您现在的位置: 首页 > 行业知识
数字孪生(四):关键技术
时间:2022-09-26 11:10:50 作者:kok官方登录入口 来源:KOK体育官网网址

  高精度传感器数据的采集和快速传输是整个数字孪生系统体系的基础,温度、压力、振动等各个类型的传感器性能都要最优以复现实体目标系统的运行状态,传感器的分布和传感器网络的构建要以快速、安全、准确为原则,通过分布式传感器采集系统的各类物理量信息以表征系统状态。同时,搭建快速可靠的信息传输网络,将系统状态信息安全、实时地传输到上位机供其应用具有十分重要的意义。数字孪生系统是物理实体系统的实时动态超现实映射,数据的实时采集传输和更新对于数字孪生具有至关重要的作用。大量分布的各类型高精度传感器是整个孪生系统的最前线,为整个孪生系统起到了基础的感官作用。

  目前数字孪生系统数据采集的难点在于传感器的种类、精度、可靠性、工作环境等受到当前技术发展水平的限制,采集数据的方式也受到局限;数据传输的关键在于实时性和安全性,网络传输设备和网络结构受限于当前技术水平无法满足更高级别的传输速率,网络安全性保障在实际应用中同样应予以重视。

  随着传感器水平的快速提升,很多微机电系统( micro-electro-mechanical system,MEMS)传感器日趋低成本和高集成度,而高带宽和低成本的无线传输,如IoT等技术的应用推广,能够为获取更多用于表征和评价对象系统运行状态或异常、故障、退化等复杂状态提供前提,尤其对于旧有复杂装备或工业系统,其感知能力较弱,距离构建信息物理系统( cyber physical system,CPS)的智能体系尚有较大差距。许多新型的传感手段或模块可在现有对象系统体系内或兼容于现有系统,构建集传感、数据采集和数据传输一体的低成本体系或平台,也是支撑数字孪生体系的关键部分。

  多领域建模是指在正常和非正常工况下从不同领域视角对物理系统进行跨领域融合建模,且从最初的概念设计阶段开始实施,从深层次的机理层面进行融合设计理解和建模。当前大部分建模方法是在特定领域进行模型开发和熟化,然后在后期采用集成和数据融合的方法将来自不同领域的独立的模型融合为一个综合的系统级模型,但这种融合方法融合深度不够且缺乏合理解释,限制了将来自不同领域的模型进行深度融合的能力。多领域融合建模的难点是多种特性的融合会导致系统方程具有很大的自由度,同时传感器采集的数据要求与实际系统数据高度一致,以确保基于高精度传感测量的模型动态更新。

  多尺度建模能够连接不同时间尺度的物理过程以模拟众多的科学问题,多尺度模型可以代表不同时间长度和尺度下的基本过程并通过均匀调节物理参数连接不同模型,这些计算模型比起忽略多尺度划分的单维尺度仿真模型具有更高的精度。多尺度建模的难点同时体现在长度、时间尺度以及耦合范围3个方面,克服这些难题有助于建立更加精准的数字孪生系统。

  为使数字孪生进一步在更多领域落地应用,北航数字孪生技术研究团队对已有三维模型进行了扩展,并增加了孪生数据和服务两个新维度,创造性提出了数字孪生五维模型的概念,如下式所示:

  其中,PE表示物理实体,VE表示虚拟实体,Ss表示服务,DD表示孪生数据,CN表示各组成部分间的连接。根据上式,数字孪生五维模型结构如下图所示。

  数字孪生五维模型能满足上节所述数字孪生应用的新需求。首先,是一个通用的参考架构,能适用不同领域的不同应用对象。其次,它的五维结构能与物联网、大数据、人工智能等New IT技术集成与融合,满足信息物理系统集成、信息物理数据融合、虚实双向连接与交互等需求。再次,孪生数据(DD)集成融合了信息数据与物理数据,满足信息空间与物理空间的一致性与同步性需求,能提供更加准确、全面的全要素/全流程/全业务数据支持。

  服务(Ss)对数字孪生应用过程中面向不同领域、不同层次用户、不同业务所需的各类数据、模型、算法、仿真、结果等进行服务化封装,并以应用软件或移动端App的形式提供给用户,实现对服务的便捷与按需使用。连接(CN)实现物理实体、虚拟实体、服务及数据之间的普适工业互联,从而支持虚实实时互联与融合。虚拟实体(VE)从多维度、多空间尺度、及多时间尺度对物理实体进行刻画和描述。

