验通过实际系统与人工系统之间的相互连接, 对二者的行为进行对比、分析、预测与评估,完成对各自未来状况的 “借鉴” 和预估, 相应地调节各自的管理和控制方式, 它主要包含三种实现方式[203].
1) 学习与培训: 在这种方式中, 人工系统被用作学习和培训复杂系统的管理与控制. 通过实际系统与人工系统的适当连接组合, 以安全、灵活、低成本的方式使相关人员在人工系统中快速掌握复杂系统的各项操作及其可能的结果, 并量化考核学习与培训的实际效果[175].
以与实际相当的管理与控制方法运行人工系统, 使有关人员学习预判系统的可能状况及对应的行动. 同时, 人工系统的管理与控制方案也可以作为实际系统的预案, 增强其运行的可靠性和应变能力.
2) 实验与评估: 在这种方式中, 人工系统被用作进行各种由于成本、安全等原因无法进行的重要破坏性实验和创新性实验, 分析系统的行为和反应,并对不同的解决方案的效果进行评估, 从而为量化评估系统要素、实现控制方案创新提供依据[204].
3) 管理与控制: 这种方式的目标是以虚实互动的方式实现复杂系统的管理与控制.
一方面, 通过测量实际系统与人工系统评估状态之间的差别, 产生误差反馈信号, 对人工系统的参数进行修正, 减少差别, 通过循环往复的交互尽可能地使人工系统模拟实际系统[205].
另一方面, 实际系统中的新问题、新需求和新趋势可以实时导入人工系统, 通过在人工系统中的实验、测评和完善, 获得优化的新解决方案, 并据此引导实际系统的发展和演变, 从而以“实际逼近人工” [ 2 0 6] 的方式实现复杂系统的 “创新” 功能.
2.2 平行系统研究现状与关键技术
ACP 方法针对复杂系统的管理与控制实现了从数据采集到自适应优化控制的一整套流程, 它的相关技术研究主要包含复杂系统的感知、建模、决策、控制、测试等, 从而为实现有关人员的学习与培训、决策方案的实验与评估、虚实系统的管理与控制[207] 提供技术支撑.
2.2.1 平行感知
场景数据是构建平行系统的基础, 通常, 可以由传感器或摄像头等进行采集. 当前, 随着计算机视觉理论和计算机硬件的不断发展, 计算机视觉方法在图像分类、目标检测等领域取得了良好的效果,已经成为复杂环境感知与理解的主要方法.
基于深度学习的计算机视觉技术需要基于大量的数据进行训练, 且往往只能适用于某些特定的场景[208], 要想使算法适用于新场景, 要么需要更改模型的参数,要么需要扩展数据集重新训练. 以交通为例, 交通场景的视觉感知需要涵盖完整的场景才能保证安全性, 但是, 当前数据集尽管规模庞大, 却并不能满足多样性需求.
这一方面是由于在复杂开放环境下采集大规模多样性数据需要大量人力, 另一方面, 对大规模多样性数据进行标注比较困难, 在恶劣天气、照明度低等情况下容易出错, 无法保证数据集的有用性[179].
为了解决传统计算机视觉感知数据样本复杂性和多样性不足的问题, 提升视觉感知系统的泛化能力, 文献[180] 提出平行感知理论方法, 其框架如图6 所示.
平行感知基于真实场景的数据训练扩展大量的人工场景[209], 将大量人工场景的数据和真实场景的数据结合训练不同结构和参数的视觉算法,基于统计评估获得对应场景下最佳的视觉认知算法, 以增强传统视觉感知算法对复杂环境的适应能力, 提升视觉算法的准确性和鲁棒性.
文献[210] 提出了平行视觉的概念、框架和关键技术, 利用人工场景模拟和表示复杂的真实场景[211], 包括光照时段、天气、目标类型,并且基于真实场景的数据训练神经网络等模型自动标注生成的人工场景数据, 使采集和标注大规模多样性数据集成为可能.
基于平行视觉的基本框架,相关团队建立了开源的平行视觉研究平台Open-PV [212213],并发布了一批虚拟图像集, 以帮助实现对复杂环境的智能感知与理解.
2.2.2 平行学习
强化学习是一种通过主动寻求数据、主动学习进行优化决策的机器学习方法, 它不需要标签数据,而是通过不断地与环境交互更新数据标签, 对于在线系统优化是一种非常重要的方法, 近年来受到了广泛的关注.
但是, 它的学习效率不高[214215], 需要与环境进行大量的交互反馈以更新模型, 当面临复杂系统大数据处理时, 过高的系统状态维数使算法收敛变得十分困难.为了进一步扩展强化学习的学习能力, 提升其快速收敛能力, 文献[181] 提出了由数据处理和行动学习组成的平行学习理论框架.
