[论文解读] A Comprehensive Review of Digital Twin -- Part 1: Modeling and Twinning Enabling Technologies

Adam Thelen, Xiaoge Zhang+8 more|arXiv (Cornell University)|Aug 26, 2022

Digital Transformation in Industry被引用 15

一句话总结

本文全面综述了数字孪生建模及其使能技术，按数据流方向（物理到虚拟与虚拟到物理）进行分类。综合了基于物理的建模、数据驱动方法、概率推理和机器学习的前沿技术，主要贡献包括统一的分类框架，以及对工业4.0应用中数字孪生发展的未来研究方向的洞察。

ABSTRACT

As an emerging technology in the era of Industry 4.0, digital twin is gaining unprecedented attention because of its promise to further optimize process design, quality control, health monitoring, decision and policy making, and more, by comprehensively modeling the physical world as a group of interconnected digital models. In a two-part series of papers, we examine the fundamental role of different modeling techniques, twinning enabling technologies, and uncertainty quantification and optimization methods commonly used in digital twins. This first paper presents a thorough literature review of digital twin trends across many disciplines currently pursuing this area of research. Then, digital twin modeling and twinning enabling technologies are further analyzed by classifying them into two main categories: physical-to-virtual, and virtual-to-physical, based on the direction in which data flows. Finally, this paper provides perspectives on the trajectory of digital twin technology over the next decade, and introduces a few emerging areas of research which will likely be of great use in future digital twin research. In part two of this review, the role of uncertainty quantification and optimization are discussed, a battery digital twin is demonstrated, and more perspectives on the future of digital twin are shared.

研究动机与目标

• 系统性地回顾并分类跨多个学科的数字孪生建模及其使能技术。
• 分析数据流方向（物理到虚拟与虚拟到物理）在塑造数字孪生架构中的作用。
• 识别并综合关键建模技术，包括基于物理的、数据驱动的以及物理信息驱动的机器学习方法。
• 通过概述数字孪生发展中的新兴趋势和未解挑战，为未来研究奠定基础。
• 建立一个参考框架，用于整合不确定性量化、优化和实时决策支持于数字孪生系统中。

提出的方法

• 根据数据流将数字孪生技术分为两类：物理到虚拟（传感器数据 → 数字模型）和虚拟到物理（控制指令 → 物理系统）。
• 回顾基于微分方程、有限元法和系统动力学的基于物理的建模技术，以实现高保真的数字表征。
• 分析机器学习、深度学习和代理模型等数据驱动模型，以实现高效推理和实时适应。
• 结合贝叶斯网络和动态贝叶斯网络（DBNs）进行概率建模，以表征不确定性并支持递归推理。
• 应用粒子滤波结合代理模型，以高效执行非线性、非高斯系统中的贝叶斯推理，实现状态估计。
• 提出一种基于似然函数和后验抽样的模型更新框架，实现数字孪生状态的实时精细化。

实验结果

研究问题

• RQ1 数字孪生系统中主要采用的建模技术是什么？它们在数据流和应用背景上如何不同？
• RQ2 如何通过物理信息驱动的机器学习有效结合基于物理和数据驱动的模型，以提升数字孪生的保真度？
• RQ3 概率模型和贝叶斯推理在管理数字孪生状态估计中的不确定性方面发挥什么作用？
• RQ4 联邦学习、领域自适应和深度强化学习等使能技术如何提升数字孪生的可扩展性和适应性？
• RQ5 在工业4.0和实时决策系统背景下，数字孪生技术面临的关键挑战和未来研究方向是什么？

主要发现

• 本文建立了双重视角分类框架——物理到虚拟与虚拟到物理——实现了基于数据流向的数字孪生技术系统化组织。
• 基于物理的模型，特别是使用微分方程和有限元方法的模型，能提供高保真度表征，但需要大量计算资源。
• 数据驱动模型如机器学习和代理模型具有计算效率高和适应性强的优点，尤其在整合物理信息约束后表现更优。
• 结合粒子滤波的动态贝叶斯网络（DBNs）可在非线性、非高斯系统中实现鲁棒的实时状态估计，尤其在不确定性环境下表现优异。
• 将概率推理与代理模型结合，可实现可扩展且高效的似然评估，支持复杂数字孪生中的大规模粒子滤波。
• 案例研究表明，开源软件和预处理数据集已在GitHub上提供，支持研究的可复现性及社区驱动的持续发展。