1 數字孿生技術概述
作為一種快速發展的新興技術, 學術界針對數字孿生的建模、數據採集、傳輸與處理、數據驅動與模型融合控制、安全性等方面開展了廣泛的研究.
1.1 數字孿生的定義及內涵
數字孿生(Digital twin, DT) 是一種實現物理系統向信息空間數位化模型映射的關鍵技術, 它通過充分利用布置在系統各部分的傳感器, 對物理實體進行數據分析與建模, 形成多學科、多物理量、多時間尺度、多概率的仿真過程[79], 將物理系統在不同真實場景中的全生命周期過程反映出來.
藉助於各種高性能傳感器和高速通信, 數字孿生可以通過集成多維物理實體的數據, 輔以數據分析和仿真模擬[10], 近乎實時地呈現物理實體的實際情況, 並通過虛實交互接口對物理實體進行控制.
數字孿生的基本概念模型如圖1 所示, 它主要由三部分組成[3]:1) 物理空間的物理實體; 2) 虛擬空間的虛擬實體;3)虛實之間的連接數據和信息. 就數字孿生的概念而言, 目前仍沒有被普遍接受的統一定義.
數字孿生在發展過程中隨著認知深化, 主要經歷了三個階段[11]:
1) 數字樣機階段, 數字樣機是數字孿生的最初形態,是對機械產品整機或者具有獨立功能的子系統的數位化描述;
2) 狹義數字孿生階段, 由Grieves 教授提出, 其定義對象就是產品及產品全生命周期的數位化表徵;
3) 廣義數字孿生階段, 在定義對象方面廣義數字孿生將涉及範圍進行了大規模延伸,從產品擴展到產品之外的更廣泛領域.
世界著名諮詢公司Gartner 連續三年將數字孿生列為十大技術趨勢之一[12], 其對數字孿生描述為:數字孿生是現實世界實體或系統的數位化表現. 因此, 數字孿生成為任何信息系統或數位化系統的總稱.
1.2 數字孿生的研究現狀
1.2.1 模型與建模方法
數字孿生建模的首要步驟是創建高保真的虛擬模型, 真實地再現物理實體的幾何圖形、屬性、行為和規則等[13]. 這些模型不僅要在幾何結構上與物理實體保持一致, 而且要能夠模擬物理實體的時空狀態、行為、功能等[1415]. 由於數字孿生包含多種多樣的子系統, 傳統的建模方法可能無法精確地對整個數字孿生系統進行描述, 同時, 對於整體數字孿生系統的建模, 還沒有一致的結論.
當前, 數字孿生建模通常基於仿真技術, 包括離散事件仿真、基於有限元的模擬等[8], 通常基於通用程式語言、仿真語言或專用仿真軟體編寫相應的模型[16].
但是, 仿真對於實際系統運行過程僅具有指導作用, 因此,數字孿生建模的主要思想是以數據補充和完善仿真模型, 實現對物理實體的實時、高置信度仿真預測.
例如, 文獻[18] 提出一種基於仿真資料庫的微內核數字孿生平臺架構, 通過仿真資料庫對實時傳感器數據的主動管理, 為仿真模型的修正和更逼真的現實映射提供支持;文獻[17] 提出一種自動模型生成和在線仿真的數字孿生建模方法, 首先, 選擇靜態仿真模型作為初始模型, 接著, 基於數據匹配方法由靜態模型自動生成動態仿真模型, 並結合多種模型提升仿真準確度, 最終, 通過實時數據反饋實現在線仿真.
當前, 多數仿真建模方法都存在靈活性差、配置複雜而易出錯等[1823] 缺陷, 要實現高置信度的數字孿生模型, 還需要在高保真建模仿真技術上取得進一步發展.
基於以上方法, 已經產生了一些數字孿生模型, 按照其模式可以分為通用模型和專用模型, 其中,專用模型是當前研究的熱點.
數字孿生模型的研究內容主要涉及概念模型和模型實現方法, 其中, 概念模型從宏觀角度描述數字孿生系統的架構, 具有一定的普適性; 而模型實現方法研究主要涉及建模語言和模型開發工具等[24], 關注如何從技術上實現數字孿生模型. 在概念模型方面, 文獻[25] 提出包含物理實體、數據層、信息處理與優化層三層的數字孿生建模流程概念框架, 以指導工業生產數字孿生模型的構建; 文獻[26] 提出基於模型融合的數字孿生建模方法, 通過多種數理仿真模型的組合構建複雜的虛擬實體, 並提出基於錨點的虛擬實體校準方法; 文獻[27] 提出全參數數字孿生的實現框架,將數字孿生分成物理層、信息處理層、虛擬層三層,基於數據採集、傳輸、處理、匹配等流程實現上層數字孿生應用.
鑑於傳統數字孿生三維模型無法滿足現階段技術發展與應用需求, 文獻[28] 提出由物理實體、虛擬實體、連接、孿生數據、服務組成的數字孿生五維模型, 強調了由物理數據、虛擬數據、服務數據和知識等組成的孿生數據對物理設備、虛擬設備和服務等的驅動作用, 並探討了數字孿生五維模型在多個領域的應用思路與方案, 獲得了廣泛認可;文獻[29] 提出按照數據採集到應用分為數據保障層、建模計算層、數字孿生功能層和沉浸式體驗層的四層模型, 依次實現數據採集、傳輸和處理、仿真建模、功能設計、結果呈現等功能. 在模型實現方法上, 相關技術方法和工具呈多元化發展趨勢.
當前,數字孿生建模語言主要有A u t o m a t i o n M L [ 3 0 ] 、UML[10]、SysML[31] 及XML[32] 等, 其中, 應用最多的建模語言為AutomationML. 部分模型基於通用建模工具如CAD[33] 等開發, 更多模型開發基於專用建模工具如FlexSim[34]、Qfsm[35]等. 表1 對一些數字孿生模型進行了總結, 未來, 數字孿生模型還需要在對接行業標準架構、建立統一描述方法和規範等方面加強研究[24].
1.2.2 數據採集、傳輸與處理
數據是連接物理空間和虛擬空間的橋梁, 是實現CPS 的關鍵基礎[42]. 數據採集主要通過可靠傳感器及分布式傳感網絡對物理設備數據進行實時準確的感知獲取, 是實現數字孿生的一項重要技術.
數字孿生數據採集的基本要求是[43]: 1) 實時性. 數字孿生精準建模和精確控制需要根據採樣數據進行,因此, 對於信息傳輸和處理的時延具有較高的要求;同時, 完整系統的數字孿生往往需要很多傳感器單元, 它們之間的時間同步也非常重要. 2) 分布式.
基於大量的傳感器採集和處理信息, 需要協調各傳感器的任務, 實現分布式的信息匯總. 3) 容錯性.數據採集過程中需要傳輸, 會帶來數據丟失等問題,同時,傳感器採集過程中也會帶來一定的噪聲, 因此, 數據採集過程必須具有一定的容錯性, 才能保證數據的真實可靠.
傳統的傳感器網絡缺乏實時性、同步性和容錯性[44], 難以滿足數字孿生系統的要求. 為此, 文獻[45] 提出一種基於CPS 架構的數據採集原型系統, 通過在傳感器數據採集過程中增加對物理層設備誤差的估計, 提升數據採集的容錯能力和可靠性. 無線傳感器布置是數字孿生數據採集的另一個關鍵問題, 其主要研究目標是確定能夠使用最少數量的傳感器達到性能指標的傳感器布局.
文獻[46] 基於量子激髮禁忌搜索和量子糾纏特性提出QTSwE (Quantum-inspired Tabu search algorithm with entanglement) 算法, 用以求解滿足性能要求的最少傳感器數量及其位置分布; 文獻[4]提出非一致傳感器布置策略, 根據到目標節點的距離決定傳感器節點的密度, 在滿足聯通性和覆蓋範圍要求的同時, 提升了傳感器網絡的壽命.
完成傳感器數據採集後, 需要對數據進行傳輸、處理、存儲等. 當前, 數據傳輸的研究重點是傳輸協議、擁塞控制和服務質量(Quality of service, QoS) 管理[ 4 7 4 8 ] .
目前通用的網絡傳輸協議(如TCP/IP) 基於盡力傳輸的思想, 對於高實時性要求的數字孿生系統, 很難保證傳輸效果, 不可預測的傳輸時間將影響虛擬實體的可靠性, 甚至導致整個系統不穩定.
文獻[49] 提出可靠多路徑路由選擇算法, 基於網際網路的冗餘性和多路徑傳輸原理, 通過在線路徑質量監測和多路徑選擇, 保證端到端數據傳輸的可靠性. 文獻[50] 基於IEEE 802.15.4 協議提出Ada-MAC 協議, 在保持低功耗和低時延特點的同時, 提升了數據傳輸的可靠性和實時性.
文獻[13]提出基於自動標記語言(AutomationML) 描述數字孿生系統的屬性, 通過在高層次上對物理組件的描述降低數據傳輸規模, 提升數字孿生系統中數據交互的效率. 數字孿生系統包含大量傳感器和通信設備, 它們需要與現有無線通信網絡共享信道資源,為它們同時提供足夠QoS 的通信是一項具有挑戰性的工作. 文獻[51] 討論了CPS 網絡的QoS 管理問題, 指出CPS 本質上是面向應用的, 必須針對不同應用滿足不同的QoS 要求.
