摘要
作为数字化、智能化和服务化最重要的应用之一，数字孪生突破了物理实体在时间、空间、成本和安全性方面的限制，扩展和优化了物理实体的相关功能，提高了其应用价值。这一现象在学术界和工业界得到了广泛的研究。在本研究中，总结了不同产业领域的学者和研究人员对DT的概念和定义。解释了DT与相关技术之间的内在联系。确定了DT发展历史的四个阶段。该技术的基础，评价指标和模型框架进行了审查。随后，提出了基于时间、空间和逻辑的概念三元模型。介绍了典型DT系统的技术和应用现状。最后，分析了DT技术目前面临的技术挑战，并讨论了未来的发展方向。
介绍
数字孪生(DT)技术也被称为数字化身[1]，数字母版[2]，数字阴影[3】等。它是一种完成现实世界到数字世界的映射，并实现二者实时交互的技术。这项技术克服了真实环境因素的限制。它可以将现实世界的相关功能延伸到数字世界，并反作用于现实世界。目前，DTs有三个特征[4]: (1)实物各种特征的数据融合和实物的高保真实时测绘；(2)在物理对象的整个生命周期中的共存和共同进化；以及(3)物理对象的描述、优化和控制。
DTs起源于美国军事航天工业。现在已经扩展到交通运输、工业生产、智能教育等行业领域。它们有助于模拟、监测、评估、预测、优化、控制和其他应用。如图所示。1，DT技术与多种技术有很强的相关性。DT被视为实现企业数字化转型的关键技术，也是业界和学术界关注的热点技术。
图一
DT及相关技术
虽然DT的概念已经存在很多年了，但是直到最近几年才引起人们的注意。2019年，在“第三届数字孪生与智能制造服务学术会议”上的学术交流展示进一步促进了各领域学者对DTs相关理论和技术的思考].2021年，首届数字孪生技术国际会议和首届数字孪生模型驱动工程国际研讨会召开。
本研究对DT技术及其应用的研究进行了分析和综述。在“DT的概念”一节中，给出了不同领域中DT的定义。解释了DT与其他相关技术的联系和区别。在“DT的演变”部分，阐明了DT发展的四个阶段和主要过程。在“数据挖掘的技术体系”部分，介绍了数据挖掘的技术基础、评价指标、模型框架和应用，提出了数据挖掘的时间、空间和逻辑模型(TSL模型)。最后，从DT技术和应用研究的角度分析了面临的挑战和未来的发展趋势。
DT的概念
DT是一个新兴的技术概念，它首先具有继概念之后的实用性。DT展现了跨技术领域、跨系统集成和跨行业集成的典型特征。这项研究的技术范围很广。计算机辅助技术、模拟系统、扩展现实(XR)、元宇宙和其他技术之间有很强的相关性和连续性。
DT的定义
DT的概念是由Grieves和Vickers提出的7]在2013年，从那以后，DT的定义激增，如表中所列1。然而，广泛的DT系统排除了DT的统一定义的发展[8].研究人员主要从一个或多个角度来定义DT，如模型、数据、链接和功能。
表1 DT的定义
美国国家航空航天局在2012年从以模型为中心的角度将DT定义为物理设备或物理系统的多尺度集成模拟，充分利用虚拟模型、实时传感器数据和历史数据来绘制设备或系统的整个生命周期过程[9.里奥斯等人[19]将这一概念引入产品设计过程，并将DT扩展到一般工业领域。韩20]总结了相关文献将DT定义为描述物理实体全生命周期信息的数字模型，包括数字体素与物理实体之间的精确映射关系。格里夫斯和维克斯7认为DT不仅需要产品在宏观几何水平上的虚拟映射，还需要关于实际制造产品在微观原子水平上的所有信息。
2013年，Lee等人从以数据为中心的角度对DT进行了定义[10]作为一种方法，使用数据驱动的分析算法和其他物理模型来模拟实体的操作状态。这可以描述为一个由感知、存储、同步、合成、服务组成的5S系统。
