数字孪生（Digital Twin，DT）

每日一诗：《西江月·平山堂》
宋·苏轼
三过平山堂下，半生弹指声中。十年不见老仙翁。壁上龙蛇飞动。
欲吊文章太守，仍歌杨柳春风。休言万事转头空。未转头时皆梦。

全文目录

数字孪生（Digital Twin，DT）
- 1 相关定义
- - 1.1 数字孪生(Digital Twin，DT)
  - - 1.1.1 第一阶段
    - 1.1.2 第二阶段
    - 1.1.3 第三阶段
    - 1.1.4 整体发展脉络
  - 1.2 数字孪生网络（Digital Twin Network,DTN）和数字孪生（Digital Twin，DT）的综合定义
  - - 1.2.1 数字孪生（Digital Twin，DT）
    - 1.2.2 数字孪生网络（Digital Twin Network，DTN）
    - 1.3 数字孪生、数字孪生网络、仿真、虚拟现实网络对比
- 2 关键技术
- - 2.1 通信技术
  - - 2.1.1 通讯低延迟
    - 2.1.2 数据传输可靠性
    - 2.1.3 数据安全性
  - 2.2 数据处理
  - - 2.2.1 数据融合——降维
    - 2.2.2 数据融合——匹配
    - 2.2.3 数据融合——拓展
  - 2.3 数字孪生建模（Digital Twin Modeling，DTM）
  - - 2.3.1 两大模型
    - 2.3.2 建模挑战
  - 2.4 云计算（Cloud Computing）
  - 2.5 边缘孪生网络（DIGITAL TWIN EDGE NETWORKS，DITEN）
  - - 2.5.1 Edge Computing
- 3 应用
- - 3.1 智能制造
  - 3.2 航空航天
  - 3.3 健康护理
  - 3.4 6G Networks
  - 3.5 智慧交通
  - 3.6 智慧城市
- 4 DT关联技术领域
- - 4.1 联邦学习
  - 4.2 区块链技术
  - 4.3 边缘智能（Edge Intelligence）
- 5 研究热点
- - 5.1 安全漏洞
  - 5.2 隐私泄露
  - 5.3 资源优化
  - 5.4 双向交互（Two-Way Real-Time Interaction）
- 6.数字孪生和元宇宙

最近听了张彦教授（Fellow, IEEE）关于”数字孪生“的讲座，与我所研究的Edge Computing领域联系密切，故而拜读了张佬的综述和文献，并且整合了相关资料，对”数字孪生“的”前世今生“有的大致的了解。
本文内容包含数字孪生相关概念的定义、关键技术、应用前景以及与其它领域结合的趋势，最后简单对比总结了数字孪生技术与元宇宙的区别。

1 相关定义

1.1 数字孪生(Digital Twin，DT)

1.1.1 第一阶段

a. DT是人工构造或自然现实环境中的资产、过程或系统的数字表示。

b. DT是物理产品或过程的虚拟表示，用于理解和预测物理产品或过程的性能特性。

c. DT是一组虚拟信息，它充分描述了从微观原子级到宏观几何级的潜在或实际物理产品。

该阶段的特性：强调Non Co-evolution性，描述为物理实体的数字镜像物理实体和镜像之间不存在数据通信和共生

1.1.2 第二阶段

a. DT是资产和过程的软件表示，它被用于理解、预测和优化性能，以获得更好的业务结果。

b. DT指的是更快的优化算法，增加了计算机功率和可用数据量，可以利用模拟领域实现产品和生产系统的实时控制和互相优化。

该阶段的特性：强调computerized model性，描述为计算机模型，用计算机对物理实体进行建模进而进行理解、预测、优化增强性能

具有单向性，改变物理实体会影响虚拟模型反之不成立。

1.1.3 第三阶段

a. DT集多物理、多尺度、概率模拟于一体，由物理产品、虚拟产品、数据、服务以及它们之间的联系组成。

b. DT实际上是实物资产或系统的逼真模型，它在收集到的在线数据和信息的基础上不断地适应业务变化，并能够预测相应的物理孪生体的未来趋势。

c. DT组件、产品或系统的综合物理和功能描述以及可用的操作数据。

该阶段的特性： 强调integrated system：物理实体、虚拟模型、数据、服务、和它们之间的联系形成完整体系

1.1.4 整体发展脉络

数字孪生概念由美国教授Michael W. Grieves在2002年最早提出，他认为物理设备的数据，可以在虚拟空间中构建该物理设备的虚拟实体和子系统，并且这种联系不是单向和静态的，而是反映了整个产品的生命周期。因此，此种孪生概念，更多适用于工业领域的信息物理系统（CPS），后来逐渐在数字城市等领域发挥模拟、预测等作用。

