摘要：数字孪生是依赖大数据的力量提高模型精度的重要概念。它是物理资产及其数据实时状态的准确复制，是结合虚拟模型和现实数据的桥梁。数字孪生主要可分为产品的数字孪生和生产工艺的数字孪生，本文主要介绍的是作为产品的轨道列车的数字孪生，并且将分别从数字孪生的起源与定义、数字孪生的应用、以及未来轨道列车数字孪生的发展方向四三个方面开展介绍。
关键字：数字孪生，轨道列车，大数据，数字模型
一、数字孪生的起源与定义
1. 数字孪生的起源
目前绝大多数工程部门依赖电脑模型进行产品的设计与分析。 这使电脑模型的可信度成为了一个至关重要的问题。高性能计算 （HPC）通过提高模型精度来降低模型的不确定性，但并不能解决所有问题。例如：构件之间的连接处相互作用模型的不确定性，连接点处承受能力的微变、摩擦力的微变、其所处环境温度和湿度的微变可能导致整个构件性能的剧变；现在工程系统的复杂模型通常由多个工程师团队平行搭建不同构件与子系统的模型，这些模型有不同的精度、假设条件、以及输入和输出，它们很难融合成一个整体；另外从数据方面，每个模型的数据来源、格式、用户和控制系统都不同。
因此，在HPC之后，提高模型精度就要靠数据的力量。许多工程系统在传感器技术的发展与支持下已经向数据化转变1。
最早，美国航空航天局（NASA）在地面做出了太空舱的原尺寸模型，用于预测与诊断在太空轨道上的各种问题，为之后的数字化模型打下基础。
此后，数据建模逐渐发展。工程系统通过现实中观测的数据建立电脑模型，并分析预测。
2002年，数字孪生思想由美国密歇根大学的Michael Grieves提出，作为结合模型与数据的重要桥梁，它能实时接收数据并加以利用。数字孪生与普通电脑模型的主要区别在于数据的使用量。
2017年，美国高德纳公司（Gartner咨询公司）指出数字孪生是本年度十大战略技术之一。自此，数字孪生技术深受重视并快速发展。
2. 数字孪生的定义
数字孪生又名数字映像、数字双生、数字双胞胎等。它是：
真实物理实体或物理过程的数字表示
真实物理实体或物理过程的动态软件模型
一项物理资产及其数据实时状态的准确复制
可视化的物联网（物联网：让所有行使独立功能的物体实现互通互联的网络）
融合物理实体或物理过程观测到的真实数据作为输入并预测其输出、探究输入输出相关性的电脑程序
一项物理资产的数字孪生应由其各结构的多个数字孪生组成，每一个数字孪生又能独立工作
总的来说，数字孪生是融合历史数据及实时数据的，可不断进化的，能做到实时预测与分析的，贯穿设计、营销和寿命周期的，可涵盖产品、设备和生产工艺流程的，可集成又可分离的，配对于真实物理形态的数字模型。
二、数字孪生的应用
1. 数字孪生的适用领域
数字孪生适用于灰色领域。已知该领域的部分知识，未知部分依赖于数据，即实时数据能发挥巨大作用的领域2。
从能最快回收前期投入的领域入手，用在企业最迫切解决的问题上。从最需要实时预测又可布传感器并有能力处理实时数据的领域入手，逐渐发展为各结构的，全生命周期的， 各生产线的，乃至覆盖全企业的数字孪生。
2.数字孪生的应用实例
西门子是最切实实施数字孪生的企业。为此，它收购了全球产品生命周期管理领域软件与服务市场的领导者优集公司（UGS），使其安贝格工厂智能化，做到了产品数字孪生，设备数字孪生和生产工艺流程数字孪生，完整真实地数字化再现了整个企业，实现了高质量，高通过率和高自动化3。
中国核电工程有限公司也选择了UGS的Teamcenter软件平台，正在搭建集设计，设备采购及土建于一体的数字孪生，为跨专业、跨地域、跨部门合作提供支持。
波音使用微软的Azure平台分析客户提供的大量数据，在产品设计和制造过程中建立数字孪生，并在产品寿命周期中积累数据，包括传感器读数、操作历史、维护状态及软件版本等，从而改进产品性能。
德国舍弗勒集团（SCHAEFFLER轴承制造商）正跟IBM密切合作搭建轨道列车的数字孪生，值得注意的是它将着重考虑列车与轨道的相互作用，试图同时监测轨道的问题，因此不排除SCHAEFFLER也将快速建立轨道数字孪生的可能4。
空客公司也选择了IBM，正合作搭建其飞机产品及生产的数字孪生。以提高产品质量和缩短生产周期。
由英国谢菲尔德大学主持的关于数字孪生的方法论研究也在进行当中，此项目由剑桥大学负责设计，谢菲尔德大学负责优化模型校准与验证，利物浦大学负责不确定性分析。
3.轨道列车的数字孪生
