数字孪生建模技术综述：模型维度、建模方法与应用前景

数字孪生建模技术综述：模型维度、建模方法与应用前景

引用

CSDN

1.

https://blog.csdn.net/m0_58988991/article/details/145147416

数字孪生建模是数字化转型和智能升级的重要新兴技术。在数据和模型的驱动下，数字孪生可以执行监控、模拟、预测、优化等操作。具体来说，数字孪生建模是准确描绘物理实体的核心，它使数字孪生能够提供功能服务并满足应用要求。本文对数字孪生建模的当前研究进行了系统研究。

研究背景与目的

数字孪生是一种新兴且关键的数字转型和智能升级技术。数字孪生依靠数据和模型来实现监测、仿真、预测和优化等功能。数字孪生建模是准确描述物理实体的核心,使数字孪生能够提供功能服务并满足应用需求。近年来,数字孪生相关论文数量呈现快速增长趋势,数字孪生也被列为连续三年的Gartner公司十大战略技术趋势。现有的文献主要关注数字孪生的定义、概念和框架,但对数字孪生建模和模型的系统性研究还不够深入。

研究目的主要包括：

1. 从应用领域、层次、学科、维度、普适性和功能等多个角度,全面总结和分析当前可用的数字孪生模型。
2. 根据数字孪生建模理论体系中的六个建模方面,对现有的数字孪生建模研究进行分类和分析。
3. 探究六个数字孪生建模方面所使用的支撑性技术和工具。
4. 提出未来的研究方向和解决现有问题及新兴挑战的潜在方法。

数字孪生模型维度

数字孪生模型可以用四个模型维度来表示：几何、物理、行为和规则。

• 几何模型描述物理实体的几何形状和装配关系。几何模型构造描绘了物理实体的形状、大小、内部结构、空间位置和姿态以及装配界面。对于几何模型构建，模型保真度和简化度值得关注。
• 物理模型反映了物理实体的物理属性、特征和约束。物理模型构建为质量控制和物理特性的分析和预测等服务提供了基础。具体来说，物理模型构造可以分为静态模型和动态模型。
• 行为模型表示物理实体响应内部和外部机制的动态行为。行为模型被构造为表示物理实体的顺序、并发、链接、周期性和随机行为。准确的行为模型决定了数字孪生模型的运动和控制的准确性。
• 规则模型整合了历史数据，可以利用隐性知识，使数字孪生模型更加智能。规则模型构建揭示了隐含知识，并描绘了物理实体的进化趋势和模式。

数字孪生建模的六个方面

1. 模型构建（Model construction）：模型构建整合了相关学科的知识，构建了基本数字孪生模型，如特定应用领域的单元级数字孪生模型。
2. 模型组装（Model assembly）：通过在空间维度上对基本数字孪生模型进行模型组装，可以获得更复杂的数字孪生模型。
3. 模型融合（Model fusion）：如果空间维度的组装模型无法全面、精辟地刻画物体的内部机制或生产过程，那么在模型组装后，需要多领域、多学科、多模型维度的模型融合。
4. 模型验证（Model verification）：对于构建和组装或融合的数字孪生模型，模型验证也是必需的。
5. 模型修改（Model modification）：如果数字孪生模型无法满足物理生产要求，则必须进一步修改模型以确保数字孪生模型的准确性。
6. 模型管理（Model management）：同样至关重要的是，模型管理提供的服务包括管理模型库中的数字孪生模型，以及处理和利用数字孪生建模中生成的数据和知识。

数字孪生模型的应用领域分布

数字孪生模型的层次结构

物理实体是分层的，数字孪生模型是物理实体的虚拟映射。因此，基于Tao等人提出的数字孪生车间层级概念，本文调查的数字孪生模型根据结构和功能大致可分为单元级、系统级和系统中的系统级。为了深入理解制造业数字孪生模型的层次结构，可以将层次结构分为生产导向型和产品导向型。以人为本和以医疗资源为导向的层次结构。数字孪生模型在医疗保健领域具有重要的应用价值和广阔的应用前景，根据其层次结构进行分析，可进一步细分为以人为本和以医疗资源为本两个层次。

数字孪生模型的功能分析

从图 8 可以看出，数字孪生模型目前提供了广泛的功能范围，包括 18 种功能。主要功能是可视化、预测、优化、模拟和监控。数字孪生模型不仅限于传统功能，还扩展到教育、管理等领域。因此，针对数字孪生模型在各个应用领域的实际和具体需求，必须对现有的常规功能进行巩固、强化和细化，以实现功效最大化。同时，还需要进一步探索新功能，提供更多内容。更准确地说，一些更有针对性的功能是由不同维度的子模型自身的属性决定的。融合的子模型之间的协作可以更好地响应特定应用场景的需求。因此，应从不同维度子模型的独特属性以及子模型之间的协作来分析其功能。经过适当的模型验证和修改迭代后，可以导出更有效和高效的功能。