文獻[52] 提出一種保障QoS 的CPS 通信資源管理模式, 綜合利用壓縮感知和認知無線電技術提升資源分配合理性. 由於通信網絡信道資源的有限性, 數據傳輸過程中可能出現信道擁塞, 進而導致傳輸延遲、抖動等, 影響數據傳輸的質量.
鑑於數字孿生系統的複雜性和海量實時數據[53],多數研究通過降低數據傳輸的數據量降低擁塞, 提升實時數據傳輸能力. 但是, 這種方式造成大量數據缺失, 容易導致較大的估計誤差, 使虛擬實體難以可靠映射物理實體.
針對這一問題,文獻[54] 提出一種擁塞自適應的數據採集方案, 通過自適應有損壓縮減輕擁塞, 同時以分布式方式對總體數據估計誤差進行約束, 在保證數據精度的同時, 有效地解決數據擁塞問題.
在實際中, 數字孿生系統處於複雜的環境中,外界環境對傳感器精度的影響、數據傳輸過程中的數據丟失等使得獲取的數據存在一定的誤差[5557],因此需要進一步的數據處理.
通常, 數字孿生傳感數據具有多源、異構、多尺度、高噪聲等特點, 因此,首先需要對數據進行清洗, 通過機器學習、規則約束等算法對數據缺失、數據冗餘、數據衝突與數據錯誤等問題進行處理[58].
接著, 需要對多種傳感器採集的數據進行融合[59], 以提升孿生數據的魯棒性和可靠性, 拓展虛擬實體的建模維度, 常用的多傳感器融合方法包括模糊集理論、神經網絡、小波分析、支持向量機等[6061].
在數字孿生中, 通常基於物聯網中間件、特徵提取、信息融合等方法將傳感器數據與模型進行融合映射. 例如, 文獻[62] 結合計算機輔助設計系統、計算機輔助製造系統等的特點,提出基於語義特徵融合的模型融合方法, 進而將多傳感器數據融合到一個模型中.
在此過程中, 由於孿生數據超大的數據量, 在個人計算機上進行處理是不現實的, 通常, 需要基於MapReduce 等工具以並行模式或基於雲計算進行處理[63].
1.2.3 數據驅動與模型融合協同控制
複雜的物理系統往往很難建立精確的數理模型, 無法通過解析數理模型的方式對其進行狀態評估和控制優化, 數字孿生採用數據驅動的方式利用系統的歷史數據和實時運行數據, 對數理模型進行更新、修正、連接和補充[64], 融合系統機理和運行數據, 能夠更好地實時動態評估系統[6567].
數字孿生中數據驅動與解析模型相結合的方式主要有兩種, 一種是以解析模型為主, 基於數據對解析模型進行修正; 另一種是將兩種方法並行, 基於對兩者結果的組合評估得出最終的結果.
常用的解析模型包括3D 結構模型[6870]、流程模型[7172]、多物理場模型[73]、GIS 模型[74]、力學模型等, 常用的數據分析方法包括神經網絡[7576]、強化學習[77]、遷移學習[78]、遺傳算法[79]等.
例如, 文獻[80] 基於多傳感器融合數據更新和補充生產系統的3 D 資源模型, 接著, 通過DELMIA Process Engineer 對資源模型進行分析,進一步進行生產和流程規劃, 實現生產管理的優化;文獻[81] 針對加工工序設計, 首先構建其物理模型,然後基於多傳感器融合數據對各個階段和工藝過程進行分析優化, 實現對工業加工過程的動態評估優化.
但是, 以上兩種方法都缺乏更深層次的融合和優化, 現有研究大多基於機器學習、深度學習等複雜的算法將數據轉化為物理模型的替代[8284], 模型的可解釋性不足, 難以深度刻畫或表徵系統的機理.因此, 如何將高精度傳感數據與系統機理有效深度結合, 獲得更好的狀態評估和系統表徵效果, 是亟待解決的問題[29].
1.2.4 交互與協同
交互與協同是數字孿生的關鍵環節, 虛擬實體通過傳感器數據監測物理實體的狀態, 實現實時動態映射, 再在虛擬空間通過仿真驗證控制效果, 並通過控制過程實現對物理實體的操作[85].
數字孿生中的交互與協同包括物理 物理、虛擬 虛擬、物理 虛擬等形式, 涵蓋人、機、物、環境等多種要素.其中, 物理 物理交互與協同可以使物理設備間相互通信、協調與協作, 以完成單設備無法完成的任務[86]; 虛擬 虛擬交互與協同可以連接多個虛擬模型, 形成信息共享網絡[87];物理 虛擬交互與協同使虛擬模型與物理對象同步變化, 並使物理對象可以根據虛擬模型的直接命令動態調整[89]. 當前,數字孿生深層次交互與協同方面的研究還比較少[87],僅在實時數據採集、人機互動等理論上有部分研究.
「物理融合、模型融合、數據融合、服務融合」 四個維度的融合框架[88] 可以為實現數字孿生的交互與協同提供參考框架, 其中, 物理融合能夠基於物聯網智能互聯協議實現系統異構要素的智能感知與互聯, 並精準控制複雜動態環境下系統異構資源的行為協同, 相關技術包括智能感知與互聯技術[90]、數據傳輸與融合技術、分布式控制技術等, 能夠為物理 物理層面的交互與協同提供支撐; 模型融合主要涉及多維模型的構建、評估與驗證、關聯與映射、融合等過程, 從而形成一個完整的、高保真的虛擬實體映射模型, 進而為虛擬 虛擬層面的交互與協同提供支撐; 數據融合基於清洗、聚類、挖掘、融合等方法對實時傳感數據、模型數據、仿真數據等進行挖掘, 真實刻畫系統運行狀態、要素行為等動態演化過程和規律[36]; 服務融合基於孿生數據分析驅動並影響物理實體和虛擬實體的運行[90, 92], 為系統的智能管理和精準管控提供決策支持. 因此,數據融合與服務融合共同實現物理 虛擬雙向交互與協同過程.
虛擬實境(Virtual reality, VR)、增強現實(Augmented reality, AR)、混合現實(Mixed reality, MR) 稱為3R 技術, 是一類以沉浸式體驗為特徵的人機互動技術[29], 被視作是一類實現數字孿生交互與協同的有效手段, 得到了廣泛的研究.
例如,文獻[93]詳細對比了VR、AR、MR 的特點, 並提出包含物理實體層、虛擬實體層、虛擬實境層三層的數字孿生模型, 基於3R 技術實現虛擬實體的沉浸式和多感知互動呈現; 文獻[94] 將AR 與數字孿生結合, 通過AR 實現基於CAD 模型的裝配數字孿生的沉浸式體驗, 操縱機器人協同完成智能裝配過程 (如圖2 所示).
然而, 當前的研究僅僅局限在將3R 作為人機互動的手段或視覺呈現的接口[95100],沒有將3R 與數字孿生有效結合. 未來, 如何將3R 技術結合到數字孿生架構中, 為虛擬實體、物理實體和人的深度信息交互與協同提供支持還需要進一步研究.
同時, 3R技術應用到數字孿生還存在大量高精度傳感器布置等技術難點, 此外, 3R 技術本身發展還不成熟, 存在實時三維建模、精準定位等技術瓶頸也亟待突破和提升.
1.2.5 安全性技術
數字孿生具有虛實交互、泛在互聯、開源共享等特點, 一方面, 傳統設備多為長期處於封閉環境下的簡單設備或分布式的雲計算設備等, 本身存在一定的安全漏洞, 容易受到攻擊或篡改; 另一方面,數字孿生需要實現物聯網、大數據等的大融合, 安全問題更加複雜[101].
同時, 數字孿生系統相比於傳統信息系統其虛擬系統與物理系統的聯繫更加緊密, 數字孿生的安全性一旦被破壞, 將導致物理系統受到嚴重影響, 因此, 數字孿生的安全性研究至關重要. 然而, 當前針對數字孿生系統安全的研究較少, 針對CPS 安全保護的研究相對較為充分.
通常, 對CPS 安全保護的研究主要針對系統可能遭受的攻擊進行設計, 常見的攻擊類型如拒絕服務攻擊(Denial of service, DoS)[102]、重放攻擊和惡意軟體注入[103] 等, 對CPS 中數據的完整性、有效性和保密性等進行破壞. 針對以上問題, 通常結合主動防禦和被動響應的安全機制, 利用博弈論等設計主動/被動的CPS 防禦算法和體系.
例如, 文獻[104] 將CPS 中未知攻擊的防禦問題轉化為防禦者和攻擊者的博弈問題, 基於深度強化學習對此問題進行求解, 使系統受攻擊的影響最小; 文獻[105] 將惡意軟體注入攻擊的防禦轉化為最短路徑樹封鎖博弈問題, 進而通過求解其斯塔克伯格(Stackelberg) 平衡獲得近似最優的動態防禦策略.
區塊鏈技術具有分布式安全防禦的特徵, 它以密碼機制代替第三方安全機構, 通過所有參與者維護複雜的算法確保系統的完整性和安全性, 具有去中心化、防篡改[106107] 等特性, 為CPS 安全帶來了新的解決方案. 文獻[108]將區塊鏈技術與數字孿生相結合, 以區塊鏈組織和保護孿生數據, 為增材製造工業構建安全、可靠的數字孿生提供支持.
