| 标题 | 数字孪生体在产品生命周期管理中的应用探究 |
| 范文 | 张长信 摘 要：目前，在整个产品生命周期中可获得包括设计、制造、服务在内各阶段的大数据，但有关产品生命周期数据的研究主要还是围绕物理产品而非虚拟模型进行。产品设计、制造和服务需要来自物理产品、虚拟模型以及这两者间的连接数据来支持。基于数字孪生体的应用现状，本文分析了如何获得和使用交互性的虚拟数据更好地服务产品生命周期，从而推动产品设计、制造和服务更加高效、智能化地进展。 关键词：数字孪生体;产品生命周期;设计;制造;服务;大数据 1 概述 目前，随着物联网、云计算、人工智能等新一代信息技术在生产大数据的收集、处理与管理中的应用，[1，2]大数据驱动制造的时代即将到来。 产品生命周期管理（Product lifecycle management，PLM）作为一种高效的商业产品管理方式，从产品设计理念产生到其报废淘汰，贯穿其整个生命周期。尽管PLM可以获得包括设计、制造和服务在内的各阶段生命周期相关大数据，但其中仍存在诸如各阶段数据通常呈现孤立、分散、停滞特征、用户在产品使用过程中制造商难以对产品保持实时控制与响应等缺陷。[3] 這些问题导致产品的设计、制造和服务阶段的效率不高，智能化和可持续性水平较低。数字孪生体（Digital Twin）作为有效的解决方案，是以数字化方式创建物理产品的虚拟模型，以数据模拟实体在生产系统中的表现，通过虚实交互反馈、数据融合分析、决策迭代优化，为物理实体增加或扩展新的能力;[4]其面向产品全生命周期全过程，以提供更加实时、高效、智能的服务。 2 产品生命周期管理与现存问题 2.1 产品生命周期及相应数据 产品生命周期类比于生物学理念，指从产品被市场接受到最终淘汰的过程，其分为导入，生长，成熟和衰退四个阶段。[5]随着并行工程的兴起，产品生命周期扩展到工程领域。这一概念从产品需求分析、产品设计与制造、销售与售后服务的流线过程延伸为一种再循环过程。 产品生命周期作为一个迭代过程，其任何阶段，都会收集、处理和运用大量数据，最终覆盖整个周期过程，形成大数据。 2.2 产品生命周期数据现存的相关问题 在制造业走向大数据时代时，数据挖掘与分析在企业管理中所扮演角色的重要性愈加凸显。当前，大数据主要通过关联、预测和控制三个步骤来驱动智能制造业。通过有效地收集和分析整个产品生命周期中产生的相关数据可以为相应生产活动提供系统指导，帮助企业管理者解决跟运营和决策有关的问题。目前仍存在如下问题影响PLM的数据管理和应用。 1）由于目的和任务的不同，产品生命周期中各个阶段产生的数据可能形成相互之间缺少联系的信息孤岛（information islands）。 2）产品生命周期的不同阶段之间存在大量重复数据，这些重复数据可能造成资源浪费，影响数据共享。 3）大数据分析与整个产品生命周期中各种活动之间缺少相应的的交互和迭代，造成大数据分析与实际制造过程间无法并行比较。 4）目前大数据应用偏重于物理产品数据的分析，而非虚拟模型的数据分析。 针对上述问题，数字孪生体被视为一种有效的解决办法，其实施是产品生命周期中信息空间与物理空间相互促进过程。数字孪生体可以直接分析大数据的应用价值，并将其跟产品生命周期活动的真实价值进行比较;其信息空间能做到模拟、监控和优化整个周期中的各种活动，同时实现周期中各分过程的无缝协调，避免信息孤岛以及数据重复。 3 数字孪生体及其应用 3.1 数字孪生体的概念 数字孪生体的普适定义由E Glaessegen和D Stargel于2012年提出：[6]数字孪生体（Digital Twin）是复杂产品综合了多物理量、多尺度、概率性的模拟仿真（multi-physics，multiscale，and probabilistic simulation），其充分利用有效物理模型、传感器更新、运行历史等来反映产品实体/孪生体的生命周期过程。同时，数字孪生体由三部分组成：物理产品、虚拟模型以及两者间的链接数据。根据数字孪生体的这些解释和定义，总结了数字孪生体的以下特征： 1）实时反映。数字孪生体中并存着物理空间和信息空间两大空间，后者作为物理空间的真实反映，可以保持与物理空间的超高同步性和保真度。 2）交互和聚敛（Interaction and convergence）。该特点可以从三个方面来解释。 （a）物理空间中的交互和聚敛。数字孪生体作为一种全流量、全元素、全业务的集成，物理空间中各个阶段产生的数据都可以相互关联。 （b）历史数据和实时数据之间的交互和聚敛。数字孪生体在依靠专家知识的同时，还实时收集所有已配置数字孪生体系统的数据。该特性可使数据得以深入挖掘及充分利用。 （c）物理空间与信息空间之间的交互和聚敛。数字孪生体中物理空间和信息空间之间存在光滑的连接通道而非相互隔离，这使得它们很容易实现交互。[11] 3）自我进化。数字孪生体可以实时更新数据，以便虚拟模型可以通过其跟物理空间的并行比较进行持续改进。 3.2 数字孪生体的应用及研究现状 自数字孪生体概念被提出以来，已被应用于诸多工业领域，并展现出大的潜力。 美空军研究实验室E J T uegel[7]等人运用数字孪生体对飞行器建立了超高保真飞行模型，通过将虚拟数据与实体数据进行比较分析，做出精确的疲劳寿命预测;该实验室创建了一个对物理空间具有高保真度的模型框架，整合了各种相关数据，以模拟和评估气动热模型预测中耦合气动热弹性问题的可信度。B Bielefeldt等人[8]建立了一个基于数字孪生体概念的模型来监测飞机结构的损伤，他们使用飞机机翼的状况案例验证模型的有效性。