庄等人从以功能为中心的角度对DT进行了定义12]谁在原定义中增加了一个DT的主要功能，强调一个产品的DT必须实现物理实体在虚拟空间的全要素数字化映射，对物理实体的反馈进行模拟、预测、控制。聂等[17]将DT定义为产品实体的精确数字描述。基于数字模型的模拟实验可以更真实地反映物理产品的特征、行为、形成过程和性能。通过关联和映射实时收集的数据来识别、跟踪和监控产品，DT可以与现实进行交互。同时，DT可以预测和分析模拟对象的行为，诊断故障和发出警告，定位和记录问题，并实现最优控制。
罗森等人从以连锁为中心的角度对DT进行了定义11]他认为DT不仅包含大量的数字产品，还应该拥有一个良好的架构，以便所有组件都可以连接起来。
总结一下DT的概念和理解，DT在TSL被定义为物理世界的数字地图。这反映了实体的组成和结构，实体与外部环境的关系，以及实体在数字世界中的发展过程，从而能够获取实体的当前状态，预测实体的后续变化，并指导实体的操作。
DT技术连接
DT技术与计算机辅助技术、虚拟仿真、XR和元宇宙技术密切相关，它们在技术重点上有许多共同点，但也有差异。
数据挖掘与计算机辅助技术的结合
计算机辅助技术包括计算机辅助设计(CAD) [15, 16, 21]、计算机辅助工程(CAE) [22]，以及其他使用计算机和图形设备来帮助设计者进行快速检索、编辑和处理、解决方案比较以及其他相关任务的方法。
计算机辅助技术有许多与DT技术相同的技术要求；然而，也有显著的差异。CAD/CAE和DT模型都需要达到高保真度、可靠性和准确性。CAD/CAE模型可以是二维或三维的，而DT模型必须是三维的。CAD/CAE模型通常是静态的，仅限于项目的某个过程，而DT模型则用于整个系统生命周期。CAD/CAE模型用于验证产品性能、模拟制造过程和验证设计可行性，无需交互，而DT模型在数据反馈和控制方面是交互式的，可用于增强传统的产品设计和开发过程。
DT与虚拟仿真技术的结合
虚拟仿真技术[23,24,25,26]是一个用于创建和体验虚拟世界的计算机系统。虚拟模拟可以是真实世界的复制，也可以是真实世界的独立概念。
虚拟仿真是DT的核心技术之一，但与DT有着本质的区别。模拟技术部分地再现了离线的真实世界，主要是在研究和设计阶段。它们通常不执行分析或优化功能。而DT实时反映了物理对象的状态变化，可以用来分析和预测物理实体的决策优化功能。模拟技术依靠模型和数据来绘制物理世界的属性和参数。DT必须实时感知、诊断和预测物理实体的状态，以优化它们。
DT与XR的关联
XR [27, 28]是由计算机技术和可穿戴设备产生的基于人机交互的虚拟现实(VR)环境。XR是VR的通称[29, 30]，增强现实(AR) [31, 32]，以及混合现实[33].VR是使用设备模拟完全虚拟的数字世界，如VR眼睛和游戏手柄，为用户提供视觉和听觉感官体验。AR是一种结合现实世界和虚拟场景的综合技术。通过将来自真实世界的特定图像或信息植入到程序中，并通过升级、补充和渲染内容，由计算机处理的信息用于模拟特定场景并覆盖到真实世界的图像上。
XR通过虚拟与真实环境的融合来提升用户体验，而DT则伴随着流程的整个生命周期，从而专注于实体的发展变化，与现实形成闭环。
DT与元宇宙的关联
元宇宙的概念[34]尚未被普遍定义，尽管人们对元宇宙的兴趣在2021年爆发，这通常被认为是元宇宙研究的第一年。元宇宙是一个新兴的交叉领域，涉及哲学、经济学、管理学、教育学和计算机科学等35,36,37].
元宇宙小组的参与者是真实的人，他们充满活力，高度文明，具有社会互动性。元宇宙的对象是真实对象的数字模拟，以及没有真实对应物的特殊对象。DT是对开发的整个生命周期的模拟，关注于虚拟-真实的交互，其中每个数字对象都有相应的客观对应物。
因此，DT技术与上述四个密切相关、相辅相成的领域密切相关。
DT的演变
DT起源于航天工业。随着新一代信息技术的发展，DT经历了技术探索、概念形成、应用萌芽、行业渗透四个发展阶段(图。2).