在数据处理阶段,基于对复杂环境的智能感知和数据采样构建软件定义的人工系统, 以形成在线、有序的训练环境. 在行动学习阶段, 平行学习可以在人工系统环境中同时训练多个智能体, 同时, 与传统的强化学习不同, 平行学习允许获取数据和完成行动采用不同的频次和发生顺序, 并且基于相互竞争的对抗学习或迭代演进的对偶学习方法提高学习的效率, 最后, 基于对不同时序组合、不同迭代策略的智能体学习效果的评估, 选择学习效率最高、效果最好的智能体进行决策.
为解决深度强化学习方法存在的缺乏对新目标的泛化能力、数据匮乏、数据分布和联系不明显等[216] 问题,文献[217] 基于平行学习框架提出了平行增强学习的理论方法, 通过将迁移学习、预测学习和深度学习与强化学习融合, 用于处理数据获取和行动选择过程, 同时表征获得的知识[218].
它通过人工系统与实际系统的结合学习系统的一般特征,同时降低对数据的依赖度; 通过迁移学习将解决某一问题的知识转化并扩展, 一定程度上解决缺乏泛化能力的问题; 通过预测学习预测系统未来的状况,其生成的数据可以指导实际系统的学习, 从而解决数据匮乏和数据分布不确定的问题; 最后, 结合强化学习实现对系统的优化控制.
2.2.3 平行区块链
区块链是以比特币为代表的一种全新的去中心化基础架构和分布式计算范式, 通过运用数据加密、时间戳、分布式共识和经济激励等手段, 在无需节点互相信任的分布式系统中实现去中心化的点对点交易、协调和协作[219220].
区块链技术是下一代云计算的雏形, 具备去信任、去中心化、开放自治、匿名可溯源、信息不可篡改等[221] 特性, 显示出了广阔的应用前景, 吸引了学术界和工业界的广泛关注.
同时, 区块链是实现CPSS 的基础架构之一, 它能够为分布式社会系统和分布式人工智能研究提供一套行之有效的去中心化的数据结构、交互机制和计算模式, 为实现CPSS 奠定坚实的数据基础和信用基础[222].
但是, 区块链还存在安全性威胁、区块膨胀、算力资源浪费、非合理竞争等[223] 问题, 制约了它的发展.
文献[175] 将区块链技术与平行系统有机结合,提出平行区块链技术方法, 通过实际区块链与人工区块链的平行互动与协同演化, 为当前的区块链技术增加计算实验与平行决策功能.
它将区块链中的每一个节点都视作分布式系统中一个自主、自治的智能体, 通过各共识节点的自治和交互构建分布式人工社会系统; 基于区块链智能合约的可编程性进行各种虚拟实验、场景推演和结果评估[224], 获得系统的最优决策; 最后, 基于物联网等联通物理世界和人工社会, 并通过两者之间的虚实互动和平行调谐实现社会管理和决策的协同优化[225].
文献[226]将平行区块链运用到军事领域, 利用区块链可信、可靠、可用及高效等特点, 帮助跨越不对称信息与有限理性鸿沟, 将不对称的战争变为对称的和平.
2.2.4 平行控制
控制的基本目标是根据被控对象的有限信息做出高水平的决策, 使系统性能达到最优化.
计算机智能控制技术的迅猛发展, 为解决复杂非线性动态系统的优化问题提供了新思路, 例如, 自适应动态规划算法采用自学习优化的方式, 通过系统从环境到行为映射的学习实现目标的函数值最大[227], 成为了一类解决复杂系统优化控制的有力工具.
但是, 很多复杂系统的整体行为无法通过对其部分行为的独立分析完全确定, 此时, ADP等控制方法便无法取得良好的效果[228], 此外, ADP 等智能控制方法一般要求系统数据的完备性, 否则便无法获得全局最优.
为了弥补以上不足, 文献[229230] 提出平行动态控制方法. 其主要思想是, 基于实际系统的信号, 收集状态 执行 奖惩信号, 建立人工系统,产生人工数据; 基于不同的人工系统训练多组优化控制策略, 并基于动态规划的最优性原理, 训练评判网络对优化策略进行评判, 择优对实际系统进行控制和优化.
文献[231] 将平行控制方法应用到柔性弦分布式参数系统的控制上, 实现了数据驱动平行控制, 取得了良好的效果.
2.2.5 平行测试
复杂的工业产品往往需要大量的验证和测试才能保证其可靠性, 以无人驾驶为例, Intel的自动驾驶首席架构师Jack Weast 曾指出, 如果要达到无人驾驶安全上路的要求, 大概需要进行300 亿英里的道路测试, 这十分不利于企业在激烈的行业竞争中取得优势.