数字孪生建模的技术与工具

1. 几何建模：在文献综述中，点云和建筑信息建模（BIM）是最常用的几何建模技术。点云是通过一定的测量手段收集到的点的密集集合。激光扫描和照相扫描(摄影测量，针孔相机建模)得到的点云称为密集点云，其点的数量更大，密度更大。通过点云可以对目标表面进行表征，从而直接有效地表示三维物理实体。BIM结合了静态结构建模和面向对象建模的技术优点，创建了具有非图形特征和信息的三维模型。与GIS分析技术侧重于宏观层面相比，BIM涵盖了微观层面。通过整合点云的高效数据采集和 GIS 的宏几何空间概念，BIM 将实现更雄心勃勃的数字孪生场景，如数字孪生城市。除此之外，图 11 所示的有限元建模技术被用于历史建筑 和机床 的几何建模。3D 几何模型通常由 3D 建模软件等专用工具构建。如图11所示，Pro/E、CATIA、SolidWorks是工业机械专用的3D建模软件。 Autodesk REVIT 和 Surfer 分别专注于建筑信息建模和 3D 地理信息建模。逆向建模工具，例如 LiDAR 扫描仪 、Zenfone AR、Kinect 传感器 、激光扫描仪 ，也可以对物理实体进行几何建模。此外，将上述软件和工具构建的模型导入Flexsim 、Abaqus 、Demo 3D、Unity3D和Siemens NX 等平台可以执行更复杂的几何信息构建和动画生产。对于网页端几何建模，网页图形库（WebGL）结合开放图形库（OpenGL）和JavaScript编程语言来提供3D图形应用程序编程接口（API）。为了让人们触手可及的数字孪生服务，具有更好的跨平台能力的移动网页的3D渲染势在必行。通过简化和封装WebGL，ThreeJs以其用户友好性和低系统资源消耗，将推动未来移动端网页的3D建模。

2. 物理建模：对于物理建模，最常用的技术是有限元建模 ，使用数学近似来开发物理实体的材料、载荷、约束和机械属性的模型。有限元建模的核心是离散化。但是，离散化操作与物理实体的复杂性呈正相关。因此，降阶建模技术 可用于减少复杂物理实体的计算工作量。由于物理实体在复杂的环境中运行，因此有限元建模作为本文推荐的物理建模技术，需要从单个结构场扩展到多物理场耦合场，并与物理建模工具无缝集成。其他物理建模技术包括Denavit-Hartenberg （D-H） 表示法、面向对象的建模方法、数据增强和计算流体动力学（CFD）建模，如图11所示。通过集成物理建模技术，建立物理模型，然后在物理建模工具中进行分析。Ansys 是一款通用有限元分析软件，包含多个物理场。它为快速有限元建模提供丰富的组件，并通过各种图表可视化其分析结果。另外，作为主流的有限元分析软件，Abaqus更擅长复杂的非线性问题和结构分析。此外，通过创建自定义物理建模组件，Simulink 可以描述物理实体和物理实体背后的物理概念变量之间的联系。除了软件之外，OpenModelica 是一种面向对象的多领域建模语言，通常构建机械、液压、热和电气组件的物理模型。 PreComp 是专门用于创建复合材料叶片结构特性（例如交叉耦合刚度）的代码。Simulink 和 Ansys 的联合建模是一种很有前景的方法。对于连续的物理建模优化，研究人员可以将 Simulink 生成的物理参数加载到 Ansys 的有限元模型上，并将分析结果反馈回 Simulink。图 11 显示了其他物理建模工具，例如 MWorks 、Simcenter Amesim 软件 、Flexsim 、Demo 3D 和 Mechatronic Concept Designer 。

3. 行为建模：行为建模技术赋予几何和静态物理模型动态的功能行为。基于运动学和动力学分析研究的时间和空间运动演化，物理实体的每个行为都可以用微分方程来描述。对于机器人的行为模型构建，Denavit-Hartenberg（D-H）符号通过在基础坐标系上制定末端执行器位置和姿态来建立机器人的运动学方程。在更复杂的场景中，可以基于拉格朗日力学建立物理实体行为的动力学方程。机械系统通常会受到影响系统运动演化的随机扰动。如图11所示，随机建模技术通过随机变量和概率分布来描述随机因素的影响。因此，它可以建立系统在随机干扰下的随机行为模型。综上所述，未来行为建模技术的研究应同时考虑外部随机因素的影响和内部几何或物理参数。行为建模工具可以实现数字孪生模型在虚拟环境中的行为。在基于Web的数字孪生应用中，基于ThreeJs的JavaScript控制脚本可以根据真实场景需求实现数字孪生模型的功能实现、内部调整、外部交互和事件响应。自动化标记语言、作为面向对象的数据建模语言，可用于建立离散对象互操作的行为模型。除了上述编程语言外，Unity3D 是一个用于交互内容创建的实时3D平台。通过将基于C#的脚本挂载到虚拟场景中的3D对象，实现了快速的行为建模。类似地，行为建模也可以通过其他平台实现

