第一节 概念正演进
当前，以物联网、大数据、人工智能等新技术为代表的数字浪潮席卷全球，物理世界和与之对应的数字世界所形成的两大体系平行发展、相互作用。数字世界为服务物理世界而存在，物理世界因数字世界变得高效、有序。在这种背景下，数字孪生技术应运而生。近几年来，“数字孪生”这一概念炙手可热，渐渐成为从工业到产业、从军事到民生等各个领域的智慧新代表。
数字孪生始于数字化，又不止于数字化。从概念的演进来看，“数字孪生”这一概念诞生于美国，2002年，密歇根大学教授迈克尔·格里夫斯（Michael Grieces）在“产品全生命周期管理”课程中提出了“与物理产品等价的虚拟数字化表达”这一概念：一个或一组特定装置的数字复制品，能够抽象表达真实装置，并可以此为基础进行在真实条件或模拟条件下的测试。数字孪生的概念源于对装置的信息和数据进行更清晰地表达的期望，希望能够将所有信息都放在一起进行更高层次的分析。
然而，真正将这种理念付诸实践的则是美国航空航天局（NASA）的阿波罗项目。在该项目中，美国航空航天局需要制造两个完全一样的空间飞行器，其中一个发射到太空执行任务，另一个留在地球上用于反映太空中那个航天器在任务期间的工作状态，从而辅助工程师分析并处理太空中出现的紧急事件。但对于当时来说，这两个航天器都是真实存在的物理实体。
2010年，“Digital Twin”一词在美国航空航天局的技术报告中被正式提出，并被定义为“集成了多物理量、多尺度、多概率的系统或飞行器仿真过程”。2011年，美国空军探索了数字孪生在飞行器健康管理中应用的可能性，并详细探讨了实施数字孪生的技术难度。2012年，美国航空航天局与美国空军联合发表了关于数字孪生的论文，指出数字孪生技术是驱动未来飞行器发展的关键技术之一。至此，数字孪生才真正作为一项数字技术应用走进了人们的视线。
现在，许多业界主流公司都对数字孪生做了自己的理解和定义，但实际上，人们对于数字孪生的认识依然是一个不断演进的过程。这从Gartner公司以往对数字孪生的论述中可见一斑。
2017年，Gartner公司对数字孪生的解释是：数字孪生是实物或系统的动态软件模型，数十亿计的实物将通过数字孪生来表达。从Gartner公司在2017年发布的新兴技术成熟度曲线中可以看出，数字孪生处于创新萌发期，距离成熟应用还有5～10年时间。2018年，Gartner公司对数字孪生的解释是：数字孪生是现实世界实物或系统的数字化表达。随着物联网的广泛应用，数字孪生可以连接现实世界的对象，提供其状态信息，响应变化，改善运营并增加价值。2019年，Gartner公司对数字孪生的解释变为：数字孪生是现实生活中物体、流程或系统的数字镜像。大型系统如发电厂或城市也可以创建其数字孪生模型。
在数字孪生概念的成熟和完善过程中，数字孪生的应用主体也不再局限于基于物联网来洞察和提升产品的运行绩效，而是延伸到更广阔的领域，如工厂的数字孪生、城市的数字孪生，甚至组织的数字孪生。
从横向来看，在模型维度上，从模型需求与功能的角度，一些观点认为数字孪生是三维模型，是物理实体的复制，或是虚拟样机。在数据维度上，一些观点则认为数据是数字孪生的核心驱动力，侧重于数字孪生在产品全生命周期的数据管理、数据分析与挖掘、数据集成与融合等方面的价值。在连接维度上，一些观点认为数字孪生是物联网平台或工业互联网平台，这些观点侧重从物理世界到虚拟世界的感知接入、可靠传输、智能服务。而对于服务来说，一些观点则认为数字孪生是仿真，是虚拟验证，或是可视化。
尽管当前对数字孪生存在多种不同的认识和理解，目前尚未形成统一、达成共识的定义，但可以确定的是，物理实体、虚拟模型、数据、连接和服务是数字孪生的核心要素，即数字孪生是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。
通俗地说，数字孪生就是在一个设备或系统“物理实体”的基础上，创造一个数字版的“虚拟模型”。这个“虚拟模型”是被创建在信息化平台上来提供服务的。值得一提的是，与计算机设计图纸不同，数字孪生体最大的特点在于，它是对实体对象的动态仿真，也就是说，数字孪生体是会“动”的。同时，数字孪生体“动”的依据是实体对象的物理设计模型、传感器反馈的“数据”及运行的历史数据。实体对象的实时状态及外界环境条件，都会“连接”到“孪生体”上。
可以看出，数字孪生为跨层级、跨尺度的现实世界与虚拟世界建立了沟通的桥梁，是一种实现制造信息世界与物理世界交互融合的有效手段。因此，数字孪生也被认为是第四次工业革命的通用目的技术和核心技术体系之一，是支撑万物互联的综合技术体系，也是未来智能时代的信息基础设施。
第二节 技术大集成
