[论文解读] Digital Twins: State of the Art Theory and Practice, Challenges, and Open Research Questions

Angira Sharma, Edward Elson Kosasih+3 more|arXiv (Cornell University)|Nov 2, 2020

Digital Transformation in Industry被引用 15

一句话总结

本文提出了一套全面的数字孪生（DT）参考框架，以解决阻碍数字孪生采用的标准化缺失、领域依赖性以及性能指标不足等问题。通过整合物联网（IoT）、大数据和机器学习技术，实现对系统状态的实时监控、仿真与自适应分析，本研究识别了关键挑战，并勾勒出一条通往通用化、安全且可评估的数字孪生系统的路径，涵盖正式定义、误差量化以及跨行业协作。

ABSTRACT

Digital Twin was introduced over a decade ago, as an innovative all-encompassing tool, with perceived benefits including real-time monitoring, simulation and forecasting. However, the theoretical framework and practical implementations of digital twins (DT) are still far from this vision. Although successful implementations exist, sufficient implementation details are not publicly available, therefore it is difficult to assess their effectiveness, draw comparisons and jointly advance the DT methodology. This work explores the various DT features and current approaches, the shortcomings and reasons behind the delay in the implementation and adoption of digital twin. Advancements in machine learning, internet of things and big data have contributed hugely to the improvements in DT with regards to its real-time monitoring and forecasting properties. Despite this progress and individual company-based efforts, certain research gaps exist in the field, which have caused delay in the widespread adoption of this concept. We reviewed relevant works and identified that the major reasons for this delay are the lack of a universal reference framework, domain dependence, security concerns of shared data, reliance of digital twin on other technologies, and lack of quantitative metrics. We define the necessary components of a digital twin required for a universal reference framework, which also validate its uniqueness as a concept compared to similar concepts like simulation, autonomous systems, etc. This work further assesses the digital twin applications in different domains and the current state of machine learning and big data in it. It thus answers and identifies novel research questions, both of which will help to better understand and advance the theory and practice of digital twins.

研究动机与目标

• 识别并分析阻碍数字孪生在各行业广泛采用的核心障碍，包括缺乏标准、领域依赖性以及性能指标不足。
• 考察物联网（IoT）、大数据和机器学习等使能技术在塑造数字孪生能力与实施挑战中的作用。
• 提出一个正式的、通用的数字孪生参考框架，以确保一一对应映射、实时同步与系统完整性。
• 通过误差量化、可追溯性与置信度水平测量，建立评估数字孪生性能的基础。
• 通过识别监管框架、物联网标准与领域专家整合的必要性，推动跨行业协作。

提出的方法

• 系统性回顾现有文献与工业实践，以映射当前数字孪生的特征、架构与局限性。
• 基于核心组件（一一对应映射、实时数据同步、仿真、分析与自适应演化能力）提出数字孪生参考模型。
• 集成机器学习技术（如异常检测与联邦学习），以提升数据完整性和模型鲁棒性。
• 定义可追溯性机制与日志记录，以支持可审计性与性能评估。
• 开发误差量化指标，以评估预测置信度并减少对未经验证的数字孪生建议的依赖。
• 倡导采用正式定义、物联网通信标准与跨司法管辖区的法规，以实现安全、可扩展的数字孪生部署。

实验结果

研究问题

• RQ1 阻碍数字孪生在各行业广泛采用的主要技术与组织障碍是什么？
• RQ2 对物联网（IoT）、大数据与机器学习技术的依赖如何制约数字孪生系统的开发与可靠性？
• RQ3 哪些组件是定义一个确保唯一性与互操作性的通用数字孪生参考框架所必需的？
• RQ4 数字孪生如何通过定量性能评估与误差检测实现自适应演化行为？
• RQ5 特定领域的技术需求与标准缺失在多大程度上限制了数字孪生实现的可扩展性与可重用性？

主要发现

• 通用数字孪生参考框架对于统一定义、组件与评估标准至关重要，因为当前实现缺乏标准化且高度依赖特定领域。
• 机器学习的集成可实现对数据与模型输入的异常检测与可追溯性，从而提升系统的鲁棒性与可审计性。
• 误差量化与置信度水平指标对决策至关重要，因为未经验证的数字孪生预测会带来重大的运营风险。
• 缺乏正式定义与物联网标准阻碍了企业间与全球运营中数据的互操作性与安全共享。
• 监管框架与领域专家的协作对于确保在复杂、安全关键型行业中的数字孪生采用至关重要。
• 尽管物联网与机器学习技术已取得进展，但数字孪生的采用仍受限于碎片化的实现方式、性能指标不足以及对共享数据安全性的担忧。