为了在保证系统鲁棒性的同时提升系统测试和验证的效率, 一些研究[232] 提出了以计算机仿真技术为基础的虚拟测试技术, 使测试系统能够在短时间内处理数千个任务的定量测试. 但是, 基于仿真的测试高度依赖于人类专家们的知识来正确地设计场景, 同时, 通过仿真测试的某些场景也需要在现场测试中重新评估和验证, 以验证测试系统的可靠性.
为此, 文献[233] 提出了一种人在回路的平行测试系统, 通过融合人类专家与计算机系统的优势[234235], 使系统具有在人类专家指导下自动升级的认知机制, 同时引入对抗式学习模型, 以自动生成新的任务实例, 进一步提升其自动测试验证能力.该系统成功应用于中国智能汽车未来挑战赛, 为这一世界上规模最大、连续举办时间最长的自动驾驶比赛提供了有效的测试支持.
2.2.6 小结
平行系统的各项技术并不是彼此割裂的, 而是彼此关联、互相补充, 例如, 平行学习可以基于多种数据分析和学习的方法进一步提升平行感知任务的准确度和效率; 平行控制和平行测试的反馈结果可以为平行感知、平行学习、平行区块链的建模优化提供参考.
2.3 平行系统平台架构
平行系统平台的基本要素如图4 中的平台层所示[175], 主要由底层要素库和上层应用组件组成. 要素库包含模型库、本体库、机制库、策略库、场景库、算法库、合约库和知识库, 通过合理组装各类要素实例化一个完整的平行系统.
其中,模型库存储系统建模使用过的所有模型, 例如智能体模型、网络模型; 本体库存储潜在应用领域的领域本体, 以增强各智能体交互的语义互操作性; 机制库存储智能体的交互协议; 策略库存储智能体的典型策略和行为模式; 场景库存储平台预定义的场景和参数; 合约库存储平行区块链的各类智能合约; 算法库存储典型的算法; 知识库存储系统运行中获得的管控策略和场景 应对规则. 上层应用组件包括多智能体平台组件、场景发生器、共识驱动引擎、算法分析工具和大规模可视化工具等.
多智能体平台组件主要实现自底向上多智能体建模, 为系统提供个体行为、通信协议和交互机制建模支持. 多智能体平台组件遵循FIPA [236] 智能体建模规范, 由智能体管理机构、目录服务器和智能体组件构成, 并统一描述内部消息传输和内容语言的语法和语义.
场景发生器能够从场景库动态提取和配置计算实验场景, 并通过合适的机制、策略将其实例化. 共识驱动引擎在人工场景的基础上完成计算实验, 并根据实验结果更新各个要素库.
算法分析工具通过实时采集实验过程数据并对其进行分析, 寻找实现系统目标的优化策略. 可视化工具通过动态实时的人机交互界面,以多种形式呈现计算实验过程.
文献[207] 提出针对平行机器人系统的计算实验平台框架, 主要由实验设计、动态仿真、学习优化、实验评估和数据中心组成. 文献[188] 将该框架进一步细化, 设计了计算实验平台完整的组成框架和数据流程.
首先, 实验设计模块通过解析物理传感信号和社会传感信号分析物理系统参数和系统需求, 进一步通过智能规划和专家系统等方法自动生成人工系统智能体的行为和交互规则, 进而生成计算实验方案.
接着, 动态仿真模块对智能体组成的实验场景进行模拟和演化[237], 生成完备的人工系统数据; 学习优化模块基于深度学习、强化学习等方法对实验数据进行分析和学习, 自动生成针对具体任务、具体场景的系统控制方案; 分析评估模块对计算实验过程进行检查, 并从方案中评估产生最佳的系统运行方案; 最后, 将通过评估的场景、参数和相应的控制方案保存到数据中心备用.
2.4 平行系统典型应用
ACP 方法是一套针对复杂CPSS 的普适性方法, 近年来得到了广泛的关注和研究, 被应用到交通、医疗、自动驾驶、军事、化工等科学和工程问题.
2.4.1 平行交通
平行系统技术最早被用于智能交通领域, 在城市交通、轨道交通等领域得到了广泛应用并取得了良好的社会与经济效应. 交通系统包含了驾驶员的动态变化性和社会性[238], 同时具有一定的物理和社会过程, 是一个典型的CPSS[239].
交通系统的控制与管理面临着三大问题: 1) 数据不足, 交通数据难以体系化获得且往往质量较差[192, 240241]; 2) 难以实验,实际实验往往成本很高且危险性较大; 3) 开放环境, 传统方法几乎都使用已有的数据进行推理、决策, 执果索因, 无法全面解析问题的本质, 难以从根本上解决交通问题.