数字孪生的闭环属性可以帮助制造业实时收集产品的性能数据，在虚拟模型中完成验证产品设计、流程设计、生产排期、故障监测等环节，大幅提升生产效率，降低维修成本、人力成本。

简单总结为：数字孪生是通过数字技术对某个物理进程进行模拟仿真，观察其数据分析后的变化与趋势，发现问题并优化，为精准决策提供预测分析。

1.2 数字孪生网络（Digital Twin Network,DTN）和数字孪生（Digital Twin，DT）的综合定义

1.2.1 数字孪生（Digital Twin，DT）

这里的DT可以理解为数字孪生体、数字双胞胎

由三部分组成：

a. 一个物理实体（设备、机器、工业流程、复杂的物理系统——a device, machine, a robot, or an industrial process or a complex physical system）

b. 物理实体对应得虚拟孪生对象

c. 能够使能物理实体和孪生对象共同进化的映射关系

1.2.2 数字孪生网络（Digital Twin Network，DTN）

多对实体与孪生体、孪生体与孪生体、实体与实体之间一一对应关系组成多对多得映射网络（即DTs构建得网络）

在DTN中，物理实体和虚拟孪生对象之间可以相互通信、协作、共享信息、完成任务，通过连接多个DT节点形成信息共享网络，实现多个物理对象和虚拟双胞胎的动态交互和同步演化。

1.3 数字孪生、数字孪生网络、仿真、虚拟现实网络对比

2 关键技术

2.1 通信技术

physical-to-physical (P2P)
physical-to-virtual (P2V)
virtual-to-virtual (V2V)

物理实体作为无线终端经由通信基站接入无线网络进而与其DT连接

DTN的实现需要通信技术保证

使能技术：边缘计算、5G、6G and 分布式机器学习

2.1.1 通讯低延迟

延迟指的是传感器延迟、数据处理延迟、网络传输延迟、反馈延迟。数据通讯超低延迟以实现DT和实体的实时co-evolution，网络带宽和容量要跟上海量数据增长的需求。例如：远程手术、药量控制、突发病情等事件需要及时处理，超低延时以保证数据处理、传输、反馈与更新。

2.1.2 数据传输可靠性

数据是DTN的“灵魂”所系，DTN对实体传输过来的数据准确性要求非常高（little error leads to leads to irreversible disasters），需要通讯技术保驾护航以减少data errors、掉包。同时对数据要进行预处理，一方面提升数据质量，另一方面降低data size缓解信道负载。

2.1.3 数据安全性

传输数据大多设计personal identification information and health data，这些数据传输时要通过加密手段保障隐私安全。

2.2 数据处理

物理实体产生的数据大多是多源、多尺度、高噪声，如果海量数据全部涌入通信网络，必然造成信道阻塞，

数据特征：

Data Uncertainty：海量数据不同源（数据异构）、non i.i.d（非独立同分布），由于实体硬件性能差异可能导致的数据传输速率不同等等。

Data Visualization：可视化技术是处理海量数据的重要一环，但是数据量大、异构、多维等特性给数据可视化带来相应的挑战。

因此需要进行数据预处理来处理数据缺失、数据冗余、数据冲突、数据错误等情况。

2.2.1 数据融合——降维

例如对图片、视频数据进行降维处理，保留关键信息

2.2.2 数据融合——匹配

物理实体 of high similarity 所产生的数据高度相似，通过识别算法进行实体匹配而后数据聚合，实体间共享特征参数以相互借鉴，可以提高数据的使用率。

2.2.3 数据融合——拓展

多实体间数据融合可以提升有效数据容量。例如在交通系统中，无人车可能会存在”视觉盲区“感知不到盲区车辆进而带来安全隐患，而警视眼广泛分布，“视线开阔”可以将盲区数据传输给无人车。

2.3 数字孪生建模（Digital Twin Modeling，DTM）

数字孪生模型的建立要”因时而变，随事而改“。根据不同应用领域的相应需求主要可分为

2.3.1 两大模型

a. Specific Model

适应于特定应用领域，要对给定的复杂物理系统的特殊需求提供定制化服务

b. General Model

通用模型普遍适用于一般领域满足多数需求。通过制定相关标准和协议，该类模型必然成为主流，服务于日常生活。

2.3.2 建模挑战

a.模型交互性（interoperability of multiple models）：DTN网络包括大量的子系统，每个子系统需要完成不同的功能进而需要不同的模型（例如几何模型、仿真模型、业务模型、数据模型等）进行构建。目前技术不能很好地实现多种模型之间交互和协作。

