通信设备及服务行业：数字孪生，复制同一个你，5G时代不可或缺的数字孪生

《通信设备及服务行业：数字孪生，复制同一个你，5G时代不可或缺的数字孪生》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、目录1.揭秘数字孪生，不仅仅是复制31.1.数字孪生，数字形式的双胞胎31.2.数字孪生下，物理世界与数字世界的交互31.3.数字孪生技术优势明显41.3.1.使生产更便捷，创新速度更快，生产周期更短41.3.2.更全面的测量、分析和预测能力51.3.3.数字孪生帮助经验数字化62.数字纽带为数字孪生体提供访问、整合和转换能力63.信息物理系统为数字孪生保驾护航83.1.信息物理系统是工业4.0的核心83.2.数字孪生是信息物理系统的核心关键技术94.数字孪生，5G应用落地强风口95.数字孪生其他应用场景丰富115.1.数字孪生帮

2、助制造业效能大幅提升115.1.1.预见设计质量和制造过程115.1.2.推进设计和制造高效协同115.1.3.确保设计和制造准确执行115.1.4.数字孪生助力数字孪生车间示例125.2.数字孪生技术应用场景畅想136.小结：不可或缺的数字孪生151.揭秘数字孪生，不仅仅是复制1.1.数字孪生，数字形式的双胞胎孪生，即双胞胎；数字孪生，顾名思义，就是数字形式的双胞胎。在“数字孪生”中，一个是存在于现实世界的实体，它小到一个零件，大到一个工厂、城市，简单如一个螺丝，复杂如人体的结构；而另一个是虚拟的、数字化的，是利用数字化技术营造

3、的与现实世界对称的数字化镜像。这个数字孪生体，不仅是对现实实体的虚拟再现，还可以模拟对象在现实环境中的行为。如果以家用电脑为例，Word文档和打印出来的文稿就是“数字孪生”。以导航软件为例，城市中的实体道路和软件中的虚拟道路也是“数字孪生”。图1：数字孪生技术产生的汽车3D模型数据来源：“数字孪生城市”白皮书1.2.数字孪生下，物理世界与数字世界的交互数字孪生是将物理对象以数字化方式在虚拟空间呈现，模拟其在现实环境中的行为特征。由于二者形成了一个闭环的互动，现实与虚拟之间的鸿沟不再。在物理世界与数字世界的交互过程中，有五大支持和驱

4、动要素，分别是物理世界的传感器和促动器、集成、数据和分析，以及持续更新的数字孪生应用程序。图2：生产流程数字孪生模型数据来源：德勤大学出版社图2中呈现了在数字孪生中从物理世界到数字世界再回到物理世界的过程。这一过程涉及到传感器、促动器、数据、集成、分析这些要素。其中，传感器负责发出信号，数字孪生通过这些信号获取与实际流程相关的运营和环境数据；数字孪生涉及到达数据除了传感器信号提供的数据，还包括企业数据（如物料清单、企业系统、设计规范）、工程图纸、外部数据源连接以及客户投诉记录等；集成是指传感器借助集成技术（如边缘计算、通信接口和安

5、全）达成物理世界与数字世界之间的数据传输；分析是指数字孪生利用分析技术开展算法模拟和可视化程序，进而分析数据，提供洞见；促动器的作用是开展实际行动和推进实际流程的开展，当分析结果确定应当采取实际行动，数字孪生将在人工干预的情况下开启促动器。1.1.数字孪生技术优势明显自数字孪生概念提出以来，该技术在不断的快速演化，无论是对产品的设计、制造还是服务，都产生了巨大的推动作用。1.1.1.使生产更便捷，创新速度更快，生产周期更短数字孪生通过设计工具、仿真工具、物联网、虚拟现实等各种数字化的手段，将物理设备的各种属性映射到虚拟空间中，形成

6、可拆解、可复制、可转移、可修改、可删除、可重复操作的数字镜像，这极大的加速了操作人员对物理实体的了解，可以让很多原来由于物理条件限制、必须依赖于真实的物理实体而无法完成的操作，如模拟仿真、批量复制、虚拟装配等，成为触手可及的工具，更能激发人们去探索新的途径来优化设计、制造和服务。我们举个例子来说，所有的产品概念都产生于人的大脑，最早只是大脑里的一个抽象的，模糊的概念。要把这样一个概念变成真真切切的产品，是非常困难的。在没有数字化模型帮助的情况下，要制造出一件产品，必然会经历很多次迭代设计。仅仅为了验证产品的每一个尺寸，部件之间的装

7、配关系，就不得不制造出很多个中间产品（被称为打样），从而耗费大量的时间和金钱。采用了数字化模型的设计技术，就可以在虚拟的三维数字空间里从无到有地创造出每一个部件乃至产品本身。在虚拟的三维空间里，可以轻松地修改部件和产品的每一处尺寸和装配关系，这使得几何结构的验证工作和装配可行性的验证工作大为简单，因此可以大幅度减少迭代过程中的物理样机的制造次数，时间，成本。1.1.1.更全面的测量、分析和预测能力数字孪生技术，可以借助于物联网和大数据技术，通过采集有限的物理传感器指标的直接数据，并借助大样本库，通过机器学习推测出一些原本无法直接测

8、量的指标。例如我们可以利用润滑油温度、绕组温度、转子扭矩等一系列指标的历史数据，通过机器学习来构建不同的故障特征模型，间接推测出发电机系统的健康指标。现有的产品生命周期管理，很少能够实现精准的预测，因此往往无法对隐藏在表象下的问题提前进行预判。而数