平行交通通过人工交通系统构建交通的 “社会实验室” , 基于计算实验分析各种可能的交通行为和现象, 分析各种情况的原因和控制方案, 通过平行执行将分析结果应用到实际系统中, 以优化实际的交通系统[242243].
典型的案例如中国科学院自动化研究所2 0 1 0 年自主研发的平行交通管理系统PtMS[186], 该系统由实际交通系统、人工交通系统、交通管理员培训系统、决策评估和验证系统及交通感知、管理与控制系统五部分组成. 通过人工交通系统与实际交通系统的虚实交互、协同进化, 可以实现交通管理训练、验证及控制等功能. 该系统在江苏太仓、广州亚运会和山东青岛[187] 等地得到了应用, 取得了良好的效果, 为智能交通管控提供了新思路.
2.4.2 平行医疗
针对传统医疗方法效率低、过分依赖医生经验及AI 辅助诊疗样本不足、个性化定制差等问题, 可以将平行系统应用到医疗中, 构建人工诊疗系统模拟和表示实际诊疗系统, 运用计算实验进行各种诊疗模型的训练与评估, 基于人工诊疗系统生成的完备大数据学习各种罕见病例的知识经验, 借助平行执行对实际诊疗系统进行管理决策与实时优化, 帮助医生减少误诊误治, 提高效率, 提升水平, 同时也能帮助患者做好慢病管理，远离疾病, 实现诊疗过程的自动化与智能化.
平行医疗的典型案例包括平行眼[ 1 8 9 ]、平行手术[190]、平行高特[153]、平行皮肤[244] 等, 相关疾病常伴发其他慢性疾病并相互影响, 其治疗需要综合考虑各个疾病之间的相互影响, 同时还需要加强对病人的教育, 养治结合, 才能达到更好的治疗效果, 因此, 其诊疗系统也是一类复杂的社会系统.
平行医疗系统引入CPSS[245], 通过研究诊疗系统这一社会系统与物理系统、信息系统之间的交互作用, 利用信息系统中无限的数据和信息资源[246], 突破物理系统资源有限的约束和时空的限制, 达到更好的诊疗效果.
2.4.3 平行自动驾驶
近年来, 随着环境感知、决策与规划、控制与执行、高精度地图和实时定位等技术的发展, 自动驾驶技术呈现高速发展的态势, 成为全世界汽车产业的最新发展方向.
但是, 自动驾驶技术虽然取得了很大的进步, 却仍然面临着很多挑战. 例如, 在感知上, 复杂地形、复杂天气、复杂道路交通环境条件下,要实现快速、准确、可靠的环境感知, 仍然十分困难在决策上, 基于规则的行为决策简单, 但灵活性不足, 端到端的深度神经网络则很难在参数调整之上的逻辑层面改善系统性能[247248]; 此外, 如何将人类驾驶员的驾驶经验与知识同自动驾驶车辆强大的感知与运算能力相结合[249250], 将是未来一段时间内自动驾驶研究的热点和难点.
文献[251] 提出了一种兼具运营管理、在线状态监测、应急驾驶安全接管等功能的平行驾驶集成解决方案, 是ACP 方法在云端化网联自动驾驶领域的典型应用.
平行驾驶系统由描述车、预测车、引导车和真实车数字四胞胎组成, 其中, 描述车主要通过形式化方式描述自动驾驶车辆的行为和交通环境的特征, 以构建虚拟车辆和环境模型[252]; 预测车通过大量的计算实验, 对复杂行车环境下的行车方案进行试错、预测与优化[253]; 引导车通过信息 物理车辆之间的虚实交互[254], 引导真实车安全行驶.近年来, 平行驾驶技术已经在无人矿山运营和智慧物流车等领域实现了成功应用.
2.4.4 平行军事
随着科学技术和军事理论的发展, 联合物理域、网络域与感知域的跨域作战成为现实, 其主要表现是以常规武器为核心的 “明战” 、以网络武器为主导的 “暗战” 、及以社会媒体为手段的 “观战”的有机战略组合.
如何结合明战、暗战、观战等形式[255256], 以实时和常态化的方式综合在物理域、网络域、感知域[257258] 中的军事行动, 是国防建设的重要任务. 未来, 必须要建设面向社会物理信息系统的军事体系, 以应对更加复杂的战争需要.
文献[259] 基于ACP 方法提出一种平行军事体系, 该体系是一种面向网络化、大数据, 以深度计算为主要手段的管理与控制复杂军事过程与系统的方法.