反過來, 數字孿生也可以用於傳統信息系統的安全保護,通過在虛擬實體上進行安全性實驗創新安全防禦策略. 例如, 文獻[109] 設計了一個智能汽車的信息安全數字孿生驗證平臺,通過傳感器採集汽車和環境數據創建智能汽車的數字鏡像, 並通過在該平臺上模擬多種可能的信息安全場景檢驗對智能汽車信息安全有重大影響的因素.
1.2.6 服務應用
數字孿生服務的相關理論包括服務封裝、服務匹配與搜索、服務質量建模與評估、服務優化與集成、容錯管理等[28].
服務封裝使數字孿生按照統一的接口調用不同的函數實現相應的功能; 服務匹配與搜索使數字孿生能夠根據客戶需求選擇合適的服務; 服務質量建模與評估包括定量評估算法和動態更新技術, 使數字孿生能夠對服務質量進行評估;服務優化與集成幫助選擇最優的服務或服務組合;服務容錯管理包括故障檢測、故障確定等.
基於服務理論的研究使數字孿生能夠為客戶提供最優的服務[ 1 1 0 ] . 目前, 對數字孿生在故障檢測[ 1 1 1 ]、壽命預測[112]、運行狀態監測[113118] 等方面的服務應用已經開展了一定的研究, 不僅催生了許多新的服務類型和服務模式, 而且通過數字孿生加強了已有服務的能力[119120].
相關研究通過建立標準接口或模型為數字孿生服務提供支持, 例如, 文獻[10] 基於UML格式的元模型構建面向具體服務應用的數字孿生模型, 為電池全生命周期管理提供服務. 但是, 服務搜索與匹配、服務質量建模與評估、容錯管理等問題還沒有得到深入研究, 這些將是驅動未來數字孿生服務研究的重要範式.
1.3 數字孿生的應用
基於對上述數字孿生研究方向的研究, 本文總結了數字孿生在供應鏈管理、智能車間、裝備製造、產品研發、故障診斷、智慧城市等場景的應用.
1.3.1 供應鏈管理
在傳統的供應鏈管理中, 經常因信息掌握不及時而導致決策失誤, 供應鏈系統複雜、效率低、響應速度慢, 存在不可預測的風險[121]. 近年來, 隨著信息化技術的應用, 供應鏈管理技術取得了較大的進步.
隨著物聯網技術的深入發展和廣泛應用, 供應鏈不斷產生數據, 如何利用這些數據不斷優化完善供應鏈網絡, 提升流程的靈活性同時滿足用戶的多元化需要, 是決定企業在競爭中成敗的關鍵因素.
將數字孿生模型引入供應鏈管理中, 可以通過數位化表示供應鏈管理中的實體或系統連接不同組織的流程、技術、產品、服務等, 實時監測、預測供應鏈的變化[122], 簡化業務流程, 提升決策效率.
世界最大的軸承製造商斯凱孚(Svenska Kullagerfabriken, SKF) 已經將數字孿生模型應用到其分銷網絡中[123], 該模型包含800 個庫存量單位的主要數據, 涵蓋5 個系統的40 個安裝單元, 使供應鏈管理人員能夠基於數字孿生的可視化和完整視圖進行全球化供應鏈管理決策.
將數字孿生引入供應鏈管理, 可以實現:
1) 實時在線響應, 基於供應鏈實時數據可視化,可以提高決策響應的速度;
2) 通信與協作, 供應鏈各參與方可以加強通信與協作;
3)智能優化, 基於數字孿生對數據的分析預測, 可以實現有效的人機協同決策, 優化管理;
4) 整體決策, 通過對供應鏈參與方的全局視圖, 企業可以進行全局決策.
但是, 數字孿生在供應鏈中的應用還面臨著節點數據採集困難、建模環境複雜、缺少數字孿生標準、數據所有權及數據濫用和安全等問題.
1.3.2 智能車間
全球性的產能過剩, 導致企業間的競爭越來越激烈, 如何提升生產效率、縮短產品周期, 成為世界各國關注的問題. 車間是製造業的基礎組成部分,如何提升車間的智能化水平, 實現生產流程數位化是目前關注的焦點.
但是, 目前用傳統的虛擬車間、數位化車間設計的智能車間存在非實時交互、數據利用率低等問題. 基於數字孿生技術, 能夠有效提升車間生產過程的透明度並優化生產過程[124128].
Tao 等[129] 率先提出數字孿生車間的概念模型, 該模型主要包括物理車間、虛擬車間、車間服務系統和車間孿生數據四部分, 通過物理車間與虛擬車間的雙向映射與實時交互, 實現物理車間、虛擬車間、車間服務系統的全要素、全流程、全業務數據的集成和融合, 在車間孿生數據的驅動下, 實現車間生產要素管理、生產活動計劃、生產過程控制等[130132]在物理車間、虛擬車間、車間服務系統間的迭代運行, 從而達到車間生產和管控的優化運行.
構建數字孿生車間,實現車間信息與物理空間的互聯互通與進一步融合將是車間的發展趨勢, 也是實現車間智能化生產與管控的必經之路[133].
1.3.3 智能製造
當前, 製造業正在經歷新一輪的產業變革, 世界各國紛紛推出以 「工業網際網路」 和 「工業4.0」 為核心的製造業升級計劃,我國也提出了 「中國製造2025」 發展戰略, 並將智能製造作為其重要組成.
製造設備是生產製造過程的基本單元, 數字孿生可以通過對製造設備、製造過程的虛擬仿真[134136], 提高製造企業設備研發、製造的效率, 為解決面向產品全生命周期的管理和升級提供支持.
數字孿生可以應用到製造過程的設備層、生產線層、工廠層等不同的層級[137].
在設備層, 數字孿生可以在產品設計時就創建一個數字虛擬樣機[138], 在虛擬樣機中同時構建其機械、電氣、軟體等模型, 在虛擬環境中驗證製造過程並提前發現可能出現的問題. 在生產線層級, 可以通過數字孿生刻畫生產線不同工序之間的裝配流程[139], 提前對生產線中的安裝、測試工藝進行仿真測試, 當虛擬生產線測試通過後, 實際生產線便可以直接安裝使用, 進而大大降低生產線安裝成本.
在設備層和生產線層的基礎上, 可以建立整個製造工廠的數字孿生[140], 構建計劃、質量、物料、人員、設備的數位化管理.
1.3.4 故障預測和維護
數字孿生誕生之初的應用就是飛機的故障預測, 故障預測和安全運維對飛機、船舶等大型設備和基礎設施至關重要,通過高保真、實時更新的虛擬模型進行產品的全生命周期管理[5, 141142] 也是數字孿生的重要研究方向.
大型設備的故障預測和健康管理是一項十分複雜的工作, 這一方面是由於該類設備整體上結構異常複雜, 內部各組成部分之間關聯緊密,另一方面受制於實時數據的缺乏.
基於數字孿生進行故障預測和設備維護, 能夠基於動態實時數據快速捕捉故障, 準確定位故障原因, 同時評估設備狀態, 進行預測維修[28].
基於數字孿生進行裝備設備的故障預測和維護, 首先需要建立其電子、機械三維模型[78], 接著,根據外場數據分析, 梳理典型高發的故障模式, 建立產品典型的故障模式及原因分類庫, 再綜合考慮產品中的機械、電子產品的多物理結構, 建立系統級的多物理多應力下的仿真模型, 並根據各類試驗結果, 對設備的關鍵特徵參數、應力及機理模型進行修正, 最終形成數字孿生基準模型.
在使用過程中, 通過傳感器不斷進行虛實數據交換, 並基於數據修正虛擬模型, 最終實現對物理設備的精準描述,同時, 通過對物理實體使用數據、故障數據、維修數據的更新, 計算其損耗, 預測設備的剩餘壽命, 並指導維修決策[143146].
1.3.5 產品研發
產品設計是大部分產品在研發中耗時最長, 成本最高的階段, 因此早期產品設計的快速更新迭代十分重要. 計算機輔助設計是當前產品設計研發的主要輔助手段, 但是, 計算機輔助設計存在以下主要問題:
1) 缺乏完整有效的產品全生命周期數據,無法形成有效的資料庫支持, 需要進行大量重複性工作; 2) 模型複雜, 建模難度高且難以理解; 3) 仿真驗證方法不夠精準, 產品原型驗證困難, 周期長.
針對上述問題, 將數字孿生引入產品設計研發, 能夠幫助用戶以更少的成本和更短的時間將產品推向市場.
數字孿生能夠在虛擬空間中復現產品和生產系統, 使產品和生產系統的虛擬模型和物理模型實時交互[147]. 在數字孿生中, 產品的虛擬模型和物理模型實時交互大量的數字孿生數據, 能夠支持建立相應的產品設計知識資料庫, 並提供一定的設計輔助[148].
同時, 基於對孿生數據的分析, 可以幫助解析部分複雜的物理模型, 降低設計的難度. 最後, 虛擬實體與物理實體精準映射、共同進化[149], 通過對比虛擬實體與物理實體之間的誤差, 能夠發現設計和實際系統之間的誤差, 幫助快速驗證系統原型設計[150].
1.3.6 智慧城市
2008 年, IBM提出 「智慧地球」 的理念, 引發了建設智慧城市的熱潮. 近年來, 一些國家開始將數字孿生應用到建設智慧城市中.