4. 规则建模：规则建模技术从历史数据、操作逻辑和专业知识中挖掘、提取和表示规则，为决策、评估和优化等数字孪生模型能力奠定基础。为了实现上述能力，机器学习是一种有效的技术，通过重组现有的知识结构，不断提高和扩展数字孪生模型的性能。如图11所示，机器学习有多种形式，各有其特点。例如，马尔可夫链蒙特卡罗( Markov Chain Monte Carlo，MCMC )结合了蒙特卡罗和马尔可夫链，克服了高维积分计算的复杂性。MCMC还可以实现抽样分布随模拟进行而变化的动态建模。高斯过程具有很高的建模灵活性，可用于回归、分类、特征提取和其他机器学习任务。相比于人工神经网络( ANN ) ，深度卷积神经网络( DCNN ) 可以更好地模拟大脑，同时减少过拟合。值得注意的是，当使用机器学习进行规则建模时，可以通过数据增强进一步提高规则模型的鲁棒性。深度学习作为机器学习的一个子集，是一种学习能力增强、覆盖范围更广的推荐规则建模技术。然而，开放和动态的物理实体运行环境通常对深度学习技术提出了挑战。基于逻辑、法则和规则，规则建模工具使数字孪生模型具备智能能力，提升服务质量。本体Web语言( Ontology Web Language，OWL ) 用于本体的语义描述。它借鉴了人工智能领域对知识表示，特别是逻辑描述的研究，从而为数字孪生模型的规则模型提供了更丰富的表达能力。TensorFlow 是一个基于数据流编程的符号化数学系统，广泛应用于实现各种机器学习算法。它的轻量级特性允许更快地创建和迭代规则模型。作为一种推荐的规则建模工具，Tensorflow可用于数字孪生研究的各个领域，并可部署在各种服务器上

常用工具总结

1. 3D建模软件:Pro/E、CATIA、SolidWorks、Autodesk REVIT、Surfer等。这些软件可用于构建3D几何模型。
2. 仿真软件:Flexsim、Abaqus、Demo 3D、Unity3D、Siemens NX等。这些软件可用于进行更复杂的几何信息构建和动画制作。
3. 规则建模工具:TensorFlow、Ansys、Simcenter Amesim、Demo 3D、Protégé、Simulink等。这些工具可用于实现数字孪生模型的决策、评估和优化等智能功能。
4. 模型融合工具:Kalman滤波、Functional Mock-up Interface (FMI)、Mechatronic Concept Designer、OpenFAST、OMEdit等。这些工具可用于实现不同维度和学科之间的模型融合。
5. 模型验证工具:MWorks、Simulink、Flexsim、Demo 3D等。这些软件可用于比较模拟结果与实际测量值,验证模型的有效性和适用性。

结论

数字孪生模型的层次结构：就制造业的数字孪生车间而言，不同的生产单元可以根据其生产特征和功能进行分层。数字孪生模型合理的层次结构有助于组织、协调和管理的清晰、高效。在制造业以外的其他应用领域，数字孪生技术已经蓬勃发展。然而，还没有文献研究数字孪生模型的层次结构。因此，同一场景下的对象之间的关联性并不明确，更不用说不同场景甚至应用领域的对象之间的关联性。由于层次结构是数字孪生模型之间无数关联的基础，因此建立数字孪生模型的层次结构至关重要。在未来的研究中，需要建立各个应用领域数字孪生模型的宏观层次体系和单个模型维度的微观层次结构。

数字孪生模型的学科：然而，在当前的研究中，数字孪生模型涉及的学科是相互隔离的。学科知识向准确高效的数字孪生建模的转化还不够。因此，未来的工作需要填补不同学科之间的空白，以实现更深入的跨学科整合。无缝学科知识转换以满足实际建模需求也是数字孪生技术未来的研究方向。

数字孪生模型的维度：但对于其他领域，缺乏基于四个模型维度的虚拟模型属性和功能的分析。在某些情况下，现有的数字孪生模型的刻画相对片面，无法包容和反映其虚拟模型的所有维度，这阻碍了数字孪生模型真实地映射物理实体。与此同时，文献中还没有解决这四个模型维度融合的研究。未来数字孪生模型的研究应立足于这四个维度，准确反映物理实体，充分发挥数字孪生模型的有效性。不同模型维度的融合也需要考虑。

数字孪生模型的通用性：到目前为止，还没有文章详细阐述根据数字孪生模型的普遍性进行分类的标准。对于不同通用性的数字孪生模型，尚缺乏专用、通用的建模方法、建模理论体系和建模工具。目前只有五维数字孪生模型是适用于所有应用领域的通用模型。未来的研究需要区分具有不同普遍性的数字孪生模型的独特性质。因此，通过采用适当的建模方法和工具，将创建更有效的特定和通用数字孪生模型。