平行军事体系由实际军事组织及系统和相应人工军事组织及系统组成, 其特点是以数据为驱动,通过实际军事组织及系统的数据构建人工军事组织及系统, 在此基础上, 利用计算实验对各类复杂军事问题、行为及决策不断进行分析、预测和评估, 提升作战能力与军事水平[260], 最后, 通过实际与人工虚实互动的执行方式来完成特定军事任务及目标.
在平行军事的体系下, 文献[261264] 提出了平行航母和平行坦克的指挥与控制架构, 通过相应作战装备的人工系统与实际系统的虚实互动, 提升其作战水平和智能化水平.
2.4.5 平行化工
石油化工是整个国民经济的血液, 石化生产加工的长周期管理是一项复杂的系统工程, 涉及社会复杂性和工程复杂性, 干扰因素众多.
传统控制的研究重点主要是生产设备和工艺参数, 比如温度、压力、液位等参数的定量闭环控制. 而实际需要研究的范围, 还需要包括整个生产过程、生产工厂等复杂工程对象的建模、控制与优化, 以及人、环境等社会对象的建模与控制.
据统计, 生产事故大多数是人为原因造成的. 正说明研究社会物理信息系统控制与管理的重要性.
文献[265] 针对乙烯生产系统的长周期生产管理, 开发了乙烯生产的平行管理系统. 该系统基于语言动力学方法量化生产管理制度, 基于多智能体方法建模人员及其组织, 基于物理机理建模生产设备, 进而建立完整的乙烯生产管理人工系统,对生产过程中的不同要素之间的交互进行量化描述, 形成对复杂生产过程的模拟.
接着, 通过计算实验对多种不同控制目标、不同控制场景寻找到有效的建模和控制方法, 并通过逐步精细化的场景数据和控制目标, 实现对更精细场景的控制. 最后, 通过实际系统和人工系统的 “虚实互动” 、 “滚动优化” , 实现动态复杂生产系统的有效控制. 该系统在齐鲁石化、茂名石化等化工企业得到了有效应用, 取得了良好的经济效益.
2.4.6 其他研究
除上述研究方向外, 平行系统还在物流[266267]、情报[268]、能源[268270]、安防[271273]、农业[274277] 等领域获得了广泛研究和应用.
3 数字孪生与平行系统的异同
平行系统和数字孪生技术的提出和发展具有相似的技术背景, 都是伴随着物联网、新一代人工智能等技术的发展而逐步引起重视的.
一方面, 高精度传感器、高速通信和物联网等技术的发展使虚拟模型和物理实体之间的实时交互成为可能;另一方面, 大数据、机器学习等技术的发展和推广使数据的价值得以凸显.
两者的主要思路都是以数据驱动,构建与物理实体相对应的虚拟系统, 通过在虚拟系统上进行实验、分析, 解析并优化控制难以用数理模型分析的复杂系统.
但是, 数字孪生与平行系统是两类不同的原创范式, 在核心思想、研究对象、架构和实现方法等方面都存在一定的区别.
1) 数字孪生与平行系统的哲学基础不同, 数字孪生属于还原论或旧唯物主义的反映论, 其孪生系统是相应物理系统直接、机械、被动和镜像式的反映, 是相应物理系统的依附, 不具独立性; 平行系统属于能动、整体和辩证式的认识论, 其人工系统并不要求与相应的物理系统完全一致, 因而具有一定的平行性或独立性.
平行系统将物理系统视为与环境交互的系统, 且其运行目标和效用是受社会资源约束的系统; 平行系统强调人在系统中的作用, 强调融合了人的意图的虚拟系统对物理系统的引导,目的是使物理系统在构成和运行方面达到某种进化.
2) 数字孪生与平行系统的研究对象不同, 数字孪生研究的是由信息空间和物理空间组成的CPS,而平行系统主要针对社会网络、信息资源和物理空间深度融合的CPSS.
数字孪生基于实时传感数据连接物理世界和数字化虚拟世界, 实现在虚拟空间实时监控与同步物理世界的活动, 帮助实现大型工程系统的实时感知、动态控制和信息服务, 是实现信息和物理空间融合的CPS 的有效途径[ 2 7 8 2 8 0 ] .
数字孪生的 “物理实体 虚拟模型 孪生数据 应用服务” 多元多层映射机制为实现 “物理融合、模型融合、数据融合、服务融合” 四个维度的信息物理融合提供了有效支持, 同时, CPS中机器、环境、信息等要素的相互映射、高效交互是物理要素的感知[281]、虚拟模型的构建[282]、孪生数据的融合、虚实实时互动的基础.