例如, 新加坡構建了城市運行仿真系統CityScope, 實現對城市的仿真優化、規劃決策等功能; 西班牙在城市中廣泛部署傳感器, 感知城市環境、交通、水利等運行情況,並將數據匯聚到智慧城市平臺中, 初步形成了數字孿生城市的雛形[151]; 雄安新區首次提出建設 「數字孿生城市」 , 明確指出要同步規劃、建設現實城市和虛擬的數字城市.
文獻[28] 提出, 可以基於數字孿生五維模型構建數字孿生城市, 其基本框架如圖3 所示. 通過數位化建模仿真構建城市的虛擬模型, 基於在城市各個層面布設傳感器採集物理城市的實時數據, 結合虛擬城市的仿真數據和城市傳感數據, 驅動數字孿生城市的發展和優化, 最終實現為城市市政規劃、生態環境治理、交通管控等提供智慧服務.
阿里雲提出的城市大腦[152] 與數字孿生城市建設的思路基本吻合, 它通過實時處理人所不能理解的超大規模全量多源數據, 基於機器學習洞悉人所沒有發現的複雜隱藏規律, 能夠制定超越人類局部次優決策的全局最優策略, 並且在城市交通體檢、城市警情監控、城市交通微控、城市特種車輛、城市戰略規劃5 個應用場景中部署實施, 證明數字孿生城市可以推動城市設計和建設, 輔助城市管理, 使城市更智慧、美好.
1.3.7 智慧醫療
隨著近幾年人工智慧 (Artificial intelligence, AI) 及大數據技術的飛速發展, 諸多領域藉助相關技術取得重大突破, AI 技術正在逐步走進醫療領域.
其中, AI 輔助醫療決策是一個研究的熱點, 其主要應用是通過大數據、機器學習和自然語言處理等智能技術, 學習醫療知識、挖掘病歷數據、分析醫學影像等, 從而幫助醫生診斷疾病, 為患者治療方案的確定提供依據並推薦治療方案[153].
雖然已有的智能決策系統取得了一定的成果, 但是在實際應用中仍然存在一些問題:
1) 現有智能診療系統過多需要醫生參與, 不利於醫生診療效率的提高;
2) 現有的智能診療系統覆蓋醫療領域不夠全面, 對專科醫生的意義不大;
3) 對於慢性疾病的診療, 需要對患者身體進行長期的監測和管理, 現有智能診療系統大多只限於醫院門診中.
文獻[154] 提出一種6 層架構的數字孿生醫療系統, 包含資源層、感知層、虛擬資源層、中間件層、服務層及用戶接口層.
其中, 資源層包含與患者相關的軟硬體資源及歷史數據等; 感知層用於實時採集和傳輸患者的身體狀態數據; 虛擬資源層基於數據虛擬化物理實體, 包含虛擬的醫療資源、虛擬患者等; 中間件層包含服務管理、數據管理、知識管理、仿真管理等功能; 服務層基於底層的支持提供用戶所需的服務如用藥支持等; 用戶接口層提供給用戶數字孿生醫療系統的可視化和管理功能界面.
基於數字孿生醫療系統, 醫護人員可以通過各類實時感知數據精準分析病人的病況[155156], 在虛擬病人上預演不同的治療方案, 降低手術風險.
未來, 可能每個人從出生開始就會有自己的數字孿生, 它可以幫助人們及時了解自己的健康狀況[157], 調整飲食和作息.
1.3.8 其他應用
除上述領域外, 數字孿生技術在衛星/空間通信網絡[158160]、石油天然氣[161163]、能源[164166]、農業[168]、建築[169]、環境保護、軍事作戰[170] 等領域均有應用潛力.
例如對石油勘探的遠程管理, 對電廠的健康管理和電網的規劃運營維護, 對農作物和家畜的健康監護等[28].
2 平行系統概述
平行系統是本世紀初提出的原創技術, 它通過一套實際系統與人工計算過程之間的平行交互, 為兼具高度社會和工程複雜性的複雜問題提供解決方案, 在多領域得到了廣泛研究並取得了良好的效果.
平行系統的研究框架如圖4 所示, 可以分為理論層、方法層、技術層、平臺層和應用層.
2.1 平行系統: 基礎理論、方法及內涵
平行系統是複雜自適應系統理論和複雜性科學在CPSS 中的延展和創新[174], 是整體和還原相結合、實際和人工相結合、定性和定量相結合的新型技術框架[175].
平行系統將強調宏觀層面高層湧現與演變規律的整體建模與注重微觀個體層面特徵刻畫與行為交互的還原建模有機結合[176], 通過全面、準確地刻畫參與個體的特徵、行為和交互機制, 實現對複雜整體的建模, 進而湧現和演變出複雜系統的規律; 基於虛擬場景, 利用自適應演化等方法驅動實驗, 評估各類參數配置、技術方案的效果, 實現對人和社會對系統影響的建模; 通過實際與人工系統協同演化、閉環反饋和雙向引導[178], 實現對實際系統的目標優化.
平行系統的本質就是把複雜系統中「虛」 和 「軟」 的部分, 通過可定量、可實施、可重複、可實時的計算實驗, 使之硬化, 以解決實際複雜系統中不可準確預測、難以拆分還原、無法重複實驗等問題[179180].
平行系統的核心是ACP 方法, 其框架如圖5所示, 主要由三部分組成.
1) 由實際系統的小數據驅動, 藉助知識表示與知識學習等[181] 手段, 針對實際系統中的各類元素和問題, 基於多智能體方法構建可計算、可重構、可編程的軟體定義的對象、軟體定義的流程、軟體定義的關係等[182183], 進而將這些對象、關係、流程等組合成軟體定義的人工系統(A), 利用人工系統對複雜系統問題進行建模;
2) 基於人工系統這一 「計算實驗室」 , 利用計算實驗(C), 設計各類智能體的組合及交互規則, 產生各類場景, 運行產生完備的場景數據[184186], 並藉助機器學習、數據挖掘等手段, 對數據進行分析, 求得各類場景下的最優策略.
3) 將人工系統與實際系統同時並舉[187190], 通過一定的方式進行虛實互動, 以平行執行(P) 引導和管理實際系統.
從流程上而言, 平行系統通過開源數據獲取、人工系統建模、計算實驗場景推演、實驗解析與預測、管控決策優化與實施、虛實系統實時反饋、實施效果實時評估的閉環處理過程[175], 實現從實際系統的 「小數據」 輸入人工系統, 基於博弈、對抗、演化等方式生成人工系統「大數據」 [191, 193], 再通過學習與分析獲取針對具體場景的 「小知識」 , 並通過虛實交互反饋逐步精細化針對當前場景的 「精準知識」 的過程.
在數據層面, 平行系統基於實際系統數據, 藉助生成式對抗網絡[194197] 等計算實驗手段生成相對完備的 「海量數據」 , 通過對海量數據的學習、訓練求解系統優化解並進行優化解評估, 使之具有更廣泛的適用性; 在控制層面, 平行系統利用人工系統與實際系統的虛實交互、雙向驗證, 實現兩者的協同進化以及對整個系統的多目標優化管理與控制[188].
它不僅可以優化整個系統, 還可以主動學習與評估系統管控效果並自適應調整未來策略.
計算實驗以智能體代替實際系統中的各種元素, 使各種因法律、道德、成本等現實因素限制無法在實際系統中進行的實驗得以實施, 突破了無法通過重複實驗獲取知識與經驗的局限[198].
計算實驗與動態行為模擬的仿真方法有著本質不同,其目標不是以仿真系統逼近實際系統, 而是把 「仿真」 結果視作一種可能的現實[199]. 在計算實驗中, 傳統計算模擬變成了「計算實驗室」 裡的 「試驗」 過程, 成為生長培育各種複雜系統的手段, 而實際系統只是計算實驗的一種可能而已[200].
計算實驗具有可設計性、可反覆進行等特點.它通過對實際系統進行各種關於性能、可靠性、方案魯棒性及正確性等同一條件下短時間內大量反覆的 「加速」 實驗、 「壓力」 實驗、 「極限」 實驗等, 對各種可能的系統場景進行 「試錯」 實驗[201202],並進一步對人工系統湧現出的複雜系統行為和系統現象進行標定分析與統計分析, 按照一定的指標體系對各種解決方案進行學習與評估, 進而全面、準確、及時、量化地獲得對複雜系統問題的最優控制方案.
計算實驗通過實際系統與人工系統之間的相互連接, 對二者的行為進行對比、分析、預測與評估,完成對各自未來狀況的 「借鑑」 和預估, 相應地調節各自的管理和控制方式, 它主要包含三種實現方式[203].
1) 學習與培訓: 在這種方式中, 人工系統被用作學習和培訓複雜系統的管理與控制. 通過實際系統與人工系統的適當連接組合, 以安全、靈活、低成本的方式使相關人員在人工系統中快速掌握複雜系統的各項操作及其可能的結果, 並量化考核學習與培訓的實際效果[175].
以與實際相當的管理與控制方法運行人工系統, 使有關人員學習預判系統的可能狀況及對應的行動. 同時, 人工系統的管理與控制方案也可以作為實際系統的預案, 增強其運行的可靠性和應變能力.
2) 實驗與評估: 在這種方式中, 人工系統被用作進行各種由於成本、安全等原因無法進行的重要破壞性實驗和創新性實驗, 分析系統的行為和反應,並對不同的解決方案的效果進行評估, 從而為量化評估系統要素、實現控制方案創新提供依據[204].