图2
DT的演变
技术探索阶段
双胞胎技术的最初发展包括建立物理实体的双胞胎，以评估、诊断和预测物理实体。1970年，美国国家航空航天局发射阿波罗13号后，宇宙飞船经历了严重的故障。为了一次成功的救援行动，在地面上建立了物理复制系统，以配合航天器，并为每次任务情景培训宇航员和任务控制人员38].然而，这种方法有三个主要缺点:(1)物理实体是严格唯一的。因此，不能保证物理实体和物理双胞胎之间的完全一致性；(2)创建物理实体的双胞胎是昂贵的，导致物理双胞胎的高试错成本；以及(3)物理实体与双胞胎之间的实时交互较差。因此，不能实现对物理实体的状态变化的快速响应。
随着计算机及相关技术的发展，研究人员试图构建数字虚拟实体，通过反馈来改善物理实体的性能。1970年，美国国家航空航天局为阿波罗计划建造了一个半DT系统，为太空探索培训人员和排除故障。在训练过程中，任务控制台和驾驶舱是从航天器复制的物理实体，而指令舱、登月舱和其他设备是通过多次计算机模拟创建的数字虚拟对象。虽然由于当时技术的限制，该系统不能完全数字化，但这仍被认为是DTs的最早应用[39]尽管当时DT技术还没有广泛应用。
概念形成阶段
DT的概念是由密歇根大学的Grieves教授首先提出的。他的DT概念和相应的模型在引领这项技术的发展方面非常重要。
2002年，格里夫斯教授提出了创建实体产品、虚拟产品以及它们之间的数据接口。这是DT在产品生命周期管理背景下的一个愿景。在2003年，Grieves教授提出了虚拟数字表示的概念，相当于物理产品[7].在2003年至2005年期间，Grieves教授将这种观点称为“镜像空间模型”[40].从2006年到2010年，“信息镜像模式”[41]被用来描述这一愿景；然而，直到2011年，格里夫斯教授和美国国家航空航天局专家约翰·维克斯共同命名了数字双胞胎。两位研究人员考虑到当时的实际情况，提出了结合真实空间、虚拟空间以及它们之间的数据流连接的DT 3D模型[42].尽管Grieves教授积极探索DTs及相关技术，但由于当时物联网(IoT)和数据处理技术的限制，很少有研究人员专注于DT相关技术，限制了广泛的实施和使用。
应用萌芽阶段
自2010年以来，DT技术应用已在工业中出现。如图所示。3典型的工业应用主要是系统操作、实体管理和制造。
图3
DT应用。a数字伴飞；b数字工厂
DT的第一个应用是在航空系统的操作控制中。2010年，美国军方基于DT技术为F35实施了数字伴随飞行，以降低飞机维护和使用成本。2011年，美国空军研究实验室将DT技术引入飞机健康控制，并取得了重大成果[9, 43].2015年，通用电气为客机发动机建立了一个双模型，以实现实时监控和预测性维护。
DT的第二个应用涉及大型设备的物理管理。2017年，通用电气使用DT技术实现了设备和流程的虚拟检查和模拟，以更好地管理实体，如电厂和涡轮发动机。同年，西门子公司将DTs集成到工业互联网之上的资产管理、产品生命周期和制造流程中，以实现多个DT系统的闭环优化和调度。
DT的第三个应用是复杂设备制造的交互设计。2017年，达索使用DT技术实现产品交互设计、测试和优化，允许设计师和客户在产品创建之前预测产品的效果，从而改进基于数字对象的产品[44, 45].
在美国国家航空航天局和通用电气、西门子和达索等公司的推动下，DT技术正在工业制造业中迅速发展。
行业渗透阶段
随着计算机和网络技术的进一步发展，DT的应用逐渐扩展到各个行业，并有研究成果发表。高德纳咨询公司将其列为2017-2019年十大战略技术之一。与此同时，与DTs相关的国家政策、行业应用和标准化也应运而生。4).
图4
DT的政策支持和行业渗透
在国家政策上，美国将DT作为实施工业互联网的核心载体，重点在军事和大型装备领域应用。德国推动工业4.0架构下的资产管理外壳，专注于制造业和城市管理的数字化。联合王国建立了数字建筑联合王国中心，以DT城市为目标，创建国家双胞胎。2020年，美国工业互联网联盟和德国工业4.0平台联合发布了DTs白皮书，将DTs纳入工业物联网技术体系。自2019年以来，中国政府发布了多个相关文件，以促进DT技术的发展。“十四五”规划明确提出，要实现数字中国的建设，必须发展数字技术。DT技术被列为智能制造十大技术进展之一[46].