当前, 随着大数据和互联网的深入发展, 信息物理系统受社会因素的影响日益凸显,人越来越多地嵌入在系统和信息之中[283285]. 多数过程不再是物理实在的, 而是人为规定的人工流程,预示着人工世界将成为人类现阶段开发的重点[286],面向物理世界和网络空间融合的CPSS 将成为未来的基础设施[ 1 7 6 ]. CPSS 中的信息包含物理系统数据、虚拟的人工系统数据、泛在社会大数据等[287].
由于其复杂性, 实际系统与模型行为之间的差别越来越大, 以致形成 “建模鸿沟” [182] 的客观现象. 此时,动态仿真式的数字孪生控制不再适应, 构建人工系统, 通过虚拟和实际系统的平行运行, 实现计算、物理和社会的动态交互、时空一致, 处理不确定性, 成为解决CPSS 问题的有效途径.
3) 数字孪生与平行系统的核心思想不同, 数字孪生的核心思想是预测控制的 “牛顿定律” , 而平行系统则以引导型的“默顿定律” 控制和优化系统.我们称在给定当前系统状态与控制的条件下, 可以通过解析的方式求解下一时刻状态, 从而精确预测其行为的系统为 “牛顿系统” [288].
CPS是一类典型的牛顿系统, 在CPS 中, 行为建模与目标建模是一致的: 只要系统本身可控, 可以通过分析其行为模型进行控制, 达到系统目标.
数字孪生建模CPS 的核心思想就是通过构建实时动态数据驱动的仿真系统[289], 辅助寻找控制系统行为的系统解析公式, 据此直接设计相应的控制方法, 实现期望的目标.
与“牛顿系统” 相对应的是系统行为能够被 “默顿定律” 影响或引导的 “默顿系统” . “默顿定律” 是以社会学家默顿命名的, 能够引导系统行为的自我实现定律.
在默顿系统中, 由于各种不可预测或无法获得的变量的存在, 即使给定当前的系统状态和控制条件, 系统下一步的状态也无法通过求解获得,系统行为也难以准确预测.
在CPSS 中, 由于人与机器、系统、流程深度融合, 并且人的行为具有动态性、自主性、突变性、高度复杂性等特点, 系统更加不定、多样、复杂, 导致本质上无法对其“行为模型” 直接进行控制, 只能间接影响.
此时, 数字孪生无法实现对CPSS 的有效管理与控制.
平行系统ACP 方法为实现“默顿系统” 提供了有效手段, 它以实际系统的数据驱动, 构建虚拟的人工系统, 实现对复杂CPSS 的建模、描述[290292],实现数据驱动的描述智能; 以人工系统为 “社会实验室” , 通过对多样复杂场景的计算、训练、评估, 求解具体场景的优化方案, 实现实验驱动的预测智能; 通过实际系统与人工系统的虚实互动、交互反馈, 形成自适应优化控制的平行系统, 实现虚实互动反馈的引导智能.
4) 数字孪生与平行系统的基础设施不同. 数字孪生的基础设施是数字双胞胎, 主要由物理实体和描述它的数字镜像组成, 数据是连通物理实体和数字镜像的桥梁, 以实现在虚拟空间中实时映射物理实体的行为和状态.
而平行系统是由物理子系统、描述子系统、预测子系统、引导子系统构成的数字四胞胎架构, 其基础架构如图7 所示. 它通过计算实验、平行执行等手段, 以虚拟的人工系统描述、预测、引导实际物理系统, 使物理系统自动逼近更优的人工系统, 实现物理系统的自适应优化.
5) 数字孪生与平行系统的实现技术方法不同.
数字孪生主要基于物联网传感数据和仿真等手段构建物理实体的数字镜像[293295], 一个完整的数字孪生建模流程通常为: 首先基于仿真建模工具构建一个物理实体的数字模型, 并且通过机器学习等方式分析实时传感器数据和历史数据, 进而不断修正模型;接着, 将模型中的信息和数据导入其他分析系统,针对特定目标如寿命预测展开分析, 并得出结论,虽然部分数字孪生模型提出了基于孪生数据自动优化系统的方法, 但是还未形成基于数字孪生自适应优化系统的标准范式; 最后, 通过应用软件或增强现实等工具将分析结果和系统状态展示给用户.
而平行系统的人工系统是软件定义的系统, 其主要建模方式是多智能体方法, 将实际系统中的各要素建模为智能体, 并基于实际系统的数据利用知识发现和知识工程获得智能体的属性和规则;
接着, 基于一定的目标生成大量的人工场景, 运行产生大量数据, 再利用机器学习、数据挖掘等方法进行分析、预测、评估, 获得针对特定目标、特定场景的最优控制方案; 最后, 通过平行执行循环、在线地引导实际系统逼近人工系统.
在技术层面, 数字孪生是数字仿真的一个自然进展, 它的主旨要求是“孪” 或 “像” , 它强调物理系统的相关数据全部、高精度获取, 系统或数据之间的关联模型要尽可能精确并可靠.