3) 管理與控制: 這種方式的目標是以虛實互動的方式實現複雜系統的管理與控制.
一方面, 通過測量實際系統與人工系統評估狀態之間的差別, 產生誤差反饋信號, 對人工系統的參數進行修正, 減少差別, 通過循環往復的交互儘可能地使人工系統模擬實際系統[205].
另一方面, 實際系統中的新問題、新需求和新趨勢可以實時導入人工系統, 通過在人工系統中的實驗、測評和完善, 獲得優化的新解決方案, 並據此引導實際系統的發展和演變, 從而以「實際逼近人工」 [ 2 0 6] 的方式實現複雜系統的 「創新」 功能.
2.2 平行系統研究現狀與關鍵技術
ACP 方法針對複雜系統的管理與控制實現了從數據採集到自適應優化控制的一整套流程, 它的相關技術研究主要包含複雜系統的感知、建模、決策、控制、測試等, 從而為實現有關人員的學習與培訓、決策方案的實驗與評估、虛實系統的管理與控制[207] 提供技術支撐.
2.2.1 平行感知
場景數據是構建平行系統的基礎, 通常, 可以由傳感器或攝像頭等進行採集. 當前, 隨著計算機視覺理論和計算機硬體的不斷發展, 計算機視覺方法在圖像分類、目標檢測等領域取得了良好的效果,已經成為複雜環境感知與理解的主要方法.
基於深度學習的計算機視覺技術需要基於大量的數據進行訓練, 且往往只能適用於某些特定的場景[208], 要想使算法適用於新場景, 要麼需要更改模型的參數,要麼需要擴展數據集重新訓練. 以交通為例, 交通場景的視覺感知需要涵蓋完整的場景才能保證安全性, 但是, 當前數據集儘管規模龐大, 卻並不能滿足多樣性需求.
這一方面是由於在複雜開放環境下採集大規模多樣性數據需要大量人力, 另一方面, 對大規模多樣性數據進行標註比較困難, 在惡劣天氣、照明度低等情況下容易出錯, 無法保證數據集的有用性[179].
為了解決傳統計算機視覺感知數據樣本複雜性和多樣性不足的問題, 提升視覺感知系統的泛化能力, 文獻[180] 提出平行感知理論方法, 其框架如圖6 所示.
平行感知基於真實場景的數據訓練擴展大量的人工場景[209], 將大量人工場景的數據和真實場景的數據結合訓練不同結構和參數的視覺算法,基於統計評估獲得對應場景下最佳的視覺認知算法, 以增強傳統視覺感知算法對複雜環境的適應能力, 提升視覺算法的準確性和魯棒性.
文獻[210] 提出了平行視覺的概念、框架和關鍵技術, 利用人工場景模擬和表示複雜的真實場景[211], 包括光照時段(白天、夜間、黎明、黃昏)、天氣(晴、多雲、雨、雪、霧等)、目標類型(行人、車輛、道路、建築物、植物等),並且基於真實場景的數據訓練神經網絡等模型自動標註生成的人工場景數據, 使採集和標註大規模多樣性數據集成為可能.
基於平行視覺的基本框架,相關團隊建立了開源的平行視覺研究平臺Open-PV (Open source parallel vision platform)[212213],並發布了一批虛擬圖像集, 以幫助實現對複雜環境的智能感知與理解.
2.2.2 平行學習
強化學習是一種通過主動尋求數據、主動學習進行優化決策的機器學習方法, 它不需要標籤數據,而是通過不斷地與環境交互更新數據標籤, 對於在線系統優化是一種非常重要的方法, 近年來受到了廣泛的關注.
但是, 它的學習效率不高[214215], 需要與環境進行大量的交互反饋以更新模型, 當面臨複雜系統大數據處理時, 過高的系統狀態維數使算法收斂變得十分困難.為了進一步擴展強化學習的學習能力, 提升其快速收斂能力, 文獻[181] 提出了由數據處理和行動學習組成的平行學習理論框架.
在數據處理階段,基於對複雜環境的智能感知和數據採樣構建軟體定義的人工系統, 以形成在線、有序的訓練環境. 在行動學習階段, 平行學習可以在人工系統環境中同時訓練多個智能體, 同時, 與傳統的強化學習不同, 平行學習允許獲取數據和完成行動採用不同的頻次和發生順序, 並且基於相互競爭的對抗學習或迭代演進的對偶學習方法提高學習的效率, 最後, 基於對不同時序組合、不同迭代策略的智能體學習效果的評估, 選擇學習效率最高、效果最好的智能體進行決策.
為解決深度強化學習方法存在的缺乏對新目標的泛化能力、數據匱乏、數據分布和聯繫不明顯等[216] 問題,文獻[217] 基於平行學習框架提出了平行增強學習的理論方法, 通過將遷移學習、預測學習和深度學習與強化學習融合, 用於處理數據獲取和行動選擇過程, 同時表徵獲得的知識[218].
它通過人工系統與實際系統的結合學習系統的一般特徵,同時降低對數據的依賴度; 通過遷移學習將解決某一問題的知識轉化並擴展, 一定程度上解決缺乏泛化能力的問題; 通過預測學習預測系統未來的狀況,其生成的數據可以指導實際系統的學習, 從而解決數據匱乏和數據分布不確定的問題; 最後, 結合強化學習實現對系統的優化控制.
2.2.3 平行區塊鏈
區塊鏈是以比特幣為代表的一種全新的去中心化基礎架構和分布式計算範式, 通過運用數據加密、時間戳、分布式共識和經濟激勵等手段, 在無需節點互相信任的分布式系統中實現去中心化的點對點交易、協調和協作[219220].
區塊鏈技術是下一代雲計算的雛形, 具備去信任、去中心化、開放自治、匿名可溯源、信息不可篡改等[221] 特性, 顯示出了廣闊的應用前景, 吸引了學術界和工業界的廣泛關注.
同時, 區塊鏈是實現CPSS 的基礎架構之一, 它能夠為分布式社會系統和分布式人工智慧研究提供一套行之有效的去中心化的數據結構、交互機制和計算模式, 為實現CPSS 奠定堅實的數據基礎和信用基礎[222].
但是, 區塊鏈還存在安全性威脅、區塊膨脹、算力資源浪費、非合理競爭等[223] 問題, 制約了它的發展.
文獻[175] 將區塊鏈技術與平行系統有機結合,提出平行區塊鏈技術方法, 通過實際區塊鏈與人工區塊鏈的平行互動與協同演化, 為當前的區塊鏈技術增加計算實驗與平行決策功能.
它將區塊鏈中的每一個節點都視作分布式系統中一個自主、自治的智能體, 通過各共識節點的自治和交互構建分布式人工社會系統; 基於區塊鏈智能合約的可編程性進行各種虛擬實驗、場景推演和結果評估[224], 獲得系統的最優決策; 最後, 基於物聯網等聯通物理世界和人工社會, 並通過兩者之間的虛實互動和平行調諧實現社會管理和決策的協同優化[225].
文獻[226]將平行區塊鏈運用到軍事領域, 利用區塊鏈可信、可靠、可用及高效等特點, 幫助跨越不對稱信息與有限理性鴻溝, 將不對稱的戰爭變為對稱的和平.
2.2.4 平行控制
控制的基本目標是根據被控對象的有限信息做出高水平的決策, 使系統性能達到最優化.
計算機智能控制技術的迅猛發展, 為解決複雜非線性動態系統的優化問題提供了新思路, 例如, 自適應動態規劃(Adaptive dynamic programming, ADP)算法採用自學習優化的方式, 通過系統從環境到行為映射的學習實現目標的函數值最大[227], 成為了一類解決複雜系統優化控制的有力工具.
但是, 很多複雜系統的整體行為無法通過對其部分行為的獨立分析完全確定, 此時, ADP等控制方法便無法取得良好的效果[228], 此外, ADP 等智能控制方法一般要求系統數據的完備性, 否則便無法獲得全局最優.
為了彌補以上不足, 文獻[229230] 提出平行動態控制方法. 其主要思想是, 基於實際系統的信號, 收集狀態 執行 獎懲信號, 建立人工系統,產生人工數據; 基於不同的人工系統訓練多組優化控制策略, 並基於動態規劃的最優性原理, 訓練評判網絡對優化策略進行評判, 擇優對實際系統進行控制和優化.
文獻[231] 將平行控制方法應用到柔性弦分布式參數系統的控制上, 實現了數據驅動平行控制, 取得了良好的效果.
2.2.5 平行測試
複雜的工業產品往往需要大量的驗證和測試才能保證其可靠性, 以無人駕駛為例, Intel的自動駕駛首席架構師Jack Weast 曾指出, 如果要達到無人駕駛安全上路的要求, 大概需要進行300 億英裡的道路測試, 這十分不利於企業在激烈的行業競爭中取得優勢.
為了在保證系統魯棒性的同時提升系統測試和驗證的效率, 一些研究[232] 提出了以計算機仿真技術為基礎的虛擬測試技術, 使測試系統能夠在短時間內處理數千個任務的定量測試. 但是, 基於仿真的測試高度依賴於人類專家們的知識來正確地設計場景, 同時, 通過仿真測試的某些場景也需要在現場測試中重新評估和驗證, 以驗證測試系統的可靠性.