在工业方面，微软与Ansys合作，将DT功能模块扩展到Azure物联网平台。西门子基于集成主流产品和系统的工业互联网平台构建了完整的DT解决方案系统。Ansys依靠DT技术对复杂产品对象的整个生命周期进行建模，同时通过模拟分析打通从产品设计开发到生产的数据流。阿里巴巴聚合了来自城市的多维数据，构建了“城市大脑”智能双胞胎平台，为智慧公园提供了集成解决方案，并在杭州萧山区实施。华为发布了Wotu digital twin平台，为5G + AI赋能的城市场景和商业打造数字化创新模式。
在标准化方面,为了促进DT标准的构建和启动概念验证项目，ISO、IEEE、IEC和ITU等国际标准化组织已经建立了技术委员会和工作组。为了更好地促进DTs的国际标准化，ISO/TC184/SC4的WG15开发并验证了面向制造业的DTs系统的一系列框架标准。2020年，ISO/IECJTC1成立了WG6数字孪生工作组。几乎与此同时，工业互联网联盟成立了一个关于DTs的特设小组。
DT的技术体系
基于对分布式系统发展历史和概念的分析，确定了分布式系统具有四个典型的技术特征:虚实映射、实时同步、共生进化和闭环优化。研究人员已经积极探索各种领域来实现用于不同类型任务的DT系统。
DT技术基础
数据采集和传输技术
DT是物理实体系统的实时动态超现实映射。实时数据采集、传输和更新在DTs中起着至关重要的作用。各种类型的众多分布式高精度传感器处于整个twin系统的最前沿，在整个twin系统中起着基本的传感作用。传感器的分布和传感器网络的构建基于快速、安全和准确的原则，由此分布式传感器用于收集系统上的各种类型的物理量信息以表征系统状态47].
传感器返回的数据越精确，DT系统的模拟就越好，从而产生更精确的模拟状态和效果。DT交互是一个多维度、多时间尺度的耦合过程，最终目标是通过虚拟环境控制现实。然而，多源传感器之间编码格式的差异，使得相互融合过程中难以避免数据错误。
目前，DT系统中数据采集的具体困难是传感器类型、精度、可靠性和工作环境受到当前技术发展水平的限制，从而限制了数据采集方法。数据传输的关键因素是实时速度和安全性。然而，网络传输设备和网络结构受到当前技术水平的限制，无法满足更高水平的传输速率。实际应用中也要注意网络安全。
生命周期数据管理
复杂系统的整个数据存储和管理为DT系统提供了重要的支持。用于分布式管理海量系统运行数据的云服务器能够实现高速数据接收和安全冗余备份，为智能数据分析算法提供充足可靠的数据源，对维护整个DT系统的运行起着重要作用[48].通过存储系统的整个生命周期数据，可以为数据分析和呈现提供足够的信息，使系统能够执行历史状态回放、结构健康退化分析和任何历史时刻的智能分析的功能。大量的历史数据也为数据挖掘提供了丰富的样本信息，利用这些样本信息可以在数据分析结果上获得许多未知但潜在有价值的信息，对系统机制和数据特征有更深刻的理解和认知，实现DTs的超现实属性。
实施全生命周期的数据存储和管理需要借助服务器进行分布式存储。由于DT系统需要大量的实时数据，优化数据分发架构应该是主要任务，以保证存储和检索方法的实时和可靠的数据读取性能，这是DT系统应用中的一个挑战。从设备方面考虑行业的数据安全和信息保护，构建以安全私有云为核心的数据中心或数据管理系统是目前比较可行的技术方案。
高性能计算
DT系统复杂功能的实现在很大程度上依赖于计算平台。实时性能是DT系统性能的重要指标。优化数据和算法结构以提高系统的任务执行速度对于保证系统的实时性是非常重要的。在DT应用中，重要的是考虑系统计算平台的综合性能、数据传输网络的时延、云计算平台的计算能力，设计满足系统实时分析和计算要求的最优系统计算架构。平台数字计算能力的高低直接决定了系统的整体性能，无疑也是整个系统的计算基础。
虚拟建模与仿真技术
高保真虚拟建模技术是DTs的“灵魂”。动态模拟反映了DT是一个跨越整个产品生命周期的动态过程的事实。DT的高保真虚拟建模和动态仿真旨在尽可能地还原计算机中相关实体的各种几何规则和物理特性。
对于高保真的虚拟建模和动态仿真，首先需要多领域、多维、多时间尺度、高精度的模型数据融合。第二，系统必须能够实时监控仿真过程，并获得反馈数据，以完成自我更新和优化。多域建模是另一个重要方面，是指在正常和异常操作条件下，从不同域的角度对物理系统进行跨域融合建模。多领域建模实施从最初的概念设计阶段开始，以在深层机制水平上理解和建模融合设计[49].