  对于机理结构复杂的数字孪生目标系统,往往难以建立精确可靠的系统级物理模型,因而单独采用目标系统的解析物理模型对其进行状态评估不能获得最佳的评估效果,采用数据驱动的方法利用系统的历史和实时运行数据,对物理模型进行更新、修正、连接和补充,充分融合系统机理特性和运行数据特性,能够更好地结合系统的实时运行状态,获得动态实时跟随目标系统状态的评估系统。目前数据驱动与解析模型相融合的方法主要有两种思路,一种是以解析模型为主,利用数据驱动的方法对解析模型的参数进行修正;另一种是将两种方法并行使用,最后依据两者输出的可靠度进行加权,得到最后的评估结果。但以上两种方法都缺少更深层次的融合和优化,对系统机理和数据特性的认知不够充分,融合时应对系统特性有更深入的理解和考虑。

  目前数据与模型融合的难点在于两者原理层面的融合与互补,如何将高精度的传感数据统计特性与系统的机理模型合理、有效地结合起来,获得更好的状态评估与监测效果,是亟待考虑和解决的问题。无法有效实现物理模型与数据驱动模型的结合,也体现在现有工业复杂系统和装备复杂系统全寿命周期状态无法共享。

  全生命周期内的多源异构数据无法有效融合,现有对数字孪生的乐观前景大都建立在对诸如机器学习、深度学习等高复杂度、高性能的算法基础上,预期利用越来越多的工业状态监测数据构建数据或数学模型,借以替代难于构建的物理模型,但如此会带来对象系统过程或机理难于刻画、所构建的数字孪生系统表征性能受限等问题。有效提升或融合复杂装备或工业复杂系统前期的数字化设计及仿真、虚拟建模、过程仿真等,进一步强化考虑复杂系统构成和运行机理、信号流程及接口耦合等因素的仿真建模,是构建数字孪生系统必须突破的瓶颈。

  复杂系统的全生命周期数据存储和管理是数字孪生系统的重要支撑,采用云服务器对系统的海量运行数据进行分布式管理,实现数据的高速读取和安全冗余备份,为数据智能解析算法提供充分可靠的数据来源,对维持整个数字孪生系统的运行起着重要作用。通过存储系统的全生命周期数据,可以为数据分析和展示提供更充分的信息,使系统具备历史状态回放、结构健康退化分析以及任意历史时刻的智能解析功能。海量的历史数据同时还为数据挖掘提供了丰富的样本信息,通过提取数据中的有效特征、分析数据间的关联关系,可以基于数据分析结果获得很多未知但却具有潜在利用价值的信息,加深对系统机理和数据特性的理解和认知,实现数字孪生体的超现实属性,随着研究的不断推进,全生命周期数据将持续为其提供可靠的数据来源和支撑。

  全生命周期数据存储和管理的实现需要借助于服务器的分布式和冗余存储,由于数字孪生系统对数据的实时性要求很高,如何优化数据的分布架构、存储方式和检索方法,获得实时可靠的数据读取性能,是其应用于数字孪生系统面临的挑战。尤其考虑工业企业的数据安全以及装备领域的信息保护,构建以安全私有云为核心的数据中心或数据管理体系,是目前较为可行的技术解决方案。

  数字孪生系统复杂功能的实现很大程度上依赖于其背后的计算平台,实时性是衡量数字孪生系统性能的重要指标,因此,基于分布式计算的云服务器平台是其重要保障,同时优化数据结构、算法结构等以提高系统的任务执行速度同样是保障系统实时性的重要手段。如何综合考量系统搭载的计算平台的计算性能、数据传输网络的时间延迟以及云计算平台的计算能力,设计最优的系统计算架构,满足系统的实时性分析和计算要求,是其应用于数字孪生的重要内容。平台数字计算能力的高低直接决定系统的整体性能,作为整个系统的计算基础,其重要性毋庸置疑。

  数字孪生系统的实时性要求系统具有极高的运算性能,这有赖于计算平台的提升和计算结构的优化,系统的运算性能受限于当前的计算机发展水平和算法设计优化水平,因此,应在这两方面做突破以服务于数字孪生技术的发展。高性能数据分析算法的云化、异构加速的计算体系(如CPU+GPU、CPU+FPGA)是现有云计算基础上,可以考虑的能够满足工业实时场景下高性能计算的两个方向。