一项新兴技术或一个新概念的背后，往往是一系列技术共同进步。建模、仿真和基于数据融合的数字线程无疑是数字孪生的三项核心技术，能够做到统领建模、仿真和数字线程的系统工程和基于模型的系统工程则成为数字孪生体的顶层框架程序。此外，物联网是数字孪生体的底层伴生技术，云计算、机器学习、大数据、区块链相关技术则是数字孪生体的外围使能技术。
一、核心技术：建模、仿真、数字线程
1.建模
数字化建模技术起源于20世纪50年代。建模的目的是将人们对物理世界或问题的理解进行简化和模型化；而数字孪生体的目的或本质正是通过数字化和模型化，用信息换能量，以更少的能量消除各种物理实体特别是复杂系统的不确定性。数字孪生建模需要完成多领域、多学科角度的模型融合，以实现对各领域物理对象特征的全面刻画。建模后的虚拟对象会表征物理对象的实体状态，模拟物理对象在现实环境中的行为，分析该物理对象的未来发展趋势。
因此，建立物理实体的数字化模型和信息建模技术是创建数字孪生体、实现数字孪生的源头和核心技术，也是“数化”阶段的核心。
当前，数字孪生建模语言主要包括Automation ML、UML、SvsML和XML等。一些模型采用通用建模工具（如CAD等）进行开发，而更多模型的开发则基于专用建模工具，如FlexSim和Qfsm等，目前业界已提出多种概念模型。
（1）基于微内核架构的数字孪生平台，通过集成的仿真数据库对实时传感器数据进行主动管理，为仿真模型的修正和更逼真的现实映射提供支持。
（2）模型自动生成和在线仿真的数字孪生建模方法。首先，选择静态仿真模型作为初始模型；其次，基于数据匹配方法由静态模型自动生成动态仿真模型，并结合多种模型提升仿真准确度；最后，通过实时数据反馈实现在线仿真。
（3）数字孪生建模流程概念框架包含物理层、数据层、信息处理与优化层三层，用来指导工业生产数字孪生模型的构建。
（4）基于模型融合的数字孪生建模方法，通过集成多种数理仿真模型来构建复杂的虚拟实体，并提出基于锚点的虚拟实体校准方法。
（5）全参数数字孪生的实现框架，将数字孪生分成物理层、信息处理层、虚拟层三层，基于数据采集、传输、处理、匹配等流程实现上层数字孪生应用。
（6）由物理实体、虚拟实体、连接、孪生数据、服务组成的数字孪生五维模型，强调了由物理数据、虚拟数据、服务数据和知识等组成的孪生数据对物理设备、虚拟设备和服务等的驱动作用，并探讨了数字孪生五维模型在多个领域的应用思路与方案。
（7）按照从数据采集到应用的过程分为数据保障层、建模计算层、数字孪生功能层和沉浸式体验层的四层模型，依次实现数据采集、传输和处理、仿真建模、功能设计、结果呈现等功能。
2.仿真
仿真是将具备确定性规律和完整机理的模型转化成软件的方式来模拟物理世界的一种技术。仿真兴起于工业领域，作为一种必不可少的重要技术，已经被世界上众多企业广泛应用到工业的各个领域中，是推动工业技术快速发展的核心技术，也是工业3.0时代最重要的技术之一，在产品优化和创新活动中扮演着不可或缺的角色。近年来，随着工业4.0、智能制造等新一轮工业革命的兴起，新技术与传统制造的结合催生了大量新型应用，工程仿真软件也开始与这些先进技术结合，在研发设计、生产制造、试验运维等各环节发挥着更重要的作用。
从仿真的视角来看，数字孪生体系中的仿真作为一种在线数字化技术，通过将模型转化成软件的方式来模拟物理世界，只要模型正确，并拥有完整的输入信息和环境数据，就可以基本正确地反映物理世界的特性和参数，验证和确认对物理世界或问题理解的正确性和有效性。
可以将数字孪生技术应用理解为针对物理实体建立相对应的虚拟模型，并模拟物理实体在真实环境下的行为。与传统的仿真技术相比，数字孪生技术更强调物理系统和信息系统之间的虚实共融和实时交互，是高频次贯穿全生命周期并不断循环迭代的仿真过程。
也就是说，数字孪生视角下的仿真预测是对物理世界的动态预测。仿真技术需要在建立物理对象的数字化模型之上，根据当前状态，通过物理学规律和机理来计算、分析和预测物理对象的未来状态。这种仿真不是对一个阶段或一种现象的仿真，应是全周期和全领域的动态仿真，包括产品仿真、虚拟试验、制造仿真、生产仿真、工厂仿真、物流仿真、运维仿真、组织仿真、流程仿真、城市仿真、交通仿真、人群仿真、战场仿真等。
因此，仿真技术不再仅仅用于降低测试成本。通过数字孪生，仿真技术的应用将扩展到各个运营领域，甚至涵盖产品的健康管理、远程诊断、智能维护、共享服务等方面。基于数字孪生可对物理对象进行分析、预测、诊断、训练等（仿真），并将仿真结果反馈给物理对象，从而帮助物理对象进行优化和决策。仿真技术是创建和运行数字孪生体，并保证数字孪生体与物理对象实现有效闭环的核心技术。
从技术角度看，建模和仿真则是一对伴生体，如果说建模是人类对物理世界或问题理解的模型化，那么仿真就是验证和确认这种理解的正确性和有效性。