大多数当前的建模方法涉及特定领域的模型开发和成熟。集成和数据融合方法随后被用于将来自不同领域的独立模型融合成一个全面的系统级模型。然而，这种融合方法没有足够的集成深度，缺乏合理的解释，限制了深度融合不同领域模型的能力。多域融合建模的难点在于多个特征的融合导致系统方程的自由度较大，而传感器采集的数据需要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。
其他关键技术
DT系统的特点是参数多、数据冗余大、噪声类型复杂且不可避免。这些参数具有强耦合性、非线性和时变性，直接影响数据质量，而数据质量是建立DT模型的关键。因此，迫切需要开发高效的大数据处理技术。
DT系统的可视化技术被认为是理解决策有用信息的最有效手段，在构建DT系统中具有相当重要的意义。传统的可视化方法很难直接应对爆炸式增长的大数据，及时有效地表达隐藏在数据中的意义和价值。
人工智能技术推动了DT技术的发展。考虑到商业和工业大数据的本质区别，在工业数据的定量分析中应考虑智能方面，如异常或故障状态模拟和注入，以在很少或没有样本的情况下增强深度学习。所有这些方面都是当前在数据生成、数据分析和建模方面的研究特征或挑战。
DT评价指数
随着DT技术的发展，DT模型变得更加多样化，对DT模型性能的透明性提出了更高的要求。然而，主要问题是缺乏系统的评估理论和方法来指导DT模型的构建和验证、运行和管理、重构和优化、迁移和重用以及流通和交付。这一问题使得对DTs模型的质量、性能、适用性、共生性、适应性和价值的分析和量化变得困难，严重阻碍了DTs的深入推广和应用。
张、陶50遵循科学性、概括性、可比性和可操作性的原则，提出了可量化的、有针对性的评价指标体系的构建。DT模型的有效性、一般性、效率、直观性、连接性、整体性、灵活性和智能性被确立为评估标准。评价指标体系由1个总指标、8个二级指标和29个三级指标组成，如图。5.
图5
DT模型评价指标体系[50]
陶等[51]统计分析了与DTs相关的现有理论研究和应用实践。DTs根据其功能和用途分为以下六类:(1)基于DT的物理实体设计验证和等价分析，(2)基于DT的物理实体操作过程可视化和监控，(3)基于DT的物理实体远程操作和维护控制，(4)基于DT的诊断和预测，(5)基于DT的智能决策和优化，以及(6)基于DT的物理实体全生命周期跟踪、追溯和管理。通过分析上述类型的数据挖掘研究和应用的共性，根据不同的连接交互方法和自动化程度，数据挖掘被分为六个成熟度等级。6).
图6
DT机器人成熟度评估[51]
张等[52]提出了DT shop模型的一致性评价方法，考虑了模型组装前后和模型融合两个主要阶段。在模型组装和融合之前，讨论了几何、物理、行为和规则模型的一致性评估方法。在模型组装和融合之后，研究表明如何确定引入的关系是否正确和准确。使用层次分析法对DT shop模型进行综合评价(图。7).
图7
多维模型的一致性评价方法
DT模型框架
DT框架研究始于2015年。卡夫[53]为美国空军提出了一个DT分析框架，在飞行器的整个生命周期中提供工程分析能力和决策支持。DT将物理建模和实验数据结合起来，在武器系统装备和操作的每个阶段生成系统的权威数字表示。齐等[54]通过研究制造商如何以服务的形式使用DTs的各种组件，阐释并强调了制造服务中的DTs框架。马利克和比尔伯格[55]提出了一个框架来支持人机协同设计和构建控制的DT框架。肖等[56]针对基于智能制造的战略企业场景，提出并探索了基于DT系统的建模理念、方法论思想、理论框架。
北京航空航天大学数字双胞胎研究团队创建了五维DT模型[13, 57,58,59,60,61,62,63]基于格里夫斯教授的三维模型[42].五维DT模型用等式表示。1:
MDT=(PE,VE,Ss,DD,CN)
(1)
其中PE指的是真实的物理实体；VE是指使用计算机创建的虚拟设备；Ss是指DT提供的服务；DD指各类传感器采集的数据；而CN指的是组件之间的连接(图。8).
图8
五维DT模型[42]
M暗行扫描(Dark Trace)是不同领域中不同应用程序的通用参考架构。徐[64]将五维模型应用于DT车间制造过程的提议的基于边缘计算的动态调度模型(ECDTJ-DC模型),以及数据收集和分析模型和动态调度知识模型，两者都基于用于DT车间的ECDTJ-DC。陶等[13]使用DT框架来了解降级和异常事件，提前预测未知事件。因此，与复杂产品相关的服务被提供给用户和制造商，包括九个类别中的服务(图。9).