E J Tuegel [9]提出了机身数字孪生体（Airframe Digital Twin，ADT）模型的概念，以降低飞机维护成本，他指出了模型实现的关键在于实施过程中通过贝叶斯升级（Bayesian updating）来降低模型的不确定性。K Reifsnider和P Majumdar[10]将数字孪生体与车载健康管理系统、维修历史记录以及历史车队数据相匹配，以此进行车辆的生命周期管理，显著提高了安全性和可靠性。 此外，美国参数技术公司（Parametric Technology Corporation，PTC）正在尝试建立一个信息空间作为对产品设计过程中所用实体的一对一表示。另外诸如达索（Dassault Systèmes）、西门子工业软件（Siemens PLM Software）等知名企业对于数字孪生体的应用及其潜力也表示了极大的肯定。[11] 根据上述数字孪生体的应用情况，目前数字孪生体主要应用于航空航天、车辆工程等领域的故障预测，实施于产品维修和维护阶段。鉴于数字孪生体的特点，特别是物理产品与相应虚拟产品之间的同步联动和超高保真度，数字孪生体解决PLM存在的上述问题具有很大的潜力，同时有望在更多工程领域取得应用突破。 4 产品数字孪生体在全生命周期各阶段的实施途径 4.1 产品设计阶段 为实现物理产品的数字孪生体，必须有一种准确、高效的数字化表达方式，其可以支持包括产品设计、加工装配、使用维修在内的产品生命周期各阶段的数据定义与传输。近年出现的产品定义模型（Model Based Definition，MBD）作为实现产品数字孪生体的有效途径，遵从产品设计中的并行协同理念和单一数据源原则，可将产品相关设计参数、工艺流程、过程管理等信息全部整合在其虚拟三维模型中，保证了产品被赋予的定义数据能够驱动处于制造过程下游的各个环节。[12] MBD技术主要包括两类数据：（1）产品的几何信息，即广义的设计模型;（2）产品的非几何信息，其跟产品数据管理（Product Data Management，PDM）软件（兼容于3D设计软件）协同存储和管理设计信息。另外，实现基于三维模型的产品定义后，需基于该定义模型进行工艺设计、工装设计，以及制造过程规划，有时还要对产品功能测试进行交互仿真以及后期优化;为保证仿真、优化过程的有效性，需考虑以下三点。 4.1.1 虚拟模型的高保真度 产品建模不仅要考虑形状、尺寸、公差等几何特征信息，还要关注物理环境中的应力分析，还原产品的动力学、热力学特性，及材料的刚度、塑性、疲劳强度等物理性质。可运用神经网络、深度学习等方法，参照同类产品群的历史数据对现有模型进行定期优化，以取得接近于现实物理环境中实体产品的功能、特性。 4.1.2 仿真的准确性和实时性 如上述的应力分析、材料力学模拟，都可以通过ANSYS、Abaqus等实用的仿真软件来实现，并进行优化。 4.1.3 模型轻量化技术 模型轻量化技术极大减少了模型的存储空间，从而便于直接从三维模型中提取工艺设计和交互仿真所需要的几何信息、特征信息和属性信息，避免附带不必要的冗余信息。[2]另外，通过该项技术，基于实时数据的产品的可视化仿真、复杂系统与生产线仿真可全部实现。同时，轻量化的模型减少了系统间的信息传输时间与成本，促进了价值链的端到端集成、供应链上下游企业间的信息共享与业务流程集成。 4.2 产品制造阶段 产品数字孪生体跟其实体的不断交互是其发展的关键。在产品制造阶段，现实世界中检测、制造进度、物流等多方面的实测数据被不断传递到虚拟信息空间中进行实时展示;同时进行实测值与设计值、实际所用物料与设计物料、实际完成进度与计划完成进度的多方面比对，实现基于产品模型的生产过程监控与生产实测数据分析。此外，根据生产中的实测数据，实现对产品质量、制造资源使用、制造进度的智能预测与分析;与此同时，智能决策模块根据上述预测与分析的结果更新相应的制造解决方案并反馈给实体产品，从而实现对实体产品的动态控制与优化，达到虚拟空间实时操控现实制造的目的。 综合上所述，在复杂的动态实体空间中实现多源异构数据的实时、准确采集，以及有效信息的提取与传输是实现制造阶段数字孪生体的前提条件。近十年，包括物联网、传感网、语义分析与识别在内的信息技术的迅速发展为此提供了一套切实可行的解决方案;此外，数据挖掘、人工智能、深度学习等技术的探索，也提供了重要的技术支持。[13] 4.3 產品服务阶段 产品的使用和维护阶段，仍需对包括产品的空间位置、使用环境、质量状况、功能状态等产品信息进行实时测控，并根据这些实时数据生成使用及维护历史记录，从而对产品性能、健康状况、寿命期限进行预测与分析，并对产品质量问题发出预警。当产品出现故障或是质量问题时，能够实现产品空间位置的及时定位，并对其故障和质量问题进行原因分析、维护与升级，或是报废替换等，同时生成相关记录。一方面，在物理空间，采用物联网、传感技术、移动互联技术将与物理产品相关的实测数据（最新的传感数据、位置数据、外部环境感知数据等）、产品使用数据和维护数据等关联映射至虚拟空间的产品数字孪生体。另一方面，在虚拟空间，采用模型可视化技术实现对物理产品使用过程的实时监控，并结合历史使用数据、历史维护数据、同类型产品相关历史数据等，采用动态贝叶斯、机器学习等数据挖掘方法和优化算法，实现对产品模型、结构分析模型、热力学模型、产品故障和寿命预测与分析模型的持续优化，使产品数字孪生体和预测分析模型更加精确、仿真预测结果更加符合实际情况。 5 结语 随着大数据驱动制造时代的到来，面向制造业的物联网、大数据、和云计算等许多新技术已经应用于PLM。