随着仿真技术的发展，其被越来越多的领域所采用，并逐渐发展出更多类型的仿真技术和软件，数字孪生则将成为仿真应用的新巅峰。在数字孪生发展的每个阶段，仿真都在扮演不可或缺的角色；数字孪生也因为仿真在不同发展阶段及四大关键场景中无处不在，成为智能化和智慧化的源泉与核心。
3.数字线程
数字线程是指可扩展、可配置和组件化的企业级分析通信框架。基于该框架可以构建覆盖系统生命周期与价值链全部环节的跨层次、跨尺度、多视图模型的集成视图，进而以统一模型驱动系统生存期活动为决策者提供支持，主要包括正向数字线程技术和逆向数字线程技术两大类型。
其中，正向数字线程技术以MBSE（Model-Based Systems Engineering，基于模型的系统工程）为代表，在用户需求阶段就基于统一的建模语言（UML）定义各类数据和模型规范，为后期全量数据和模型在全生命周期集成融合提供基础支撑。
逆向数字线程技术以管理壳技术为代表，依托多类工程集成标准，对已经构建完成的数据或模型，基于统一的语义规范进行识别、定义、验证，并开发统一的接口支撑，以进行数据和信息交互，从而促进多源异构模型之间的互操作。
根据美国军方对数字线程的定义和解释，其目标就是要在系统全生命周期内实现在正确的时间、正确的地点，把正确的信息传递给正确的人。这一目标与20世纪90年代的产品数据管理/产品生命周期管理技术和理念出现时的目标几乎完全一致，只不过数字线程要在数字孪生环境下实现这一目标。可以说，数字线程是数字孪生技术体系中最为关键的技术。
二、顶层框架程序：系统工程和MBSE
尽管系统工程起源于20世纪早期，并在第二次世界大战中就已经进行了运用，但直到1951年，美国贝尔公司在建成微波中继通信网后才正式提出“系统工程”这一名词。1972年，美国阿波罗载人登月工程成功运用了系统工程的方法，这让系统工程第一次在世界范围内被人们所熟知。之后，在美国国防部的领导下，引入承包商标准，系统工程才逐渐被应用于民用航空领域。
系统工程国际委员会（INCOSE）将系统工程定义为一种能够使系统实现跨学科的方法和手段。系统工程专注于在系统开发的早期阶段就定义并文档化客户需求，再考虑系统运行、成本、进度、性能、培训、保障、试验、制造等问题，并进行系统设计和确认。
由此可见，系统工程可被应用于建立跨学科的复杂大系统，通过对系统的组成、结构、信息流等进行科学、有条理的研究和分析，使学科与学科之间、子系统与子系统之间、系统的整体与局部之间协调和配合，从而优化系统的运行性能，更好地达到系统的目的。
然而，伴随着需求的增长和技术的革新，传统工业逐渐向智能化、数字化转型。在新的工业环境下，系统复杂度的提升所产生的庞大信息量与数据量给传统的基于文档的系统工程带来了前所未有的挑战。于是，随着模型驱动的系统开发方法的兴起，特别是在软件领域，人们将模型驱动与系统工程相结合，提出了基于模型的系统工程方法MBSE。
MBSE强调贯穿于全生命周期技术过程的形式化建模，建立的系统模型既解决了项目经验积累和复用的问题，也通过多视角的系统顶层需求建模与系统架构建模，为复杂系统或体系的向下分解与及时验证提供了模型依据，体现了整体论与还原论的辩证统一；而针对物理层构建的各专业领域（机械、电子、流体、力学、气动等）的物理模型，也体现了对具体实现技术的描述，使系统工程不再仅仅是使能技术，还包含了完整的工程实现所需的技术集合。
一方面，MBSE中的DoDAF系统架构描述标准提供了多视角的体系架构描述方法，从全景视点、能力视点、作战（业务）视点、服务视点和系统视点等八个方面来完整描述系统，使得从整体上描述复杂系统或体系成为可能，满足了系统工程方法的系统性与整体性，系统工程从而成为名副其实的系统论指导下的工程方法。而建立的系统架构模型，在系统定义的早期阶段，就能为系统功能分解与系统指标分解的结果进行仿真验证提供模型支持。
另一方面，2007年系统工程国际委员会（INCOSE）在《系统工程2020年愿景》中给出了“基于模型的系统工程”的定义：支持从概念设计阶段开始并持续贯穿于开发和后续的生命周期阶段的系统需求、设计、分析、验证和确认活动的形式化建模应用。可以看出，MBSE与传统的系统工程相比，最主要的区别是贯穿于全生命周期技术过程的形式化建模，重点在形式化，而不是有无建模。
当前，MBSE已成为创建数字孪生体的框架，数字孪生可以通过数字线程集成到MBSE工具套件中，进而成为MBSE框架下的核心元素。而从系统生存周期的角度，MBSE又可以作为数字线程的起点，使用从物联网收集的数据运行系统仿真来探索故障模式，从而随着时间的推移逐步改进系统设计。
三、底层伴生技术：物联网
物联网（Internet of Things，IoT），即通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。