图9
与复杂产品相关的服务[13]
根据当前的分析和实际需要，提出了DT的TSL三元模型(图。10).该模型在TSL模型的基础上使用了DT理论框架的概念。
DT=(T,S,L)
(2)
其中T指反映对象发展的整个生命周期的时间元素，包括不同时间点的白、灰、黑数据；s是指空间元素，反映物体的组成和结构，包括几何结构及其位置关系模型；l是指反映对象与外部环境关系的逻辑元素，包括用户根据需要和经验设定的机制和规则模型；(T，S)指空间和时间的结合，反映物体的运动；(T，L)指反映物体演化的逻辑和时间；(S，L)是指反映对象存在方式的空间和逻辑。
图10
DT的TSL模型
DT的目的是获取系统的当前状态，预测系统的后续变化，指导其运行。根据DT的用途，可以衍生出六种功能:(1)仿真:虚拟测试、虚拟验证和操作预览；(2)监控:运行监控、状态监控和故障诊断；(3)评价:绩效和状态评价；(4)预测:质量、故障、性能和寿命预测；(5)优化:设计、配置、性能和过程优化；(6)控制:操作、远程和协同控制。
五维DT模型是在一个DT工作坊中衍生出来的，并逐渐扩展到其他应用领域。这为DTs在不同领域的应用支持提供了一个通用的参考模型。然而，该模型缺乏模型类型的分类和细化，并且不能反映模型随时间的变化。TSL三元模型是从真实对象的空间模型(如几何结构和位置关系)和逻辑模型(如机制和规则)导出的虚拟模型。TSL三元模型强调模型的时变性，使其更符合实际情况，以便在数字世界中充分刻画物理世界。
案例:DT炼铁高炉
高炉冶炼是钢铁生产中的重要工序。高炉内部由气、粉、液、固四相组成。加上复杂的热量、质量和化学反应，高炉被认为是最复杂的冶金反应器之一。高炉的运行状况对企业的安全生产、降本增效起着重要的作用。在高炉冶炼领域，仍然存在许多挑战:(1)基于机理、数据驱动和几何模型的三元表达，建立高炉复杂内部的高精度DT；(2)为具有众多传感器和大量历史运行数据的大型高炉结构建立工业锅炉DT实例库；(3)高炉状态监控的可视化和实时交互的改进。
作者应用新一代信息技术建立了钢铁公司项目炼铁高炉的DT模型(图。11).空间模型是严格按照设计图纸和现场实地测绘，通过科学计算按同等比例制作的。在逻辑模型中，建立了炼钢过程中的传热、传质、化学反应以及焦炭、煤和燃料配比的规则模型。在时间模型中，保存不同时间节点的白色、灰色和黑色数据。该系统实现了钢铁冶炼模拟、钢铁冶炼运行监控、高炉状态评估、钢铁冶炼质量预测、冶炼原料配置优化和冶炼过程协同控制等功能。
图11
基于TSL模型的DT高炉
数据传输应用系统
目前，DT技术广泛应用于航空航天、桥梁建设、交通运输、医疗保健、智能制造、人机协作、金属冶炼、物理网络、能源、电力以及培训和教育行业。
杨等[65]将DT系统的服务类型分为三类:设备/组件、生产线/流程和工厂/城市。DT系统的体系结构也可以分为单元级、系统级和系统的系统级。基于制造单元构建单元级DT系统，包括虚拟制造对象和资源。系统级DT系统是通过通信网络将多个制造单元组合起来而构建的。通过智能平台连接系统级和单元级DT制造系统，构建系统级的系统级。
考虑到应用程序需求的焦点，根据DT对象覆盖的范围将DT分为三类:单元级、过程级和系统级DT(表2).