b.高精度模型（High-Precision Model）：目前DT模型主要利用传统编程语言、仿真软件协作构建。对多级和多维高级建模技术的讨论仍然有限。传统的建模太简单，无法实现DTN所需的综合性和准确性，并且大多数建模方法具有缺点，例如灵活性差，复杂的配置和容易发生的错误。建模和仿真技术需要进一步开发才能构建高精、可靠的DTN。

c.实时更新（Model Continues Updating）：DT建模的目的是实现对物理对象的全面建模。可以根据物理数据同步更新虚拟模型来诊断，预测和决定物理空间。但是，大多数物理对象的原理尚不清楚，并且无法获得物理对象的高保真模型。因此，实现基于不完整信息和非确定性原理的诊断和预测非常具有挑战性。同时DTN模型的持续更新需要准确的数据和足够的计算、通信资源来支撑，这也是DT建模的痛点。

2.4 云计算（Cloud Computing）

云端有一个异常强大的数据中心，负责数据处理，网络端负责数据传输，而物联网各个节点端负责采集数据，并通过网络交给云端，云端再根据数据分析并做决策后再把结果返还给终端。

集中式云计算中心坐拥大量的计算、存储资源，可进行DTN网络部署，实现快速计算、集中管理等。

2.5 边缘孪生网络（DIGITAL TWIN EDGE NETWORKS，DITEN）

边缘计算+数字孪生

2.5.1 Edge Computing

传统的云计算在工作原理和技术发展方面的局限性使其无法满足5G时代的网络需求，计算中心从云端下沉至边缘是大势所趋。

边缘计算是指将计算资源部署在用户和数据源的网络边缘附近，通过距离数据源更近的位置(如路由器、基站)进行计算，为用户提供高带宽、低延迟、低能耗、高安全的计算服务。数据源和云计算中心之间的任何计算机和网络资源都被称为“边缘计算”中的边缘。

边缘计算的边缘服务器和云中心服务器可以为DTN模型的部署创造条件，边缘节点靠近用户端，可以很好地应用于延迟敏感，需要及时反馈的领域例如医疗，智慧交通等等。更进一步，对于大规模DTN网络，云边端三者协同进行DT相关服务的数据处理、缓存、存储、计算、传输将跟有利于DTN的建模、通信与更新。

3 应用

3.1 智能制造

mart manufacturing to achieve high efficiency production and precision manufacturing

调度优化： DTN统筹规划原材料投入部件投产产品产出销售经营

生产仿真：发现产品设计瑕疵风险评估

故障预测：设备故障预测

数据感知： DTN和PhyO 同时产生数据数据是工业生命之源

3.2 航空航天

aircraft structuring for risk prediction to realize maintenance aircraft ahead of time

故障监测：飞行器故障监测，及时维护

路由优化：航空体系整体飞行路由优化、飞行状态调整

移动性强：移动预测模型迁移技术

精细化：卫星航天器飞机结构复杂工作依赖于全部件的整体协作紧密联通

例如：建造了飞机的DT使用自动图像跟踪方法预测铝合金和钢的裂纹尖端变形和裂纹生长

一种通过构造飞机翼的元模型来检测疲劳裂纹的方法。

3.3 健康护理

疾病预测：生理数据、药用量数据、情感数据 collected by wearable devices

远程手术：基于实体生理数据进行孪生体手术、模拟用药、风险探测（预案）

医疗器械：故障检测设备管理

举例: 健康码

一/异地多码之日久，民众苦不堪言。但是当政府或企业将来实现“全国一码通”时，该健康码网络就相当于是现实世界在数字空间中的一个数字孪生网络Digital Twin Network,孪生网络中的每个二维码唯一对应于现实世界中的某个体（我的二维码就是我的数字孪生体），它实时记录着该个体健康状况、行为轨迹等信息。现实世界中个体的实时数据为健康码网络构建泵入血液，健康码网络的动态运作为个体提供相关健康服务。