从凯文·阿什顿在1999年提出“物联网”一词至今，物联网已从雏形初现逐步发展为拉动全球经济增长的新引擎。新的技术浪潮开启了通往新时代的大门，也为时代奠定了特有的基调。与移动互联网大约50亿个的设备接入量相比，物联网的连接规模将扩大至少一个数量级，所涉及的领域涵盖可穿戴设备、智能家居、自动驾驶汽车、互联工厂和智慧城市。
虽然从连接的对象来看，物联网只是加入了各种“物”，但它对连接内涵的拓展和升华带来了极其深远的影响。物联网不再以“人”为单一的连接中心，物与物无须人的操控即可实现自主连接，这在一定程度上确保了连接所传递内容的客观性、实时性和全面性。
从物联网的角度来看，一方面，物联网将实体世界的每一缕脉动都连接到网络上，打造了一个虚拟（信息、数据、流程）和实体（人、机器、商品）之间相互映射、紧密耦合的系统。物理实体在虚拟世界建立了自身的数字孪生体，使其状态变得可追溯、可分析和可预测。
另一方面，若要实现数字孪生，必须借助传感器运行、更新的实时数据来反馈到数字系统，进而实现在虚拟空间的仿真过程。也就是说，物联网的各种感知技术是实现数字孪生的必然条件，只有现实中的物体联了网，并且能实时传输数据，才能对应地实现数字孪生。
从数字孪生的角度来看，数字孪生可以借助物联网和大数据技术，达到指标测量甚至精准预测的目的。数字孪生可以通过采集有限的物理传感器指标的直接数据，并借助大样本库，通过机器学习推测出一些原本无法直接测量的指标。例如，可以利用一系列历史指标数据，通过机器学习来构建不同的故障特征模型，间接推测出物理实体运行的健康指标。
此外，现有的产品全生命周期管理很少能够实现精准预测，因此往往无法对隐藏在表象下的问题进行预判。而数字孪生可以结合物联网的数据采集、大数据的处理和人工智能的建模分析，实现对当前状态的评估和对过去发生问题的诊断，并给予分析结果，模拟各种可能性，实现对未来趋势的预测，进而实现更全面的决策支持。
四、外围使能技术：云计算、大数据和机器学习、区块链
1.云计算
云计算是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，通过多部服务器组成的系统进行处理和分析这些小程序，并将得到的结果返回给用户。云计算是分布式计算、效用计算、负载均衡、并行计算、网络存储、热备份冗杂和虚拟化等计算机技术混合演进并跃升的结果。云计算系统由云平台、云存储、云终端、云安全四个基本部分组成，云平台从用户的角度又可分为公有云、私有云、混合云等。
最早提出云计算概念的是Sun公司首席执行官Scott Mc Nealy。他在20世纪90年代提出了“网络计算机”的概念和“网络无处不在”的思路。此后，IT和互联网业界都在探索和践行为用户提供成本更低、操作更简便、数据更安全的开放性基础架构服务平台。
2010年5月21日，在第二届中国云计算大会上，鸿蒙集团董事长郑世宝先生发表了题为《从生命看云计算，整体论对还原论》的演讲，将云计算融入东方科学和哲学思想的范畴，以整体论和系统论的观点，用中国人的慧性思维定义了云计算：云计算是以应用为目的，通过互联网将必要的大量硬件和软件按照一定的结构体系连接起来，并随应用需求的变化而不断调整结构体系，从而建立起来的一个内耗最小、功效最大的虚拟资源服务中心。
简言之，云计算就是把跟互联网有关联的有形和无形的资源串联起来而形成的一个平台，用户按照规则在上面做自己想做的事情。这也意味着，计算将越来越深入地变为一种服务，通过互联网，来自远方大量的计算能力将为本地所使用。文档、电邮和其他数据将会在线储存，或者更精确地说是储存在网络云上。
数字孪生需要将现实世界中的海量数据映射到镜像世界，并进行大量的计算，而这毫无疑问，需要建立在大规模云计算的基础上。可以说，云计算是体系级数字孪生分析的理想技术，而云计算体系结构则有利于大量连接设备的组织和管理，以及内部和外部数据的组合和集成。在云计算体系结构中，各种不同类型的存储设备可以通过应用软件一起工作，共同提供数据存储和业务访问服务。
2.大数据和机器学习
大数据，顾名思义，即大量的数据。大数据技术则是通过获取、存储、分析，从大容量数据中挖掘价值的一种全新的技术架构。
从数据的体量来看，传统的个人计算机处理的数据是GB/TB级别的数据，其中，1KB=1024B（KB-kilobyte），1MB=1024KB（MB-megabyte），1GB=1024MB（GB-gigabyte），1TB=1024GB（TB-terabyte）。例如，硬盘容量通常是1TB/2TB/4TB的。而大数据处理的是PB/EB/ZB级别的数据体量，其中，1PB=1024TB（PB-petabyte），1EB=1024PB（EB-exabyte），1ZB=1024EB（ZB-zettabyte）。