表2数据挖掘应用系统的研究现状
单元级DT
单元级DT是为单个零件和产品设计的。用户创建他们的DT来执行虚拟测试和性能预测，以提高设备的安全性和可靠性。单元级DTs通常用于以下应用:
宇宙空间
Tuegel等人[43利用高性能数值计算进行重新试验的飞机结构寿命预测。提出了一种用于飞机结构寿命预测和结构完整性验证的概念DT模型。李等[66通过建立飞机机翼的诊断和预测概率模型来预测和可视化疲劳裂纹扩展。拜耳等人[67]开发了动态系统的元建模方法，生成可用于快速随机分析和动态实时实验的模型。米尔沃特等人[68]针对机身DT及其实际等效物的可靠性、安全性和经济性，对关键部件位置进行了断裂概率处理。
桥梁工程
Omer等人[69]提出了一种桥梁检测方法。这些桥梁是用激光雷达数字化的。利用虚拟现实技术对一座典型的圬工桥进行了案例研究。Shim等人[70]提出了新一代桥梁预防性维护系统。DT模型用于更可靠的决策制定。基于3D信息模型的维护信息管理系统与使用图像处理的数字检查系统相结合，通过不断交换和更新来自每个利益相关者的数据。
运输
文卡特桑等人[71]使用MATLAB/Simulink软件创建了一个智能DT，以前用于电动汽车电机的健康监控和预测分析。谢尔巴等人[72]将DT应用于车辆碰撞检测。将基于损伤理论的GISSMO故障描述方法应用于整车模型，获得了与高应变率下全尺寸碰撞试验的良好相关性。Korostelkin等人[73]开发了DT车身，降低越野车车身-质检成本。考虑了局部和整体车身刚度、强度约束和碰撞安全要求。
卫生保健
DT和医疗保健相结合，提供了一种新的高效的医疗保健提供方法。然而，实现患者整个生命周期的个人健康管理以及将医疗保健的物理世界与虚拟世界相结合以实现真正的智能医疗保健仍然是精准医疗时代的两大关键挑战。刘等[74]为基于DT的云健康系统提出了一个新颖、通用且可扩展的框架，用于监控、诊断和预测个人健康的所有方面。Pizzolato等人[75]讨论了实时神经肌肉骨骼系统模型与肌肉骨骼组织有限元的集成。在这项研究中，开发了神经肌肉骨骼系统的模型，以优化肌肉刺激模式，跟踪功能改善，监控安全性，并在基于运动的康复过程中提供增强的反馈。
流程级DT
过程级DT系统包括由多个零件或产品组成的过程的开发。用户创建DT并使用DT模型进行模拟和控制，以提高性能，如可控性和可视化。流程级DTs通常用于以下应用:
智能制造
制造业已经脱离了纯粹的物理-机械加工，进入了一个物理世界和数字世界交互和迭代的时代[76, 77].因此，需要整合物理和数字制造空间。DT技术的发展促进了这一目标的实现12, 78].刘等[79]采用DT对船用柴油机生产过程进行评价，以提高产品质量，缩短开发周期。开发了三项核心技术:加工数据与工艺设计信息的实时映射机制，基于DT的加工工艺评价框架的构建，以及由DT数据驱动的工艺评价。劳赫和彼得日克[80]将DTs引入高强度钢带的制造过程。设计了由加热炉、除鳞机、轧机、层流冷却和卷取机等基本设备组成的虚拟轧制线。耶拉和皮拉[81]提出了一种新的装配线布局，利用虚拟工厂仿真工具打破传统的汽车制造流程和布局。基于一个DT，董等[82]提出了层次功能回溯产品再设计方法的关系功能模型。
人机协作
Oyekan等人[83]调查了使用虚拟环境开发人-机器人协作策略的有效性，以应对人-机器人协作过程中不可预测的事故。马利克和比尔伯格[55]提出了一个DT框架来支持人机协作的设计、构建和控制。比尔伯格和马利克[84]设计了一个柔性装配单元的DT，使机器人能够协作完成装配任务。胡85]通过双向数据流和实时优化开发了具有实时交互式信息增益和可视化模板的DT，以减少感觉运动过程的不确定性。Lee等人[86]开发并测试了DT深度强化学习(DRL)方法，以探索DRL在机器人施工环境中适应性任务分配的潜力。李等[87]提出了一个基于DT的安全控制框架和相应的控制方法来测试和分析潜在的安全隐患。
金属冶炼
古普塔和巴苏[88]使用DT不断生成新数据，以深入了解铝厂绩效、预测潜在挑战、建议操作补救措施并生成过程控制。Llamas等人[89]使用锌生产的模拟模型来评估不同加工路线的材料回收、资源消耗和环境影响。
物理网络
戴和伯恩斯90]提出了一种基于DT的在线自适应方法，用于长寿命、不间断的信息物理系统可靠性问题。DT模型和历史数据用于实现实时调优。Arafsha等人[91]创建了一个物理设备的DT，在网络世界中镜像它们的属性和感官信息，以便进行实时分析。董等[92]在中心服务器上使用真实web环境的DT进行离线训练，优化用户关联，完成资源分配。
系统级DT
系统级DTs涵盖了实体存在和发展的完整过程。用户创建他们的DT，并将其用于模拟、预测和调度，以提高twin系统的可控性和可视化。流程级DTs通常用于以下应用:
智能工厂
索德伯格等人[93]调查了DTs在产品开发和生产工程中的应用。通过实时仿真实现了生产过程的控制和优化。Sierla等人[94]使用DT来开发装配计划和协调生产资源。方等[95提出了一种新的基于DT的作业车间调度方法，以实现实时、准确的调度。Longo等人[96]使用DT技术来控制制造系统的生产成本和过程质量。张等[97]为DT驱动的智能商店提出了一个动态资源分配模型，以实现实时数据收集和动态模拟。
培训和教育
DT技术为用户提供了在现实世界中不可能实现的新体验。尼古拉耶夫等人[98]创造了一个真正产品的DT。还开发了基于真实案例研究的创新产品设计课程。金等人[99]利用DT技术将现实世界融入VR，在移动平台上实现了基于VR的高效教与学。Toivonen等人[100]为灵活制造系统创建了一个通用的学习环境，使学生能够熟悉全自动生产系统，在虚拟环境中开发和测试程序。Verner等人[101]提出了集成机器人、DTs、虚拟传感器的互联环境。
能源动力
陶等[58]使用DT技术来预测和管理风力涡轮机的健康状况。Biglarbegian [102]使用DT完成高频功率转换器中GaN器件的可靠性检测。周等[103]完成了电网在线分析，用于开发新的实时在线电网分析系统。周等[104]建立了基于DT技术的实时在线分析平台，缩短电网在线分析周期。何等[105验证了基于DT的电力系统趋势分析的可靠性。弗朗西斯科等人[106]开发了基于战略周期的每日建筑能源基准，使用智能电表功率数据来量化与传统年度能源基准战略的差异。
智能交通
Kumar等人[107]构建了一个智能基础设施系统，通过为当前交通状况创建一种形式的DT模型，填补了车辆感知的空白并扩展了视野。地面实况数据是使用航空图像和地球观测方法生成的，以评估DT模型的空间准确性和召回率。
结论
DT作为单元、过程和系统的数字表示。这使得不同的阶段能够联系起来，从而提高效率，降低失败率，并缩短开发周期。DT提供了一种观察、识别、理解、控制和改造物理世界的新的有效手段。
尽管DT具有战略重要性，但对于任何行业的组织来说，设计DT系统仍然是一个复杂的过程。DT描绘的美好前景与工业和装备的现实技术水平之间存在巨大差距。在本研究中，分析了与DT技术相关的应用研究，得出的结论是存在三个主要挑战:
- (1)
必须加强DTs的虚拟建模技术。在任何类型的行业中，DT工程都是一个复杂的过程。它不仅包括物体的几何结构和位置关系的空间建模，还包括这些实体的机械和规则模型的逻辑建模。这个发展过程需要不同工程领域的跨学科合作。然而，不同领域的学者对同一实体的理解存在差异，多领域专家的协作程度对DT与物理实体的一致性有显著影响。此外，每个领域都有专门的工具和平台，如MATLAB中的Simulink、ANSYS中的Twin Builder、微软中的Azure和达索中的3D Experience。然而，来自不同领域的工具和方法的结合是不够的。目前，缺乏在整个数字生命周期中有用的整体和收敛的虚拟建模技术和工具。
- (2)
对DTs的评价标准应该更加严格。根据创建方法的不同，可以为同一对象生成多种类型的DTs。一些学者对DTs的评价标准进行了积极的探索50, 51].然而，评估现有DT发展程度、明确DT建设方向以指导升级和优化的系统仍然缺乏。
- (3)
必须加强DTs的理论基础。虽然近年来DTs受到了相当大的关注，但这是一个新兴的研究方向，概念是在实践之后才发展起来的。然而，在发展过程中往往依附于信息技术、大数据、人工智能、物联网的“先实践，后概念”的新兴研究方向，在研究中缺乏相关的理论基础。研究成果直接应用于各种工程实践108].这种做法虽然有助于推广DT技术，但缺乏理论基础。
DT技术在智能制造和设备维护方面有很好的前景。它逐渐受到军用和民用领域的关注，包括机器人、航空航天、新能源等行业。所有这些部门都开始探索DTs的技术体系、关键技术和应用潜力。
预计DT的未来发展趋势将遵循两个方向:
- (1)
相关技术的集成。DT技术的实施依赖于工业信息系统、人工智能、大数据和其他技术。然而，尽管这些技术发展迅速，但DT技术仍然活跃且不断涌现。在DTs中更好地利用其他相关技术的研究成果将是未来的主要研究方向之一。
- (2)
工业应用的持续改进。随着工业技术和要求的发展，设备设计、测试、运行、维护等生命周期成本大幅增加。同时，设备的复杂性大大增加了性能下降和功能失效的机会。受实际考虑的启发，复杂设备的DTs将成为未来研究的重点。各种工程实践者正在探索和试验优化和改进，以便扩展DT的应用范围。
本文总结了DTs的发展历史、定义和应用领域，从而提出了基于TSL的DT定义和DT模型。希望本文的分析和总结能为DT技术的发展和应用提供进一步的思路和参考。