3.4 6G Networks

6G网络旨在实现超大容量和超短距离通信，高效和高精度的通信以及融合的多元通信

故而面临一系列挑战：安全、频谱效率、智能、能源效率和可负担性

网络安全性:6G网络利用虚拟化网络反馈的信息提前做好准备，提高网络安全性，保证资源分配

信号塔、基站安置规划：信号塔合理放置效用最大化

3.5 智慧交通

城市交通信息实时播报：平行交通系统模拟真实道路情况

城市交通基础设施维护

面临挑战：数据传输的实时性、动态车辆的移动性、车辆数据、服务器网络的安全性

3.6 智慧城市

城市规划、生态治理、交通管控

DT城市利用DT技术创建虚拟城市，可以模拟和分析各种城市建设规划和城市应用解决方案

举例：

印度安得拉邦的新首府阿玛拉瓦蒂被认为是第一个DT城市。城市使用无处不在的多节点物联网传感器来实时监测建设进度、环境和健康监测。

新加坡建立了城市运行模拟系统CityScope，实现城市模拟优化、规划、决策等功能。

荷兰鹿特丹市被用于改善基础设施维护、能源效率、道路和水运，并帮助消防人员在紧急情况下执行任务。

4 DT关联技术领域

4.1 联邦学习

联邦学习消除DTN网络数据隐私安全的顾虑

DTN帮助联邦学习产生数据、collaboratively训练模型

联合学习是一种分布式的机器学习方法，近年来是由分散的计算和隐私问题引起的。它是在2016年首次提出的，以解决Android移动终端本地更新的问题。目的是在信息安全性，个人隐私保护和法律合规性的前提下在多个参与者或多个计算节点之间实施有效的机器学习。

联邦学习可以应用到相关领域：保证隐私、low-cost机器学习模型可部署

4.2 区块链技术

集成DTN和区块链带来安全保证，可信赖的可及性，可访问性和DTN交易的不变性。

4.3 边缘智能（Edge Intelligence）

Edge Intelligence为DTN提供了低延迟和高安全性计算服务，能够快速处理数据并帮助物理对象做出高质量决策。

在智能运输系统中，边缘服务器可以实时感知信息，例如人口分布，交通流量，湿度，温度，压力和空气质量。这些信息具备实时性，而在边缘上部署的人工智能可以在短时间内快速处理实时数据并给予反馈。这对于公共交通规划，交通管制和推动时间敏感的智能运输系统的警报至关重要。

5 研究热点

5.1 安全漏洞

DNT网络节点众多对虚拟对象的恶意攻击会带来灾难性的后果

5.2 隐私泄露

数据是DT的根基对人DT的建模需要大量人体生理数据、周遭环境数据。边缘、云计算提供商不可信。

5.3 资源优化

硬件资源消耗、部署

通信资源

计算资源

存储资源

5.4 双向交互（Two-Way Real-Time Interaction）

DTN的灵魂所在：real-time two-way communication.

DTN网络海量数据传输和计算存储对带宽、cache、computing性能有很高要求。

硬件提升资源调度最优负载均衡等技术亟需发展

6.数字孪生和元宇宙

	元宇宙（Metaverse）	数字孪生（Digital Twin）
定义	元宇宙（Metaverse）是利用科技手段进行链接与创造的，与现实世界映射与交互的虚拟世界，具备新型社会体系的数字生活空间	在虚拟世界中 1:1 建造一个与现实世界中物体、场景等方方面面完全一致的“孪生双胞胎”，通过物联网、大数据、虚拟现实、VR、AR、人工智能等技术的支持，把数字模型与现实实体一一对映、连接、交互，最终达到通过虚拟世界，认知、分析、管理和操控现实的目的。
应用领域	VR设备、人工智能、5G、3D沉浸式体验、物联网、互联网	智慧城市、智慧建筑、智慧医疗、工业制造
本质区别	元宇宙是虚拟现实，它直接面向人，强调视觉沉浸性、展示丰富的想象力和沉浸感。平行性：既可以以物理世界创造数字空间独立性：也可以完全塑造独立的数字世界。理念状态是基于数字世界实现的原生社会，每个人都可以拥有唯一、独立的数字身份，完成在线社交、工作、商业交易等。	数字孪生是对唯一现实世界物理元素的复制，它首先面向物，强调物理真实性现实世界在数字空间中的真实反馈数字孪生重在对设备的监测、对城市的管理，而元宇宙侧重于构建公平开放的理想数字社会。
基本特征	沉浸式体验，低延迟和拟真感让用户具有身临其境的感官体验；虚拟化分身，现实世界的用户将在数字世界中拥有一个或多个ID身份；开放式创造，用户通过终端进入数字世界，可利用海量资源展开创造活动；强社交属性，现实社交关系链将在数字世界发生转移和重组；稳定化系统，具有安全、稳定、有序的经济运行系统	虚实共生，共同进化（co-evolution）双向传递数据
相同	以数字技术为基础，对物理世界进行模拟仿真，进行可视化感知与交互，一般而言，底层支撑技术原理通用。
发展线	2021年3月，元宇宙概念第一股Roblox在纽交所敲钟	由美国教授Michael W. Grieves在2002年最早提出

References：
Wu, Yiwen, Ke Zhang, and Yan Zhang. “Digital twin networks: A survey.” IEEE Internet of Things Journal 8.18 (2021): 13789-13804.
Jones, David, et al. “Characterising the Digital Twin: A systematic literature review.” CIRP Journal of Manufacturing Science and Technology 29 (2020): 36-52.