如果说一块1TB的硬盘可以存储大约20万张照片或20万首MP3音乐，那么1PB的大数据则需要大约2个机柜的存储设备，储存约2亿张照片或2亿首MP3音乐。1EB则需要大约2000个机柜的存储设备。当前正处于全球数据量仍在飞速增长的阶段，根据国际机构Statista的统计和预测，2020年全球数据产生量约47ZB，而到2035年，这一数字将达到2142ZB，全球数据量即将迎来更大规模的爆发。
除了体量之大，大数据的“大”还在于其发挥的价值之大。早在1980年，著名未来学家阿尔文·托夫勒在他的著作《第三次浪潮》中就明确提出：“数据就是财富。”大数据的核心本质就是价值。而机器学习就是一种重要的实现大数据价值的工具，其中，机器学习可以分为监督学习、无监督学习和强化学习三个主要类别。
（1）监督学习基于训练好的数据来构建算法，训练数据包含一组训练样例，其中的每个训练样例都拥有一个或多个输入与输出，并成为监督信号，通过对目标函数的迭代优化，监督学习算法探索出一个函数，可用于预测新输入所对应的输出。
（2）无监督学习只在包含输入的训练数据中寻找结构，识别训练数据的共性特征，并基于每个新数据所呈现或缺失的这种共性特征做出判断。
（3）强化学习是研究算法如何在动态环境中执行任务，以实现累计奖励的最大化。很多学科对这个领域有研究，如博弈论、控制论等，在自动驾驶、人类博弈比赛等方面比较常用。
因此，从本质上说，机器学习解决的正是大数据的优化问题与算法的优化问题。而机器学习算法又是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因此，机器学习总是和大数据相伴而生。
在数字孪生体中，物联网的一项重要作用就是收集来自物理世界的数据，这种数据往往具备大数据特征。数字孪生体使用这些数据的一种模式就是通过机器学习技术，在物理机理不明确、输入数据不完备的情况下对数字孪生体的未来状态和行为进行预测，尽管这种预测未必准确，但相比一无所知，这种预测仍具有价值。而且随着数字孪生体的进化，这种预测会越来越逼近真实世界的情况。
3.区块链
区块链在本质上是一个去中心化的分布式数据库，能实现数据信息的分布式记录与分布式存储，它是一种把区块以链的方式组合在一起的数据结构。区块链技术使用密码学的手段产生一套记录时间先后的、不可篡改的、可信任的数据库，这套数据库采用去中心化存储且能够有效保证数据的安全，能够使参与者对全网交易记录的时间顺序和当前状态建立共识。
通俗地讲，区块链就是由以前一人记账的模式，变成了大家一起记账的模式，让账目和交易更安全，这就是分布式数据存储。实际上，与区块链相关的技术名词除分布式存储外，还有智能合约、加密算法等。
区块链由两部分组成，一部分是“区块”，另一部分是“链”，这是以数据形态对这项技术进行的描述。区块是使用密码学方法产生的数据块，数据以电子记录的形式被永久储存下来，存放这些电子记录的文件被称为“区块”。每个区块都记录了几项内容，包括神奇数、区块大小、数据区块头部信息、交易数、交易详情。
每个区块都由块头和块身组成，块头用于链接上一个区块的地址，并且为区块链数据库提供完整性保证；块身则包含了经过验证的、块创建过程中发生的交易详情或其他数据记录。
区块链的数据存储通过两种方式来保证数据库的完整性和严谨性：第一，每个区块上记录的交易都是上一个区块形成之后，该区块被创建前发生的所有价值交换活动，这个特点保证了数据库的完整性：第二，在绝大多数情况下，一旦新区块完成并加入区块链后，则此区块的数据记录就再也不能改变或删除，这个特点保证了数据库的严谨性，使其无法被篡改。
链式结构主要依靠各个区块之间的头部信息链接起来，头部信息记录了上一个区块的哈希值（通过散列函数变换的散列值）和本区块的哈希值。本区块的哈希值又在下一个新的区块中有所记录，由此完成了所有区块的信息链。
同时，由于区块上包含了时间戳，区块链还带有时序性。时间越久的区块链后面所链接的区块越多，修改该区块所要付出的代价也就越大。区块采用密码协议，允许计算机（节点）网络共同维护信息的共享分布式账本，而不需要节点之间的完全信任。
该机制可以保证，只要大多数网络按照所述管理规则发布到区块上，则存储在区块链中的信息就可被信任为可靠的。这可以确保交易数据在整个网络中被一致地复制。分布式存储机制的存在，通常意味着网络的所有节点都保存了区块链上存储的信息。借用一个形象的比喻，区块链就好比地壳，越往下层，时间越久远，结构越稳定，越不会发生改变。
由于区块链将创世块以来的所有交易都明文记录在区块中，并且形成的数据记录不可篡改，因此任何交易双方之间的价值交换活动都是可以被追踪和查询到的。这种完全透明的数据管理体系不仅从法律角度看无懈可击，也为现有的物流追踪、操作日志记录、审计查账等提供了可信任的追踪捷径。