為此, 文獻[233] 提出了一種人在迴路的平行測試系統, 通過融合人類專家與計算機系統的優勢[234235], 使系統具有在人類專家指導下自動升級的認知機制, 同時引入對抗式學習模型, 以自動生成新的任務實例, 進一步提升其自動測試驗證能力.該系統成功應用於中國智能汽車未來挑戰賽, 為這一世界上規模最大、連續舉辦時間最長的自動駕駛比賽提供了有效的測試支持.
2.2.6 小結
平行系統的各項技術並不是彼此割裂的, 而是彼此關聯、互相補充, 例如, 平行學習可以基於多種數據分析和學習的方法進一步提昇平行感知任務的準確度和效率; 平行控制和平行測試的反饋結果可以為平行感知、平行學習、平行區塊鏈的建模優化提供參考.
2.3 平行系統平臺架構
平行系統平臺的基本要素如圖4 中的平臺層所示[175], 主要由底層要素庫和上層應用組件組成. 要素庫包含模型庫、本體庫、機制庫、策略庫、場景庫、算法庫、合約庫和知識庫, 通過合理組裝各類要素實例化一個完整的平行系統.
其中,模型庫存儲系統建模使用過的所有模型, 例如智能體模型、網絡模型; 本體庫存儲潛在應用領域的領域本體, 以增強各智能體交互的語義互操作性; 機制庫存儲智能體的交互協議; 策略庫存儲智能體的典型策略和行為模式; 場景庫存儲平臺預定義的場景和參數; 合約庫存儲平行區塊鏈的各類智能合約; 算法庫存儲典型的算法; 知識庫存儲系統運行中獲得的管控策略和場景 應對規則. 上層應用組件包括多智能體平臺組件、場景發生器、共識驅動引擎、算法分析工具和大規模可視化工具等.
多智能體平臺組件主要實現自底向上多智能體建模, 為系統提供個體行為、通信協議和交互機制建模支持. 多智能體平臺組件遵循FIPA (Foundation for intelligent physical agents)[236] 智能體建模規範, 由智能體管理機構、目錄伺服器和智能體組件構成, 並統一描述內部消息傳輸和內容語言的語法和語義.
場景發生器能夠從場景庫動態提取和配置計算實驗場景, 並通過合適的機制、策略將其實例化. 共識驅動引擎在人工場景的基礎上完成計算實驗, 並根據實驗結果更新各個要素庫.
算法分析工具通過實時採集實驗過程數據並對其進行分析, 尋找實現系統目標的優化策略. 可視化工具通過動態實時的人機互動界面,以多種形式呈現計算實驗過程.
文獻[207] 提出針對平行機器人系統的計算實驗平臺框架, 主要由實驗設計、動態仿真、學習優化、實驗評估和數據中心組成. 文獻[188] 將該框架進一步細化, 設計了計算實驗平臺完整的組成框架和數據流程.
首先, 實驗設計模塊通過解析物理傳感信號和社會傳感信號分析物理系統參數和系統需求, 進一步通過智能規劃和專家系統等方法自動生成人工系統智能體的行為和交互規則, 進而生成計算實驗方案.
接著, 動態仿真模塊對智能體組成的實驗場景進行模擬和演化[237], 生成完備的人工系統數據; 學習優化模塊基於深度學習、強化學習等方法對實驗數據進行分析和學習, 自動生成針對具體任務、具體場景的系統控制方案; 分析評估模塊對計算實驗過程進行檢查, 並從方案中評估產生最佳的系統運行方案; 最後, 將通過評估的場景、參數和相應的控制方案保存到數據中心備用.
2.4 平行系統典型應用
ACP 方法是一套針對複雜CPSS 的普適性方法, 近年來得到了廣泛的關注和研究, 被應用到交通、醫療、自動駕駛、軍事、化工等科學和工程問題.
2.4.1 平行交通
平行系統技術最早被用於智能交通領域, 在城市交通、軌道交通等領域得到了廣泛應用並取得了良好的社會與經濟效應. 交通系統包含了駕駛員的動態變化性和社會性[238], 同時具有一定的物理和社會過程, 是一個典型的CPSS[239].
交通系統的控制與管理面臨著三大問題: 1) 數據不足, 交通數據難以體系化獲得且往往質量較差[192, 240241]; 2) 難以實驗,實際實驗往往成本很高且危險性較大; 3) 開放環境, 傳統方法幾乎都使用已有的數據進行推理、決策, 執果索因, 無法全面解析問題的本質, 難以從根本上解決交通問題.
平行交通通過人工交通系統構建交通的 「社會實驗室」 , 基於計算實驗分析各種可能的交通行為和現象, 分析各種情況的原因和控制方案, 通過平行執行將分析結果應用到實際系統中, 以優化實際的交通系統[242243].
典型的案例如中國科學院自動化研究所2 0 1 0 年自主研發的平行交通管理系統PtMS[186], 該系統由實際交通系統、人工交通系統、交通管理員培訓系統、決策評估和驗證系統及交通感知、管理與控制系統五部分組成. 通過人工交通系統與實際交通系統的虛實交互、協同進化, 可以實現交通管理訓練、驗證及控制等功能. 該系統在江蘇太倉、廣州亞運會和山東青島[187] 等地得到了應用, 取得了良好的效果, 為智能交通管控提供了新思路.
2.4.2 平行醫療
針對傳統醫療方法效率低、過分依賴醫生經驗及AI 輔助診療樣本不足、個性化定製差等問題, 可以將平行系統應用到醫療中, 構建人工診療系統模擬和表示實際診療系統, 運用計算實驗進行各種診療模型的訓練與評估, 基於人工診療系統生成的完備大數據學習各種罕見病例的知識經驗, 藉助平行執行對實際診療系統進行管理決策與實時優化, 幫助醫生減少誤診誤治, 提高效率, 提升水平, 同時也能幫助患者做好慢病管理，遠離疾病, 實現診療過程的自動化與智能化.
平行醫療的典型案例包括平行眼[ 1 8 9 ]、平行手術[190]、平行高特[153]、平行皮膚[244] 等, 相關疾病常伴發其他慢性疾病並相互影響, 其治療需要綜合考慮各個疾病之間的相互影響, 同時還需要加強對病人的教育, 養治結合, 才能達到更好的治療效果, 因此, 其診療系統也是一類複雜的社會系統.
平行醫療系統引入CPSS[245], 通過研究診療系統這一社會系統與物理系統、信息系統之間的交互作用, 利用信息系統中無限的數據和信息資源[246], 突破物理系統資源有限的約束和時空的限制, 達到更好的診療效果.
2.4.3 平行自動駕駛
近年來, 隨著環境感知、決策與規劃、控制與執行、高精度地圖和實時定位等技術的發展, 自動駕駛技術呈現高速發展的態勢, 成為全世界汽車產業的最新發展方向.
但是, 自動駕駛技術雖然取得了很大的進步, 卻仍然面臨著很多挑戰. 例如, 在感知上, 複雜地形、複雜天氣、複雜道路交通環境條件下,要實現快速、準確、可靠的環境感知, 仍然十分困難在決策上, 基於規則的行為決策簡單, 但靈活性不足, 端到端的深度神經網絡則很難在參數調整之上的邏輯層面改善系統性能[247248]; 此外, 如何將人類駕駛員的駕駛經驗與知識同自動駕駛車輛強大的感知與運算能力相結合[249250], 將是未來一段時間內自動駕駛研究的熱點和難點.
文獻[251] 提出了一種兼具運營管理、在線狀態監測、應急駕駛安全接管等功能的平行駕駛集成解決方案, 是ACP 方法在雲端化網聯自動駕駛領域的典型應用.
平行駕駛系統由描述車、預測車、引導車和真實車數字四胞胎組成, 其中, 描述車主要通過形式化方式描述自動駕駛車輛的行為和交通環境的特徵, 以構建虛擬車輛和環境模型[252]; 預測車通過大量的計算實驗, 對複雜行車環境下的行車方案進行試錯、預測與優化[253]; 引導車通過信息 物理車輛之間的虛實交互[254], 引導真實車安全行駛.近年來, 平行駕駛技術已經在無人礦山運營和智慧物流車等領域實現了成功應用.
2.4.4 平行軍事
隨著科學技術和軍事理論的發展, 聯合物理域、網絡域與感知域的跨域作戰成為現實, 其主要表現是以常規武器為核心的 「明戰」 、以網絡武器為主導的 「暗戰」 、及以社會媒體為手段的 「觀戰」的有機戰略組合.
如何結合明戰、暗戰、觀戰等形式[255256], 以實時和常態化的方式綜合在物理域、網絡域、感知域[257258] 中的軍事行動, 是國防建設的重要任務. 未來, 必須要建設面向社會物理信息系統的軍事體系, 以應對更加複雜的戰爭需要.
文獻[259] 基於ACP 方法提出一種平行軍事體系, 該體系是一種面向網絡化、大數據, 以深度計算為主要手段的管理與控制複雜軍事過程與系統的方法.
平行軍事體系由實際軍事組織及系統和相應人工軍事組織及系統組成, 其特點是以數據為驅動,通過實際軍事組織及系統的數據構建人工軍事組織及系統, 在此基礎上, 利用計算實驗對各類複雜軍事問題、行為及決策不斷進行分析、預測和評估, 提升作戰能力與軍事水平[260], 最後, 通過實際與人工虛實互動的執行方式來完成特定軍事任務及目標.
