来源：机器之心
作者：机器之能
若以数字孪生比作人类大脑，就像我们在现实世界中凭直觉用大脑的能力去记忆、记录、分析、处理和预测一样，数字孪生也可以通过分析收集到的数据在数字世界中做同样的事情。
数字孪生技术在虚拟世界模拟制造流程，并帮助企业在数字孪生模型中灵活配置资源，并优化工作流程，快速响应不断变化的产品需求和订单渠道。
本文介绍了数字孪生所需要的几大方面条件：用于收集数据的智能设备、强大的网络连接设备支持以及实时互联的软硬件生态，并展望了制造业对这项技术的期待。
「数字孪生」是物理世界的数字化表达，它可以帮助我们数字世界中模拟真实世界，并预测可能会发生的各种情况，从而基于模拟结果做出判断，选取最优方案，反馈到物理世界。在构建一个「数字孪生」模型的过程中，需要打通数据的双向沟通渠道，使物理世界的状态和参数可以通过与智能系统向数字模型反馈，从而真正实现数字孪生，并以此对物理世界进行动态、实时地评估和优化。
早上世纪70年代，「数字孪生」的概念就已经初具雏形。在NASA的阿波罗13号事故中，NASA曾尝试利用「数字孪生」技术模拟航天器在太空中的各种场景，并以此帮助宇航员解决在太空著遇到的突发情况。在几十年后的今天，「数字孪生」正在成为覆盖全球的智能化基础设施，被广泛应用在城市规划、医疗保健和汽车设计等各种领域，而其在工业、制造业的应用潜力尤为巨大，「数字孪生」技术正在加速全球数字经济的发展进程。
在实际应用中，「数字孪生」概念不断扩展，早已不是单纯的仿真模拟，随着云技术、边缘计算、增强UI、3D建模等一系列相关技术的融入，「数字孪生」正在成为一个创新技术集的统称。
数字主线：贯穿制造流程的每个场景
在设计与生产过程中，通过数字化检测、测量以及传感器等设备收集数据，再通过数字化系统反映到产品定义的三维模型，即可构建物理产品的数字孪生模型，进而对物理世界进行分析。而将分析模型的数据传递到产品三维模型进行优化，再传递到数字化生产线加工成真实的物理产品，则是数字世界对物理世界的反作用。
在「数字孪生」优化的企业中，有无数这样的收集、分析和反馈流程，这些流程汇聚成了覆盖产品全生命周期与价值链的「数字主线」。从最初的概念设计、产品设计，到仿真、材料、工艺、制造，乃至销售和运维等每个环节都贯穿在「数字主线」上，由此驱动以统一数字化模型为核心的产品数据流。
打个更生动的比方，在制造业场景中，如果将数字孪生的核心部件与人类特征相联系：操作设备就好比肌肉，数字孪生平台是大脑，数字主线就是负责链接的神经系统。
而且，就像我们在现实世界中凭直觉用大脑的能力去记忆、记录、分析、处理和预测一样，数字孪生也可以通过分析收集到的数据在数字世界中做同样的事情。在制造业，数据输入有助于数字线程和数字孪生优化操作功能，这有助于增加吞吐量和提高效率。
传感器：工业的末梢神经
数字孪生的应用基础是数据，而数据的关键在于采集、治理，以及如何将数据有效应用于分析流程中。如果说「数字主线」是工业的中枢神经，那么分散在应用场景的每台终端设备上的传感器，就是这条神经系统上的一个个神经末梢。
设备是工业场景的基础设施，针对设备的嵌入式智能升级是数字孪生的首要条件。随着IIoT应用的快速增长，大量制造业终端设备制造商都以开放的态度，积极地融入物联网，设备供应商开始越来越多地在设计阶段将智能传感器嵌入到生产设备中。
智能传感器可以将从设备中搜集到的信息，按一定规律变换为电信号或其他形式的信息输出，从而满足信息的传输、处理、存储、显示、记录和控制等要求。其主要特点包括：微型化、数字化、智能化、多功能化、系统化和网络化。
随着传感器的增多，终端接口以及数据流通等工业现场的数据问题逐渐浮上水面。不同设备之间打通数据链接，需要覆盖全面网络、设备协议的平台基础，以及稳定、高效的网络中继。在工业场景下智能设备的网络连接强度往往超过Wi-Fi的性能。因此，越来越多的制造商转向使用4G/LTE和5G专用无线网络，获得可靠、安全的高带宽，满足运营技术的需要。