数字孪生体是典型的数字资产。在众多数字孪生技术应用的过程中，必然存在数字资产的交易。区块链提供的去中心化的交易机制就能很好地支持分布、实时和精细化地进行数字资产交易，因此其可以成为数字孪生体最佳的资产交易媒介。同时，该交易机制也能引入信任度，持续保持透明度，很好地支持数字资产交易生态系统的参与主体，包括数字资产的采集、存储、交易、分发和服务各个流程的参与者。最后，去中心化数据交易网络也需要在可扩展性、交易成本和交易速度方面有所突破，由此才能加速推动数字资产的商用化。
第三节 数字孪生的价值
一、数字孪生的五大特点
技术的集成成就了数字孪生的诞生，相较于其他单一的数字技术，数字孪生呈现出互操作性、可扩展性、实时性、保真性和闭环性五大特点，而这五大特点最终融合成数字孪生技术所拥有的优势——虚实映射和全生命周期管理。
（1）在互操作性上，数字孪生中的物理对象和数字空间能够双向映射、动态交互和实时连接，因此数字孪生具备以多样的数字模型映射物理实体的能力，具有能够在不同数字模型之间转换、合并和建立“表达”的等同性。
（2）在可扩展性上，数字孪生技术具备集成、添加和替换数字模型的能力，能够针对多尺度、多物理、多层级的模型内容进行扩展。
（3）在实时性上，数字孪生以一种计算机可识别和处理的方式管理数据，以对随时间轴变化的物理实体进行表征。表征的对象包括外观、状态、属性、内在机理，形成物理实体实时状态的数字虚体映射。
（4）数字孪生的保真性是指描述数字虚体模型和物理实体的接近性，要求虚体和实体不但要保持几何结构的高度仿真，而且在状态、相态和时态上也要仿真。
（5）数字孪生中的数字虚体是用于描述物理实体的可视化模型和内在机理，以便对物理实体的状态数据进行监视、分析推理、优化工艺参数和运行参数，实现决策功能，即赋予数字虚体和物理实体同一个大脑。因此，数字孪生还具有闭环性。
二、虚实映射和全生命周期管理
正是基于数字孪生的五大特点，加之社会需求的同频，使得数字孪生作为一种超越现实的概念，被视为一个或多个重要的、彼此依赖的、装备系统的数字映射系统，在近几年里热度不断攀升。
其中，虚实映射是数字孪生的基本特征，也是数字孪生价值的重要体现。虚实映射通过对物理实体构建数字孪生模型，实现物理模型和数字孪生模型的双向映射。这对于改善对应物理实体的性能和运行绩效无疑具有重要作用。
事实上，对于工业互联网、智能制造、智慧城市、智慧医疗等未来的智能领域来说，虚拟仿真是其必要的环节。而数字孪生虚实映射的基本特征，则为工业制造、城市管理、医疗创新等领域由“重”转“轻”提供了良好的路径。
以工业互联网为例，在现实世界中，检修一台大型设备需要考虑停工的损益、设备的复杂构造等问题，并安排人员进行实地排查检测。显然，这是一个“重工程”。而通过数字孪生技术，检测人员只需对“数字孪生体”进行数据反馈，即可判断现实实体设备的情况，达到排查检修的目的。
美国通用电气公司就借助数字孪生这一概念，提出物理机械和分析技术融合的实现途径，并将数字孪生应用到其旗下航空发动机的引擎、涡轮，以及核磁共振设备的生产和制造过程中，让每台设备都拥有一个数字化的“双胞胎”，实现了运维过程的精准监测、故障诊断、性能预测和控制优化。
闻名世界的雷神山医院便是利用数字孪生技术进行建造的。中南建筑设计院的建筑信息建模（Building Information Modeling，BIM）团队为雷神山医院创造了一个数字化的“孪生兄弟”，采用BIM技术建立雷神山医院的数字孪生模型，根据项目需求，利用BIM技术指导和验证设计，为设计建造提供了强有力的支撑。
近年来构建的数字孪生城市，更是引发了城市智能化管理和服务的颠覆性创新。例如，中国河北的雄安新区就融合地下给水管、再生水管、热水管、电力通信缆线等12种市政管线的城市地下综合管廊数字孪生体，令人惊艳；江西鹰潭“数字孪生城市”荣获2019年全球智慧城市大会的全球智慧城市数字化转型奖。
此外，由于虚实映射是对实体对象的动态仿真，也就意味着数字孪生模型有着一个“不断生长、不断丰富”的过程：在产品全生命周期中，从产品的需求信息、功能信息、材料信息、使用环境信息、结构信息、装配信息、工艺信息、测试信息到维护信息，不断扩展，不断完善。
数字孪生模型越完整，就越能逼近其对应的实体对象，从而对实体对象进行可视化、分析、优化。如果把产品全生命周期的各类数字孪生模型比喻为散乱的珍珠，那么将这些珍珠串起来的链子，就是数字主线（Digital Thread）。数字主线不仅可以串起各个阶段的数字孪生模型，还包括产品全生命周期的信息，确保在信息发生变更时，各类产品的信息能保持一致性。
在全生命周期领域，西门子借助数字孪生的管理工具——PLM（Product Lifecycle Management，产品生命周期管理）软件将数字孪生的价值推广到多个行业，并在医药、汽车制造领域取得了显著的效果。
以研发及生产葛兰素史克疫苗的实验室为例，通过“数字化双胞胎”的全面建设，使复杂的疫苗研发与生产过程实现完全虚拟的全程“双胞胎”监控，企业的质量控制开支费用降低13%，返工和报废率降低25%，合规监管费用也降低了70%。