直接建立轨道列车整车的数字孪生模型是困难的，除非牺牲精度，所以可从轨道列车的某个部件或者某个系统着手逐步建立数字孪生模型。
现阶段的建模都是对同类车辆（例如标准动车组等）及其部件进行通用性的建模，忽略了个体的差异。而对于高精度的牵引系统部件来说，在产品合格范围内的电气参数差异对部件性能可能造成不可忽略的影响。例如同车的两台牵引变流器温度可能差6℃之多，这给部件的故障预测和诊断带来一定困难。随着大数据、物联网及人工智能技术的进步，我们可以给现车上的每台牵引变流器做一个高精度的数字模型。针对每个具有个体差异的变流器模型，不断覆盖以与其性能相关的实时数据和传感器收集的实时数据，了解每一台牵引变流器在真实环境中的表现，这种更精细的模型将对每台变流器的的故障作出更精确的诊断——电脑模型输出与现实传感器输出应每时每刻保持一致。由于个体差异的存在，每台牵引变流器故障预警的阈值也应做不同设置。另外，可以通过分析模拟了解每台牵引变流器未来的表现，这对以后实现预测性维修起到举足轻重的作用。通过对多个牵引变流器的数字孪生做比较，还可以找出设计参数与运营现实的差距，用来反向指导设计。
以牵引变流器系统为例，一个简单的数字孪生模型从无到有需要先构建数字模型，用现实参数标定，并最后做成有代表性的数据驱动三维仿真模型。可先构建几列标准动车组上的几十台牵引变流器的数字孪生模型，之后逐步横向扩大建模范围，同时进一步构建牵引电机、牵引变压器，齿轮箱轴承等部件的数字孪生，未来形成牵引系统到车体的数字孪生。尽管改变可能是缓慢和具有挑战性的，但这对实现数字化轨道交通设计、运营和维护起到重要的作用。
三、未来轨道列车数字孪生的发展方向
实际上，真正成熟的数字孪生模型还需对每一个可更换的零件建模，更换前后都应形成数据切片，不同的零件对应不同的参数都对与其相关的其他部件的数字孪生模型产生影响。并且每隔一定时间，数字孪生模型需具有自动更新数据标定的能力5，从而适应构件性能的劣化。完美的数字孪生模型建成后应不需人为参与，就能自我运行及完善。
数字孪生的搭建需要各学科合作，包括传感器技术，互联网技术，大数据存储与处理技术，有限元建模技术6，机器学习技术，可视化技术，移动应用程序技术，网络安全技术等。
数字孪生真正搭建完成后应不再需要任何人为干涉（即不再需修改代码），是具备自主自导发展能力的封装数字包。
数字孪生是一个相对新的概念，但在众多工业领域中都掀起了一股热潮。工程师们都希望在面对复杂工程的时候能做到实时监管，避免经济损失及人员伤亡。尽管这项技术在国内外都刚起步并仍将面临许多问题（例如让车载端做更多数据记录、处理与计算工作），但本着在实践中发展的思想，可从产品的数字孪生出发，向生产工艺的数字孪生发展，最后完成产品全生命周期、生产全过程的数字孪生。
参考文件
【1】Parrott, A. & Warshaw, L., Industry 4.0 and the digital twin. Doillet, May 12, 2017.
【2】Digital twins for improved dynamic design. EPSRC and The University of Sheffield. 【3】Wagg, D., The digital twin for engineering applications. The International Magazine for Engineering Designs & Analyses from NAFEMS.
【4】Datta, S. P. A., Emergence of digital twins – Is this the march of reason Journal of Innovation Management Vol. 5, No. 3, 2017, p 14-33.
【5】Ewins, D. J., Model testing. Research Studies Press, 2000.
【6】Worden, K. & Tomlinson, G. R., Nonlinearity in structural dynamics. IOP, 2000.
作者简介：巩子同（1989-），女，博士（英国利物浦大学），工程师，主要研究领域：数据仿真过程，小概率抽样，贝叶斯理论，参数优化，高斯过程，模糊数学，数据相关性等工程数理统计领域。
邮编：266111
联系电话：18661897177
电子邮箱：rachel7177@sina.com