但是，目前的技术主要关注物理产品数据，而不是虚拟模型的数据。为产品生命周期各个阶段产生数据形成的信息孤岛与数据重叠，提高大数据分析与产品生命周期中的各种活动间的交互和迭代，将具有超高同步性和保真度的数字孪生体，运用于产品设计、制造和服务阶段。 但目前产品数字孪生体的构建和应用在全球范围内尚处于初级阶段，其应用主要局限于产品设计阶段，在产品制造和生产管理方面缺少实践。因此，探讨产品制造与生产的数字孪生体构建与应用，整合产品生产全周期的数字化交互，会将产品创新、制造效率提升至一个新的高度。 参考文献： [1]Xu L D，He W，Li S.Internet of Things in Industries：A Survey[J].IEEE Transactions on Industrial Informatics，2014，10（4）：2233-2243. [2]Jiang L，Xu L D，Cai H，et al.An IoT-Oriented Data Storage Framework in Cloud Computing Platform[J].IEEE Transactions on Industrial Informatics，2014，10（2）：1443-1451. [3]Li J，Tao F，Cheng Y，et al.Big Data in product lifecycle management[J].International Journal of Advanced Manufacturing Technology，2015，81（1-4）：667-684. [4]陶飞，刘蔚然，刘检华，等.数字孪生及其应用探索[J].计算机集成制造系统，2018，24（1）. [5]Rink D R，Swan J E.Product life cycle research：A literature review[J].Journal of Business Research，1979，7（3）：219-242. [6]Glaessgen E，Stargel D.The Digital Twin Paradigm for Future NASA and U.S.Air Force Vehicles[C].Aiaa/asme/asce/ahs/asc Structures，Structural Dynamics& Materials Conference Aiaa/asme/ahs Adaptive Structures Conference Aiaa.2012. [7]Tuegel E J，Ingraffea A R，Eason T G，et al.Reengineering Aircraft Structural Life Prediction Using a Digital Twin[J].International Journal of Aerospace Engineering，2011，（23）：1687-5966. [8]Bielefeldt B，Hochhalter J，Hartl D.Computationally Efficient Analysis of SMA Sensory Particles Embedded in Complex Aerostructures Using a Substructure Approach[C].ASME 2015 Conference on Smart Materials，Adaptive Structures and Intelligent Systems.2015：V001T02A007. [9]Tuegel E.The Airframe Digital Twin：Some Challenges to Realization[C].Aiaa/asme/asce/ahs/asc Structures，Structural Dynamics & Materials Conference Aiaa/asme/ahs Adaptive Structures Conference Aiaa.2013. [10]Reifsnider K，Majumdar P.Multiphysics Stimulated Simulation Digital Twin Methods for Fleet Management[C].Aiaa/asme/asce/ahs/asc Structures，Structural Dynamics，and Materials Conference.2013. [11]于勇，范勝廷，彭关伟，等.数字孪生模型在产品构型管理中应用探讨[J].航空制造技术，2017，526（7）：41-45. [12]Briggs C，Brown G B，Siebenaler D，et al.Model-Based Definition[C].Aiaa/asme/asce/ahs/asc Structures，Structural Dynamics，& Materials Conference Aiaa/asme/ahs Adaptive Structures Conference.2013. [13]庄存波，刘检华，熊辉，等.产品数字孪生体的内涵、体系结构及其发展趋势[J].计算机集成制造系统，2017，23（4）：753-768. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。