从虚实映射到全生命周期管理，体现了对各个行业都能广泛应用的数字孪生场景。2018年发表的《数字孪生及其应用探索》一文，归纳了包括航空航天、电力、汽车、石油天然气、健康医疗、船舶航运、城市管理、智慧农业、建筑建设、安全急救、环境保护在内的11个领域45个细分类的数字孪生应用。[1]
这也使数字孪生成为数字化转型进程中炙手可热的焦点。Gartner和树根互联共同出版的行业白皮书《如何利用数字孪生帮助企业创造价值》中提到，2021年，半数的大型工业企业会应用数字孪生，从而使这些企业的效率提高10%；2024年，将有超过25%的全新数字孪生模型作为新loT原生业务应用的绑定项被采用。
三、为创新赋能
数字孪生同沿用了几十年、基于经验的传统设计和制造理念相去甚远，使设计人员无须通过开发实际的物理原型就可以验证设计理念，无须通过复杂的物理实验就可以验证产品的可靠性，无须进行小批量试制就可以直接预测生产瓶颈，甚至不需要去现场就可以洞悉销售给客户的产品的运行情况。
因此，这种数字化转变对传统工业企业来说可能非常难以改变和适应，但这种方式确实是先进的、契合科技发展方向的，无疑将贯穿产品的生命周期，不仅可以加速产品的开发过程，提高开发和生产的有效性和经济性，还能有效地反映产品的使用情况并帮助客户避免损失，精准地将客户的真实使用情况反馈到设计端，实现产品的有效改进。从这一角度来讲，数字孪生还将具有前所未有的创新意义。
首先，数字孪生通过设计工具、仿真工具、物联网、虚拟现实等各种数字化手段，将物理设备的各种属性映射到虚拟空间中，形成可拆解、可复制、可转移、可修改、可删除、可重复操作的数字镜像，这极大地加速了操作人员对物理实体的了解，从而“解封”了很多原来由于物理条件限制、必须依赖真实的物理实体才能完成的操作（如模拟仿真、批量复制、虚拟装配等），更能激发人们去探索新的途径来优化设计、制造和服务。
其次，数字孪生将带来更全面的测量。只要能够测量，就能够改善，这是工业领域不变的真理。无论是设计、制造还是服务，都需要精确地测量物理实体的各种属性、参数和运行状态，以实现精准的分析和优化。但是传统的测量方法必须依赖价格昂贵的物理测量工具，如传感器、采集系统、检测系统等，才能够得到有效的测量结果，而这无疑会限制测量覆盖的范围，对于很多无法直接采集的测量值的指标往往爱莫能助。
而数字孪生却可以借助物联网和大数据技术，通过采集有限的物理传感器指标的直接数据，并借助大样本库，通过机器学习推测出一些原本无法直接测量的指标。例如，利用润滑油温度、绕组温度、转子扭矩等一系列指标的历史数据，通过机器学习来构建不同的故障特征模型，间接推测出发电机系统的健康指标。
最后，数字孪生还将带来更全面的分析和预测能力。现有的产品全生命周期管理很少能够实现精准预测，因此往往无法对隐藏在表象下的问题进行预判。而数字孪生则可以结合物联网的数据采集、大数据的处理和人工智能的建模分析，实现对当前状态的评估、对过去发生问题的诊断，并给予分析的结果，模拟各种可能性，以及实现对未来趋势的预测，进而实现更全面的决策支持。
第四节 数字孪生蔚然成风
作为第四次工业革命的一个战略性的技术趋势，数字孪生技术正在逐渐走向成熟并成为主流技术，这从近年来市场对数字孪生的期待中可见一斑。
2016年，美国信息技术研究分析公司Gartner率先把数字孪生列入物联网超级周期。2017年，Gartner指出企业要“为数字孪生的冲击做好准备”，并认为“数字孪生已经融合了多种因素，数字孪生的概念成为一种颠覆性趋势，并将在未来五年乃至更长时间内产生越来越广泛和深远的影响”。Gartner在当时预测，到2021年，将有一半的大型工业公司使用数字孪生技术，从而使组织的效率提高10%。
2017年6月至7月，Gartner调查了美国、德国、中国、日本的已经提供物联网解决方案或正在推行物联网项目的202位受访者，并收集了有关IoT部署的最佳实践和开发IoT解决方案的策略信息。调查显示，数字孪生可以帮助缓解一些关键的供应链的挑战压力。例如，在缺乏跨职能协作或缺乏整个供应链的可见性上，数字孪生可以帮助供应链应对这些挑战。因此，对数字孪生的投资应以价值链为驱动力，以使产品和资产利益相关者能够以更加结构化和整体的方式来管理产品或资产。
此外，根据2017年埃森哲公司针对150家全球领先的通信、媒体、高科技、航空及国防行业的公司高管进行的调研显示，数字孪生已被大多数领先企业纳入中长期战略——90%的受访者的公司正在对其现有的或新的产品和服务进行应用数字孪生的可行性评估。大多数公司高管认为数字孪生先行者将实现30%的收入增长。埃森哲公司预测，数字孪生的技术应用将在五年内实现翻倍。