显然,这在实际应用中是难于做到的. 平行系统并不过分强调 “孪” 或 “像” , 即不过分要求数据的完备性、准确性与可靠性, 特别是环境数据和与效用相关的社会资源数据, 因为它可以生成环境 和资源数据, 也可以做计算实验, 同时, 并不过分要求模型的准确性, 建模难度大大降低.
6) 数字孪生与平行系统的功能不同, 平行系统能够实现对复杂系统更优的管理与控制. 数字孪生本质上是一种与实际系统实时动态数据交互的仿真系统, 通过在数字化空间构建镜像实体使物理实体的状态可观、可控.
但是, 它仅能依据物理实体的实际数据预测其未来的变化, 或基于专家经验提出针对某一特定场景的优化方案, 无法评估多种方案、多种参数下的系统表现, 其优化控制容易陷入局部最优. 而平行系统的计算实验可以基于人工系统生成大量场景, 并在其中基于试错实验涌现分析出系统的全局最优控制方案, 自适应地进行优化控制.
因此, 数字孪生还停留在ACP 方法的第一阶段和部分计算实验阶段[262], 即只建立了描述型的人工系统, 并未充分利用其预测、引导结构. 数字孪生可以视作平行系统的一种特例或子集, 为特定的系统提供实时监测和调整服务[269].
4 发展趋势与展望
随着工业大数据、人工智能、信息系统等技术的发展, 智能设备、基础设施等在更广的范围和更深的层次进行信息物理交互, 形成了快速、高效、密集联结的物联社会[296]; 随着智能移动设备人均保有量的提高、客户与制造企业交互密度和深度的增加, 人类社会的信息和特征越来越多地植入物联社会,人与信息物理系统之间以共融、协同、主导、辅助、监管等多种模式运行, 人与信息物理系统深度融合,催生了CPSS; 在工程领域, 越来越多的系统引入了开放的软件定义的系统接口实现系统功能的灵活重构, 各种信息管理系统在各行业中起到了比物理硬件系统更加重要的作用, 将知识自动化[288]和系统工程更加紧密地联系起来, 逐渐形成了直接面向智能的复杂知识联结与知识协同的智联网[297298].
因此,必须建立包含人机物在内的智能实体之间知识层次的联结, 实现从相对独立的简单知识系统, 向知识联结的复杂知识系统的跃进; 从以 “牛顿定律” 为指导的精确物质系统, 向以 “默顿定律” 为代表的自由意志系统跃进[299300].
平行系统为知识虚拟空间和物理实在空间的管控提供了完整的理论框架, 知识虚拟空间是对物理空间的反映、提取、总结和升华, 同时, 又反过来影响、诱导、管控物理空间, 实现对信息系统的优化及对智联网的认知管控[301], 更能够满足未来的需求.
CPSS 是典型的开放智能系统, 它应当具有开放智能系统的典型精准特征: 状态感知、实时分析、自主决策、精准执行和学习提升. 然而, 数字孪生建模复杂系统难以考虑开放环境的影响, 它与环境的交互是单向的, 其对于环境的感知始终落后于环境的变化.
同时, 数字孪生中人机信息物理交互比较原始, 人员只能在物理空间, 通过感官获取设备的信息并对设备进行物理操作, 人因的复杂性难以量化建模和分析, 社会因素影响下的系统动态变化难以预测和有效管控.
而在平行系统中, 环境和人员都以智能体等方式建模到人工系统中, 环境智能体的解析空间具有更强的开放性, 而人员智能体与人相似,它将实际系统在人工系统的映射作为其内在认知过程, 通过不断改变内在认知信息系统对社会环境作出响应.
平行系统在人工系统中构建虚拟人,将人沉浸在虚拟空间与虚拟物和其他虚拟人进行信息交互, 通过虚拟信息控制人的物理感受和行为,同时将虚拟空间构造的物体映射于物理空间, 在物理空间与智能体交互, 进而通过智能体的物理操作改变物体的状态.
因此, 平行系统能够全面考虑环境和人因, 实现对复杂CPSS 更开放智能的管控.
因此, 平行系统更能够满足未来的需求, 并且,数字孪生的一些阶段性应用也已经呈现出平行系统的部分特征.
例如,文献[28] 提出一种数字孪生电厂智能管控模型, 该模型融合感知数据和仿真数据驱动, 基于统计分析和知识管理等手段挖掘电厂运行知识, 为转机在线精密诊断、地下管网可视化、发电机组安全管控等提供服务.