实时互联：打通数据的脉络
随着数字孪生和IoT的深入发展，越来越多的制造商开始关注人工智能、机器学习、自动化和增强智能。然而，所有这些引人注目的功能都需要一个突出的连接基本条件：低延迟。
4G/LTE是提供低延迟和快速响应时间所需的最低无线连接标准，这使得数字孪生能够在有效且及时提供数据，并快速响应运营商的需求。随着标准的演变和支持生态系统的发展，5G为制造业带来了更大的前景。随着5G标准的不断发展，后续的版本将具备新的功能，如时效性通信。这将为设备之间的通信和控制提供更紧密的同步，并改善定位和本地化。
在满足这些条件的同时，还必须要考虑系统互连，这强调了在生产设施中使用的各种标准和协议之间进行通信和集成的必要性。在这里，网络连接需要提供一种简单的、流线型的「数据交换」，而工业连接器则是系统之间有效通信的重要组成部分。
边缘云：高效利用实时数据
数据的采集和传递是实现「数字孪生」的第一步，这一步对于大部分制造企业来说并不困难，「数字孪生」体系建设的真正难点在于数据治理和利用。
工业场景中的数据大多保质期不长，很多数据需要实时处理，但随着终端设备上传感器数量的爆炸式增长，采集到的数据量也日趋庞大。基于云端的大数据处理受带宽和响应效率的制约很难把数据处理能力下放到每个应用场景中，这就导致了很多实时数据在实时采集后没有「实时」利用，造成了大量的资源浪费和价值流失。
由此，工业场景就需要边缘云技术的支持。通过在工业现场建设边缘云，由边缘侧采集、处理数据，解决传输和响应速度问题，缓解云端算力的压力，并在云与终端设备间起到承上启下的作用。
诺基亚在芬兰奥卢的灯塔项目「意识工厂」案例中，工厂内的各种设备都嵌入了智能设备，利用专用（4.9G / LTE）无线网络为工厂内外的所有资产建立安全可靠的连接，从而在边缘云上建立基于数字孪生模型，并进行实时数据分析，以此优化产线。
例如，在监控生产环境中，通过利用各种数据源，观察到湿度和温度的偏差，设置触发自动警报，能够确保哪些地方可能需要调整或维护。
数字孪生还可以在连接的机器和数据源之间提供自动化的实时过程分析，从而加快错误检测和纠正的速度。而且，还可以实时监控装配过程，在中央用户界面上随时查看每个机器人单元的状态和进度。
该工厂每天生产1,000个4G和5G基站，每年都对产线进行技术优化，持续提高生产力30％以上，产品交付市场时间节省50％，每年节省数百万欧元。
以「数字孪生」持续优化制造流程
日前，第36届美洲杯帆船赛（America 's Cup）在新西兰的奥克兰拉开帷幕，在本届大赛中亮相的众多高性能AC75超高速水翼极限帆船中，来自新西兰酋长队的展示让人眼前一亮，在他们的AC75帆船研发过程中，与麦肯锡子公司Quantum Black合作打造了帆船的数字孪生模型，并利用AI对帆船及运动员在水上的表现进行迭代分析，快速提供最优的船体优化和航行测试方案，为船队提供了十倍于以往的研发测试效率。
「数字孪生」概念在今天的制造业中日趋成熟壮大，无论是数字化供应商、设备制造商还是技术服务商，都在加紧打造更贴合「数字孪生」技术体系的产品和解决方案。「数字孪生」的技术集合也在不断扩充，制造企业在数字化转型升级的过程中，可以选择各种数字手段，构建符合自身特点的「数字孪生」体系，使制造流程中产生的数据在物理世界和数字世界滚动起来，持续迭代，从而实现对企业业务流程的持续优化。改善产品研发流程，提高车间自动化水平，实现生产过程智能化，快速响应业务需求，降低生产维护成本，提高整个业务流程的效率，并最大限度地提升产品质量。
对于企业和开发者，如何加满机器学习技能点，更轻松地上手机器学习？
3月15日，亚马逊云科技机器学习高级产品经理孟和将带来线上分享。本次分享从供应链和自动驾驶领域的相关应用案例出发，详细讲解亚马逊云科技将提供哪些关键资源，帮助开发者团队提高机器学习技能，从而更好地应用AI。