在平行軍事的體系下, 文獻[261264] 提出了平行航母和平行坦克的指揮與控制架構, 通過相應作戰裝備的人工系統與實際系統的虛實互動, 提升其作戰水平和智能化水平.
2.4.5 平行化工
石油化工是整個國民經濟的血液, 石化生產加工的長周期管理是一項複雜的系統工程, 涉及社會複雜性(管理、人員)和工程複雜性(設備、工藝), 幹擾因素眾多(電力、蒸汽、地震、事故等).
傳統控制的研究重點主要是生產設備和工藝參數, 比如溫度、壓力、液位等參數的定量閉環控制. 而實際需要研究的範圍, 還需要包括整個生產過程、生產工廠等複雜工程對象的建模、控制與優化, 以及人、環境等社會對象的建模與控制.
據統計, 生產事故大多數是人為原因造成的. 正說明研究社會物理信息系統控制與管理的重要性.
文獻[265] 針對乙烯生產系統的長周期生產管理, 開發了乙烯生產的平行管理系統. 該系統基於語言動力學方法量化生產管理制度, 基於多智能體方法建模人員及其組織, 基於物理機理建模生產設備, 進而建立完整的乙烯生產管理人工系統,對生產過程中的不同要素之間的交互進行量化描述, 形成對複雜生產過程的模擬.
接著, 通過計算實驗對多種不同控制目標、不同控制場景尋找到有效的建模和控制方法, 並通過逐步精細化的場景數據和控制目標, 實現對更精細場景的控制. 最後, 通過實際系統和人工系統的 「虛實互動」 、 「滾動優化」 , 實現動態複雜生產系統的有效控制. 該系統在齊魯石化、茂名石化等化工企業得到了有效應用, 取得了良好的經濟效益.
2.4.6 其他研究
除上述研究方向外, 平行系統還在物流[266267]、情報[268]、能源[268270]、安防[271273]、農業[274277] 等領域獲得了廣泛研究和應用.
3 數字孿生與平行系統的異同
平行系統和數字孿生技術的提出和發展具有相似的技術背景, 都是伴隨著物聯網、新一代人工智慧等技術的發展而逐步引起重視的.
一方面, 高精度傳感器、高速通信和物聯網等技術的發展使虛擬模型和物理實體之間的實時交互成為可能;另一方面, 大數據、機器學習等技術的發展和推廣使數據的價值得以凸顯.
兩者的主要思路都是以數據驅動,構建與物理實體相對應的虛擬系統, 通過在虛擬系統上進行實驗、分析, 解析並優化控制難以用數理模型分析的複雜系統.
但是, 數字孿生與平行系統是兩類不同的原創範式, 在核心思想、研究對象、架構和實現方法等方面都存在一定的區別.
1) 數字孿生與平行系統的哲學基礎不同, 數字孿生屬於還原論或舊唯物主義的反映論, 其孿生系統是相應物理系統直接、機械、被動和鏡像式的反映, 是相應物理系統的依附, 不具獨立性; 平行系統屬於能動、整體和辯證式的認識論, 其人工系統並不要求與相應的物理系統完全一致, 因而具有一定的平行性或獨立性.
平行系統將物理系統視為與環境交互的系統, 且其運行目標和效用是受社會資源約束的系統; 平行系統強調人在系統中的作用, 強調融合了人的意圖的虛擬系統對物理系統的引導,目的是使物理系統在構成和運行方面達到某種進化.
2) 數字孿生與平行系統的研究對象不同, 數字孿生研究的是由信息空間和物理空間組成的CPS,而平行系統主要針對社會網絡、信息資源和物理空間深度融合的CPSS.
數字孿生基於實時傳感數據連接物理世界和數位化虛擬世界, 實現在虛擬空間實時監控與同步物理世界的活動, 幫助實現大型工程系統的實時感知、動態控制和信息服務, 是實現信息和物理空間融合的CPS 的有效途徑[ 2 7 8 2 8 0 ] .
數字孿生的 「物理實體 虛擬模型 孿生數據 應用服務」 多元多層映射機制為實現 「物理融合、模型融合、數據融合、服務融合」 四個維度的信息物理融合提供了有效支持, 同時, CPS中機器、環境、信息等要素的相互映射、高效交互是物理要素的感知[281]、虛擬模型的構建[282]、孿生數據的融合、虛實實時互動的基礎.
當前, 隨著大數據和網際網路的深入發展, 信息物理系統受社會因素的影響日益凸顯,人越來越多地嵌入在系統和信息之中[283285]. 多數過程不再是物理實在的, 而是人為規定的人工流程,預示著人工世界將成為人類現階段開發的重點[286],面向物理世界和網絡空間融合的CPSS 將成為未來的基礎設施[ 1 7 6 ]. CPSS 中的信息包含物理系統數據、虛擬的人工系統數據、泛在社會大數據等[287].
由於其複雜性, 實際系統與模型行為之間的差別越來越大, 以致形成 「建模鴻溝」 [182] 的客觀現象. 此時,動態仿真式的數字孿生控制不再適應, 構建人工系統, 通過虛擬和實際系統的平行運行, 實現計算、物理和社會的動態交互、時空一致, 處理不確定性, 成為解決CPSS 問題的有效途徑.
3) 數字孿生與平行系統的核心思想不同, 數字孿生的核心思想是預測控制的 「牛頓定律」 , 而平行系統則以引導型的「默頓定律」 控制和優化系統.我們稱在給定當前系統狀態與控制的條件下, 可以通過解析的方式求解下一時刻狀態, 從而精確預測其行為的系統為 「牛頓系統」 [288].
CPS是一類典型的牛頓系統, 在CPS 中, 行為建模與目標建模是一致的: 只要系統本身可控, 可以通過分析其行為模型進行控制, 達到系統目標.
數字孿生建模CPS 的核心思想就是通過構建實時動態數據驅動的仿真系統[289], 輔助尋找控制系統行為的系統解析公式, 據此直接設計相應的控制方法, 實現期望的目標.
與「牛頓系統」 相對應的是系統行為能夠被 「默頓定律」 影響或引導的 「默頓系統」 . 「默頓定律」 是以社會學家默頓命名的, 能夠引導系統行為的自我實現定律.
在默頓系統中, 由於各種不可預測或無法獲得的變量的存在, 即使給定當前的系統狀態和控制條件, 系統下一步的狀態也無法通過求解獲得,系統行為也難以準確預測.
在CPSS 中, 由於人與機器、系統、流程深度融合, 並且人的行為具有動態性、自主性、突變性、高度複雜性等特點, 系統更加不定、多樣、複雜, 導致本質上無法對其「行為模型」 直接進行控制, 只能間接影響.
此時, 數字孿生無法實現對CPSS 的有效管理與控制.
平行系統ACP 方法為實現「默頓系統」 提供了有效手段, 它以實際系統的數據驅動, 構建虛擬的人工系統, 實現對複雜CPSS 的建模、描述[290292],實現數據驅動的描述智能; 以人工系統為 「社會實驗室」 , 通過對多樣複雜場景的計算、訓練、評估, 求解具體場景的優化方案, 實現實驗驅動的預測智能; 通過實際系統與人工系統的虛實互動、交互反饋, 形成自適應優化控制的平行系統, 實現虛實互動反饋的引導智能.
4) 數字孿生與平行系統的基礎設施不同. 數字孿生的基礎設施是數字雙胞胎, 主要由物理實體和描述它的數字鏡像組成, 數據是連通物理實體和數字鏡像的橋梁, 以實現在虛擬空間中實時映射物理實體的行為和狀態.
而平行系統是由物理子系統、描述子系統、預測子系統、引導子系統構成的數字四胞胎架構, 其基礎架構如圖7 所示. 它通過計算實驗、平行執行等手段, 以虛擬的人工系統描述、預測、引導實際物理系統, 使物理系統自動逼近更優的人工系統, 實現物理系統的自適應優化.
5) 數字孿生與平行系統的實現技術方法不同.
數字孿生主要基於物聯網傳感數據和仿真等手段構建物理實體的數字鏡像[293295], 一個完整的數字孿生建模流程通常為: 首先基於仿真建模工具構建一個物理實體的數字模型, 並且通過機器學習等方式分析實時傳感器數據和歷史數據, 進而不斷修正模型;接著, 將模型中的信息和數據導入其他分析系統,針對特定目標如壽命預測展開分析, 並得出結論,雖然部分數字孿生模型提出了基於孿生數據自動優化系統的方法, 但是還未形成基於數字孿生自適應優化系統的標準範式; 最後, 通過應用軟體或增強現實等工具將分析結果和系統狀態展示給用戶.
而平行系統的人工系統是軟體定義的系統, 其主要建模方式是多智能體方法, 將實際系統中的各要素建模為智能體, 並基於實際系統的數據利用知識發現和知識工程獲得智能體的屬性和規則;
接著, 基於一定的目標生成大量的人工場景, 運行產生大量數據, 再利用機器學習、數據挖掘等方法進行分析、預測、評估, 獲得針對特定目標、特定場景的最優控制方案; 最後, 通過平行執行循環、在線地引導實際系統逼近人工系統.
在技術層面, 數字孿生是數字仿真的一個自然進展, 它的主旨要求是「孿」 或 「像(仿)」 , 它強調物理系統的相關數據全部、高精度獲取, 系統或數據之間的關聯模型要儘可能精確並可靠.