该模型进一步扩展了数字孪生知识提取和知识挖掘的方式, 在应用实现上更加接近于计算实验的思想. 平行系统为复杂系统的人机物综合管理和智能控制提供了解决方案, 在工业生产和社会系统管理等应用层面展现了良好的发展趋势.
同时, 鉴于平行系统与数字孪生在技术背景和核心理念上较高的相似性, 数字孪生技术迅速发展起来的工具、方法和编程语言等也可被平行系统采纳或借用, 进一步推动其在技术和应用上的发展成熟.
在产品研发方面, 平行系统能够利用人工系统,实现多种产品设计方案的推演和评估, 在产品开发过程中及时发现产品设计、生产的缺陷, 实现产品设计优化; 在生产制造中, 通过构建工厂级别的设备集群平行系统, 不仅能够实现产品全生产过程的实时监控、远程控制, 还能够自主优化产品生产过程, 实现人员与资源的最优组合, 进一步提升生产效率; 在产品运维方向, 平行系统不仅能够实现产品运行维护, 还能演化产生针对产品多种可能状况的维修方案; 在社会系统管理上, 以不同领域知识为基础构建人工社会, 根据实际社会系统情况设计人工场景并观测检验人工社会发展状况, 同时考虑人工系统与实际社会组织之间的虚实互动和反馈执行, 能够为管理者提供决策依据, 实现智慧化的社会系统.
目前, 平行系统的研究和应用处于初级阶段,在工业应用方面仍然存在许多挑战, 如人工系统建模、数据分析、实时虚实交互、信息安全和隐私保护等.
1) 人工系统建模. 基础多智能体模型是构建平行系统的模型准备, 当前, 多数传统行业的基础模型设计程度仍然不高, 很多行业数字化设计水平较低, 缺乏一种专有范式将物理系统的工程数据与模型进行整合, 缺乏支撑人工系统构建所需的基础数学模型、仿真模型[302].
此外, CPSS中人及其社会属性的建模[271] 比较困难. 社会传感信号[303] 是实施有效的社会管理, 系统地分析人及其社会属性的基础,但是, 相比于物理信号, 社会信号的处理与分析有待系统化的研究与发展[304].
2) 数据分析. 人工系统和实际系统组成的实验数据具有多模态、高重复性和海量等特征, 怎样开展高效、精确的大数据分析,避免实时数据对历史数据的覆盖, 实现知识的高效管理、智能分析和可靠决策, 是一个需要进一步改进的问题.
3) 实时平行执行. 高实时性的虚实交互、在线反馈是平行执行的基础, 是平行系统循环、在线优化系统的基础.
平行执行中高实时性的数据交互, 主要涉及系统运行时的实时数据采集与监控、计算实验对系统控制方案的实时预测与评估、人工系统根据计算实验结果对实际系统的实时行为控制, 以及对应的数据可视化. 目前, 平行执行还没有标准的方法或接口, 如何使系统方案实时可视化地运行到实际系统上, 是平行系统的关键问题之一.
4) 数据安全和隐私保护. 平行系统拥有整个被控系统的所有核心数据, 系统平台和数据极易被攻击和窃取, 因此, 数据安全和隐私保护不是平行系统的附加功能, 必须得到很好的研究和整合.
5 结语
数字孪生和平行系统是实现CPS 和CPSS 的代表性解决方案, 是复杂系统智能管理与控制的有效手段, 近年来引起了广泛的关注和研究. 数字孪生与平行系统利用虚拟模型研究复杂的物理系统,寻找和发现更好地控制系统的方案.
本文首先总结了数字孪生和平行系统的思想内涵、体系架构及其在理论研究和应用上的进展, 对比分析了两者在研究对象、核心思想、具体架构、实现方法和主要功能等方面的不同, 分析和探讨了当前数字孪生和平行系统发展的趋势, 以期为相关领域学者提供一定的参考和借鉴.
数字孪生通过在信息空间构建物理实体的数字镜像, 使难以建模的复杂物理系统可视化, 进而为复杂物理系统的控制与优化参考.
平行系统不仅可以通过虚拟的人工系统描述实际的物理系统, 而且可以通过计算实验模拟、训练和优化大量不同人、机、物组合的人工系统模型及其运行数据, 生成针对不同系统场景下的最优控制方案, 并可通过人工系统与实际系统之间的虚实交互、平行执行引导实际系统自适应优化, 因此更加智能.
平行系统技术为包含社会复杂性和工程复杂性的复杂CPSS 的管理与控制提供了最佳解决范式, 必将成为未来智能制造、智能管理等领域的重要发展方向.
来源：王飞跃的个人博客
作者：杨林瑶, 陈思远, 王 晓, 张 俊, 王成红
原文：http://blog.sciencenet.cn/blog-2374-1208577.html
