导读：随着物联网、大数据、人工智能等技术的发展，新一代信息技术与制造业正在深度融合，人们与物理世界的交互方式正在发生转折性的变化。数字化转型，正在成为企业的重要战略，而数字孪生，则成为全新焦点。本文通过对数字孪生在工厂中的实际应用，为企业数字化转型提供了一套落地可行的方法。
工业企业的数字化转型，需要面临制造理念、组织方式和商业模式的多种变革。一个产品，从设计理念开始，经历了制造、使用和报废，跨越了时空，呈现出一个完整的生命周期。如果设想这种产品有一本履历表，那么它将忠实地记录了这个产品的各阶段生命周期相关的数据。各种健康状况和风险，都会一目了然，然而事实却并非如此。对于制造商而言，各阶段的数据通常呈现孤立、分散的特征，尤其是用户对于产品使用过程中，基本就是黑匣子。数据的分裂，让产品的各个阶段，都成为一座座孤岛而互不相连，数据失去了流动性，大大约束了人们的洞察力。
数字孪生，作为连接实体与数字空间的一种高保真、实时互动的可视化模型，随着工业互联网的发展，成为一种全新而有效的解决方案。工厂的设备，可以通过实时可视化的数字孪生，模拟机器在生产系统中的表现，通过虚实交互、数物融合和知识自动化，形成一线操作者和管理者的决策支撑系统，提供更加实时、高效、智能的服务[1]。
企业数字化转型，围绕着数据驱动而来。而数据要真正产生的价值，需要靠企业知识体系来提供。因此，数字化转型，首先需要面对的是企业知识的梳理。但是传统的知识体系，往往呈现非常僵化的状态。例如，工程图档往往是企业的重要知识资产，但很多制造企业都是采用传统的图纸档案管理方式，以“底图”或“蓝图”的形式，进行分类、分密级归档保存。而代表企业重要的知识体系，如工艺说明、操作手册、工程文件等，已经随着企业信息化应用的逐步发展，一般都是通过扫描后进行管理。
然而这些图纸、电子文档所保存的知识，都是静态、分散和割裂的。颗粒度太大，缺乏语义的连接，无法实现相互之间的关联，流动性很差。这种知识体系，只是被收藏起来，但却无法高效重复使用。对于资深工程师而言，这只是一种储存方式而已，因为信息查找而言，仍然非常低效；而对于经验不足的员工而言，这些知识则像是被隐藏起来。
面临数字化转型，由于缺乏系统性的知识体系支撑，因此工业企业呈现出如下的困境：
1）工业场景复杂，存在海量多源异构的工业数据，多样性、复杂性的工业数据，造成工业场景信息孤岛化，数据利用价值低。
2）工业场景中，存在显性知识与隐性知识，各种结构化、半结构化和非结构化知识，知识关联性弱。
3）人工智能（AI）正在逐渐成为大数据分析的重要技术，但是传统AI训练，过度依赖人工开发算法。它无法关联自然语言所对应的概念、属性、关联性等。
4）随着工业数字化普及，海量的CAD、CAE文件以及数字化的各类文档、说明书、操作手册等，信息量暴增，给用户决策带来新的痛点。
5）工业知识专业性强，且涉及技术领域广。零散化的知识晦涩难懂，工业术语解释专业性强，经验知识传播、传承困难。
而通过知识图谱，可以将各种概念，通过编码连接的方式，形成语义连接，将隐形的知识显性化；而数字孪生技术，则可以在传统静态模型中，增加了实时运行数据的反馈，动态记录，并且用可视化的方式进行展现。这将彻底改变原有的知识管理方式，激活沉默的知识资产，从而帮助人们重新认识、管理和控制机器世界。
构建机器数字孪生，不仅仅是信息组织和表现形式的图形化，更在于构建过程中，是将企业的知识体系贯穿其中，信息上下游之间的背景链路清晰明了。而在构建数字孪生的过程中，可以采用“双模数字孪生”的方式，就是将几何模型和和机理模型相互嵌套。结合不同的设计、制造和运维的阶段，知识体系嵌入其中，最终在使用的时候，就可以实现知识自动化。
构建物理几何模型，首先是从零配件开始。例如，一台烟草包装机，有1.5万个零件，需要一一建模，并且建立设备零部件库。这些零部件库的最小单位为零件级别，如螺丝、螺母。主要数据获取方式，包括从CAD软件、数据表以及现场测绘开始，构建实体等比的数字化模型。
机理模型，就是要将几何空间的零部件，跟控制系统的机器动作进行匹配。机器的真实运动轨迹，在几何模型都有对应描述作。这其中，都是通过数据标签，来标识零部件的状态，并且跟控制逻辑相对应。例如，薄膜纸会剔除那些无法包装的烟支和烟包。而烟支无法包装的原因会有几十种：薄膜褶皱、烟支重量不够、圆周不够圆、空投、漏气、重量等。需要深入了解这些机理，然后将其做成模型和算法，并与几何模型相对应。
第一种是设计类。要设备的设计资料出发，运用数字孪生技术，全面刻画设备的物理属性，实现虚拟设备对物理设备的真实映射，最终完成对物理设备的完全镜像。
第二类是制造知识模型的构建。运用数字孪生技术全面的刻画设备与产品之间的属性，实现虚拟设备与物理设备的数字模型真实映射。制造阶段所涉及的知识按其特性可分为三类：
（1）基础知识：为装备制造企业核心数据，企业组织结构、岗位、工种、人员、存货档案、固资编码、供应商等信息。
（2）生产管理知识：如生产计划、产品指标、原材料清单、绩效考核指标等。
（3）设备知识：如供应商、规格型号、操作说明、操作规程等。
第三类是运维知识模型的构建。基于设备服务知识模型，在采集的实时数据、历史数据及领域知识等，共同实现设备的多维数字孪生模型构建。建立各种故障代码、维修对策库，并且提前通过虚拟模型，进行仿真验证，从而实现对机器状态检测、故障预测以及维修策略建议等功能。
以上三种知识模型的建立，都离不开一套表达各种物品之间关系的知识图谱，这是构建在行业规则之上的编码体系，具有很强的支撑作用，能够快速建立知识模型，并且用可视化的方式，将背后的知识体系表达出来。
在知识体系的基础上，构建了高保真的数字孪生，就可以在现场，提高员工的判断力，从而提升工厂的运营效率。
机器作为工业生产的必备工具，可视化管理是工业数字化转型必经阶段。而数字孪生，则更胜一筹，不仅仅让使用者对设备有形象具体的图形理解，对设备现实的状况及所有参数数据等信息一目了然，而且以非常体系化的方式，引导用户轻松使用机器。
设备数字孪生，可以将一台机器以3D的形式，展示设备整机、部套、零件之间的层次关系。用户可以借助于导航树，在烟机的不同零部件之间进行自由切换，深度了解。数字孪生会呈现出拆分动画，逐级递进，用户可以直接与场景中的3D对象进行交互，用层层“爆炸图”的方式，查看机械零件、子部件的详细信息。