2018年，在Gartner预测的新兴技术炒作周期中，数字孪生成为炒作周期的顶峰。Gartner认为，数字孪生要用5～10年才趋于成熟。然而，事实是，数字孪生的成熟周期比Gartner预测的还要来得早一些。
基于此，2019年，Gartner对这一发展趋势做了一系列的调研和分析。2019年2月，Gartner发布的研究报告显示：数字孪生逐渐成为应用的主流，也就是说，数字孪生技术比预期更快地趋于成熟，并开始被更多领域重视和采用，特别是物流和供应链领域。
2019年9月，Gartner的分析师Alfonso Velosa团队发表了《市场趋势：软件提供商逐步服务于新兴的数字孪生市场》一文，研究了值得关注的软件提供商后指出：数字孪生是企业数字业务项目中迅速兴起和发展的一部分，技术和服务提供商需要建立其支持数字孪生的技术能力和产品组合，并加强其进入市场的战略谋划，以建立差异化的价值地位。
正如Gartner所认为的那样，数字孪生技术正在成为主流应用。2017年，数字孪生技术出现在Gartner新兴技术成熟度曲线的上升段；2018年到达曲线顶点；2019年未出现在曲线中，标志着它已不再是新兴技术，而是进入了主流技术行列。而且，数字孪生技术不是一般的新兴技术或主流技术，它从2017年到2019年连续三年入选Gartner十大战略技术趋势评选。战略技术趋势意味着具有重大颠覆性潜力的趋势，正在从新兴状态中发展壮大，有望产生更广泛的影响及应用范围，或者正在以巨大的波动性迅速增长，并预计能够在五年内跨越新兴技术成熟度曲线的低谷，到达成熟应用的平台期。
2019年2月，Gartner发布调查和预测，在实施物联网的组织中，有13%的组织已经在使用数字孪生体，而62%的组织正在建立数字孪生体或正在计划这样做。2022年，超过2/3的实施物联网的公司将使用数字孪生体。
2019年7月，Gartner发布数字政府技术成熟度曲线，“政府的数字孪生体”出现于曲线的起点；9月，美国首次召开智慧城市和数字孪生体融合研讨会；10月，在Gartner发布的2020年十大战略技术趋势中，第一项——超自动化（指通过多种机器学习、软件和自动化工具的打包组合来完成工作）就认为，在模型驱动的组织基础上，实现组织的数字孪生是获得超自动化全部收益的预先要求和前提。这些事件无不昭示着数字孪生已经开始进入深度开发和大规模扩展应用期。
2020年，在德勤发布的技术趋势报告中，数字孪生已成为认知和分析最重要的技术应用趋势。该报告引用Markets and Markets和IDC两家公司的研究数据，显示对数字孪生技术的探索已经展开：2019年数字孪生市场的价值为38亿美元，预计2025年这一数字将增至358亿美元。6年9倍多的增速，可谓是飞速发展。
2021年，据泰伯网不完全统计，有15家数字孪生、时空数据相关企业完成融资，总规模超10亿元，而此次统计仅限于智慧城市空间数据服务企业，不含智慧医疗等专业领域企业，部分未公开金额则未估算。
例如，2021年1月15日，全栈时空人工智能企业维智科技宣布完成4000万美元的A+轮融资，用于加强在时空人工智能领域的科技创新能力，加大核心时空数据和知识资产的建设和投入；3月，空间大数据公司星闪世图宣布完成近亿元的B轮融资，用于空间大数据与数字孪生产品技术的持续研发投入和全国范围内的空间数据智慧应用业务拓展；9月，装配式装修企业变形积木宣布完成B+轮1亿元融资，主要用于BIM智能化系统搭建与完善；10月，数字孪生平台提供商Data Mesh（北京商询科技有限公司）完成近亿元的B1轮融资，欲打造工业、建筑场景下的“元宇宙”；同在10月，飞渡科技完成近亿元的A轮融资，将专项用于数字孪生、BIM等关键核心技术的迭代研发及SaaS产品的推广等。
正如2020年德勤在技术趋势报告中指出的那样：“数字孪生发展势头迅猛，得益于快速发展的仿真和建模能力、更好的互操作性和物联网传感器及更多可用的工具和计算的基础架构等，因此各领域内的大小型企业都可以更多地接触到数字孪生技术。”IDC预测，到2022年，40%的物联网平台供应商将集成仿真平台、系统和功能来创建数字孪生体，70%的制造商将使用该技术进行流程仿真和场景评估。
可以说，得益于物联网、大数据、云计算、人工智能等新一代信息技术的发展，数字孪生的实施已经进入“快车道”，并逐渐被应用于制造业、交通、医疗等多个领域。物联网、大数据等前沿技术的发展打破了数据孤岛，把物理世界的数据快速传递到数字孪生世界。
数字孪生已经成为数字化的必然结果和必经之路。数字孪生所强调的与现实世界一一映射、实时交互的虚拟世界，也将日益嵌入社会的生产和生活，帮助实现现实世界的精准管控，降低运行成本，提升管理效率。
注释
[1]陶飞，刘蔚然，刘检华，等：《数字孪生及其应用探索》，《计算机集成制造系统》，2018年第24卷第1期，第1～18页。