顯然,這在實際應用中是難於做到的. 平行系統並不過分強調 「孿」 或 「像」 , 即不過分要求數據的完備性、準確性與可靠性, 特別是環境數據和與效用相關的社會資源數據, 因為它可以生成環境(場景) 和資源數據, 也可以做計算實驗, 同時, 並不過分要求模型的準確性, 建模難度大大降低.
6) 數字孿生與平行系統的功能不同, 平行系統能夠實現對複雜系統更優的管理與控制. 數字孿生本質上是一種與實際系統實時動態數據交互的仿真系統, 通過在數位化空間構建鏡像實體使物理實體的狀態可觀、可控.
但是, 它僅能依據物理實體的實際數據預測其未來的變化, 或基於專家經驗提出針對某一特定場景的優化方案, 無法評估多種方案、多種參數下的系統表現, 其優化控制容易陷入局部最優. 而平行系統的計算實驗可以基於人工系統生成大量場景, 並在其中基於試錯實驗湧現分析出系統的全局最優控制方案, 自適應地進行優化控制.
因此, 數字孿生還停留在ACP 方法的第一階段和部分計算實驗階段[262], 即只建立了描述型的人工系統, 並未充分利用其預測、引導結構. 數字孿生可以視作平行系統的一種特例或子集, 為特定的系統提供實時監測和調整服務[269].
4 發展趨勢與展望
隨著工業大數據、人工智慧、信息系統等技術的發展, 智能設備、基礎設施等在更廣的範圍和更深的層次進行信息物理交互, 形成了快速、高效、密集聯結的物聯社會[296]; 隨著智能行動裝置人均保有量的提高、客戶與製造企業交互密度和深度的增加, 人類社會的信息和特徵越來越多地植入物聯社會,人與信息物理系統之間以共融、協同、主導、輔助、監管等多種模式運行, 人與信息物理系統深度融合,催生了CPSS; 在工程領域, 越來越多的系統引入了開放的軟體定義的系統接口實現系統功能的靈活重構, 各種信息管理系統在各行業中起到了比物理硬體系統更加重要的作用, 將知識自動化[288]和系統工程更加緊密地聯繫起來, 逐漸形成了直接面向智能的複雜知識聯結與知識協同的智聯網[297298].
因此,必須建立包含人機物在內的智能實體之間知識層次的聯結, 實現從相對獨立的簡單知識系統, 向知識聯結的複雜知識系統的躍進; 從以 「牛頓定律」 為指導的精確物質系統, 向以 「默頓定律」 為代表的自由意志系統躍進[299300].
平行系統為知識虛擬空間和物理實在空間的管控提供了完整的理論框架, 知識虛擬空間是對物理空間的反映、提取、總結和升華, 同時, 又反過來影響、誘導、管控物理空間, 實現對信息系統的優化及對智聯網的認知管控[301], 更能夠滿足未來的需求.
CPSS 是典型的開放智能系統, 它應當具有開放智能系統的典型精準特徵: 狀態感知、實時分析、自主決策、精準執行和學習提升. 然而, 數字孿生建模複雜系統難以考慮開放環境的影響, 它與環境的交互是單向的, 其對於環境的感知始終落後於環境的變化.
同時, 數字孿生中人機信息物理交互比較原始, 人員只能在物理空間, 通過感官獲取設備的信息並對設備進行物理操作, 人因的複雜性難以量化建模和分析, 社會因素影響下的系統動態變化難以預測和有效管控.
而在平行系統中, 環境和人員都以智能體等方式建模到人工系統中, 環境智能體的解析空間具有更強的開放性, 而人員智能體與人相似,它將實際系統在人工系統的映射作為其內在認知過程, 通過不斷改變內在認知信息系統對社會環境作出響應.
平行系統在人工系統中構建虛擬人,將人沉浸在虛擬空間與虛擬物和其他虛擬人進行信息交互, 通過虛擬信息控制人的物理感受和行為,同時將虛擬空間構造的物體映射於物理空間, 在物理空間與智能體交互, 進而通過智能體的物理操作改變物體的狀態.
因此, 平行系統能夠全面考慮環境和人因, 實現對複雜CPSS 更開放智能的管控.
因此, 平行系統更能夠滿足未來的需求, 並且,數字孿生的一些階段性應用也已經呈現出平行系統的部分特徵.
例如,文獻[28] 提出一種數字孿生電廠智能管控模型, 該模型融合感知數據和仿真數據驅動, 基於統計分析和知識管理等手段挖掘電廠運行知識, 為轉機在線精密診斷、地下管網可視化、發電機組安全管控等提供服務.
該模型進一步擴展了數字孿生知識提取和知識挖掘的方式, 在應用實現上更加接近於計算實驗的思想. 平行系統為複雜系統的人機物綜合管理和智能控制提供了解決方案, 在工業生產和社會系統管理等應用層面展現了良好的發展趨勢.
同時, 鑑於平行系統與數字孿生在技術背景和核心理念上較高的相似性, 數字孿生技術迅速發展起來的工具、方法和程式語言等也可被平行系統採納或借用, 進一步推動其在技術和應用上的發展成熟.
在產品研發方面, 平行系統能夠利用人工系統,實現多種產品設計方案的推演和評估, 在產品開發過程中及時發現產品設計、生產的缺陷, 實現產品設計優化; 在生產製造中, 通過構建工廠級別的設備集群平行系統, 不僅能夠實現產品全生產過程的實時監控、遠程控制, 還能夠自主優化產品生產過程, 實現人員與資源的最優組合, 進一步提升生產效率; 在產品運維方向, 平行系統不僅能夠實現產品運行維護, 還能演化產生針對產品多種可能狀況的維修方案; 在社會系統管理上, 以不同領域知識為基礎構建人工社會, 根據實際社會系統情況設計人工場景並觀測檢驗人工社會發展狀況, 同時考慮人工系統與實際社會組織之間的虛實互動和反饋執行, 能夠為管理者提供決策依據, 實現智慧化的社會系統.
目前, 平行系統的研究和應用處於初級階段,在工業應用方面仍然存在許多挑戰, 如人工系統建模、數據分析、實時虛實交互、信息安全和隱私保護等.
1) 人工系統建模. 基礎多智能體模型是構建平行系統的模型準備, 當前, 多數傳統行業的基礎模型設計程度仍然不高, 很多行業數位化設計水平較低, 缺乏一種專有範式將物理系統的工程數據與模型進行整合, 缺乏支撐人工系統構建所需的基礎數學模型、仿真模型[302].
此外, CPSS中人及其社會屬性的建模[271] 比較困難. 社會傳感信號[303] 是實施有效的社會管理, 系統地分析人及其社會屬性的基礎,但是, 相比於物理信號, 社會信號的處理與分析有待系統化的研究與發展[304].
2) 數據分析. 人工系統和實際系統組成的實驗數據具有多模態、高重複性和海量等特徵, 怎樣開展高效、精確的大數據分析,避免實時數據對歷史數據的覆蓋, 實現知識的高效管理、智能分析和可靠決策, 是一個需要進一步改進的問題.
3) 實時平行執行. 高實時性的虛實交互、在線反饋是平行執行的基礎, 是平行系統循環、在線優化系統的基礎.
平行執行中高實時性的數據交互, 主要涉及系統運行時的實時數據採集與監控、計算實驗對系統控制方案的實時預測與評估、人工系統根據計算實驗結果對實際系統的實時行為控制, 以及對應的數據可視化. 目前, 平行執行還沒有標準的方法或接口, 如何使系統方案實時可視化地運行到實際系統上, 是平行系統的關鍵問題之一.
4) 數據安全和隱私保護. 平行系統擁有整個被控系統的所有核心數據, 系統平臺和數據極易被攻擊和竊取, 因此, 數據安全和隱私保護不是平行系統的附加功能, 必須得到很好的研究和整合.
5 結語
數字孿生和平行系統是實現CPS 和CPSS 的代表性解決方案, 是複雜系統智能管理與控制的有效手段, 近年來引起了廣泛的關注和研究. 數字孿生與平行系統利用虛擬模型研究複雜的物理系統,尋找和發現更好地控制系統的方案.
本文首先總結了數字孿生和平行系統的思想內涵、體系架構及其在理論研究和應用上的進展, 對比分析了兩者在研究對象、核心思想、具體架構、實現方法和主要功能等方面的不同, 分析和探討了當前數字孿生和平行系統發展的趨勢, 以期為相關領域學者提供一定的參考和借鑑.
數字孿生通過在信息空間構建物理實體的數字鏡像, 使難以建模的複雜物理系統可視化, 進而為複雜物理系統的控制與優化參考.
平行系統不僅可以通過虛擬的人工系統描述實際的物理系統, 而且可以通過計算實驗模擬、訓練和優化大量不同人、機、物組合的人工系統模型及其運行數據, 生成針對不同系統場景下的最優控制方案, 並可通過人工系統與實際系統之間的虛實交互、平行執行引導實際系統自適應優化, 因此更加智能.
平行系統技術為包含社會複雜性和工程複雜性的複雜CPSS 的管理與控制提供了最佳解決範式, 必將成為未來智能製造、智能管理等領域的重要發展方向.
來源：王飛躍的個人博客
作者：楊林瑤, 陳思遠, 王 曉, 張 俊, 王成紅
原文：http://blog.sciencenet.cn/blog-2374-1208577.html