文章来源《数字孪生技术与工程实践》
3.1 智能制造与智能工厂
3.1.1 智能制造的内涵与定义
智能制造的概念起源于20世纪80年代人工智能在制造业领域中的应用。
1991年，日本、美国、欧共体发起实施的“智能制造国际合作研究计划”中把智能制造系统定义为：“智能制造系统是一种在整个制造过程中贯穿智能活动，并将这种智能活动与智能机器有机融合，将整个制造过程从订货、产品设计、生产到市场销售等各个环节以柔性方式集成起来的能发挥最大生产力的先进生产系统。”
它从侧面说明了智能制造的一些特点。
进入21世纪，随着信息技术的不断成熟和发展，智能制造的概念不断完善，技术体系逐渐成熟，形成了“新一代智能制造”的概念。
它把智能技术、网络技术和先进制造技术等应用于产品设计、生产和服务的全过程中，实现对产品全生命周期和制造系统全生命周期的管理。
它改变了制造业中的生产方式、人机关系和商业模式，智能制造不是简单的技术突破，也不是简单的传统产业改造，而是计算机技术、控制技术、通信技术、人工智能技术等和制造业的深度融合、创新集成。
针对新一代智能制造，不同组织和专家在不同时期从不同角度对其概念进行了定义，下面列举一些：
1）2011年 6月，美国智能制造领导联盟（Smart Manufacturing Leadership Coalition，SMLC）发表了《实施 21世纪智能制造》报告。
定义智能制造是先进智能系统强化应用、新产品快速制造、产品需求动态响应，以及工业生产和供应链网络实时优化的制造。
其核心技术是网络化传感器、数据互操作性、多尺度动态建模与仿真、智能自动化以及可扩展的多层次网络安全。
其融合了从工厂到供应链的所有制造，并使得对固定资产、过程和资源的虚拟追踪横跨整个产品的生命周期。
结果将是在一个柔性的、敏捷的、创新的制造环境中，优化性能和效率，并且使业务与制造过程有效地串联在一起。
2）《智能制造发展规划（2016—2020年）》（工信部联规〔2016〕349号）指出，智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。
《国家智能制造标准体系建设指南（2018年版）》引用了这个定义。
3）2018年，周济、李培根等院士联合发表的《走向新一代智能制造》[40]一文中指出，广义而论，智能制造是一个大概念，是先进信息技术与先进制造技术的深度融合，贯穿于产品设计、制造、服务等全生命周期的各个环节及相应系统的优化集成，旨在不断提升企业的产品质量、效益、服务水平，减少资源消耗，推动制造业创新、绿色、协调、开放、共享发展。
4）2021年7月，《国家智能制造标准体系建设指南（2021年版）》（征求意见稿）提出了智能制造是基于先进制造技术与新一代信息技术深度融合，贯穿于设计、生产、管理、服务等产品全生命周期，具有自感知、自决策、自执行、自适应、自学习等特征，旨在提高制造业质量、效率效益和柔性的先进生产方式。
综合上述众多定义，可以理解智能制造为一类新一代制造模式和制造方法的总称，是信息化和工业化的高度融合，贯穿产品全生命周期，包含制造及其服务各个环节，具有自学习、自组织和自适应等特征，是人、信息系统、物理系统高度融合的新兴生产方式。
智能制造的目标是能适应制造环境的变化，有效缩短产品研发周期、降低运营成本、提升产品质量、降低资源消耗、提高生产效率，满足用户对高品质产品的个性化需求。
随着信息技术和工业技术的不断发展，智能制造的内涵和特点也会不断发展。
3.1.2 智能制造特征
智能制造基本特征为“自学习、自组织、自适应”，具体而言，可以包括快速感知、自我学习、计算预测、科学决策、优化调整、自适应的能力。
1）快速感知。
对制造对象和制造过程的感知是新一代智能化的基础。智能制造需要大量的数据支持，利用高效、标准的方法进行数据采集、存储、分析和传输，实现制造对象的自动识别、工作环境的自动判断、针对现实工况的自动感知和快速反应。
2）自我学习。
智能制造需要不同种类的知识，利用各种知识表示技术、机器学习、数据挖掘与知识发现技术，实现面向产品全生命周期的海量异构信息的自动提炼知识并升华为智能策略。
3）计算预测。
智能制造需要建模与计算平台的支持，利用基于智能计算的推理和预测，实现诸如故障诊断、生产调度、设备与过程控制等制造环节的知识表示与推理。
4）科学决策。
智能制造需要信息分析和判断决策的支持，利用基于智能机器和人的行为的决策工具和自动化系统，实现诸如加工制造、实时调度、机器人控制等制造环节的决策与控制。
5）优化调整。
智能制造需要在生产环节中不断优化调整，利用信息的交互和制造系统自身的柔性，实现对外界需求、产品自身环境、不可预见的故障等变化及时优化调整。
6）自适应。
通过前述功能的实现，智能制造系统能适应各类工况。
由于用户对个性化产品的需求越来越多，产品的生命周期越来越短，制造过程需要有对不同产品的适应能力，同时能应对各类扰动而保持系统的优化运行状态。
这个自适应正是通过上述的自学习、自组织（优化调整）来实现的。
3.1.3 智能制造系统
新一代智能制造的实施是一个系统工程，涉及智能产品、智能生产及智能服务三个方面。
智能生产的主要载体就是智能制造系统，如智能生产线、智能车间与智能工厂。
由于用户对产品的质量要求越来越高，产品的复杂程度越来越高，新时代的智能制造系统不是一个独立运行的孤立系统，其与上下游企业、用户形成一个制造生态。
在德国“工业4.0”战略里涉及三个集成：横向集成、纵向集成和端到端集成，这是就智能制造系统结构以及和其他系统之间的关系而言的。
同样，美国、中国等国家的科研机构都对智能制造系统架构提出了自己的观点。
1 德国“工业4.0”的3个关键特征
“工业4.0”的重点是创造智能产品、程序和过程。
其中，智能工厂构成了“工业4.0”的一个关键特征。
智能工厂能够管理复杂的事物，不容易受到干扰，能够更有效地制造产品。
在智能工厂里，人、机器和资源如同在一个社交网络里一般自然地相互沟通协作。
智能产品理解它们被制造的细节以及将被如何使用。
它们积极协助生产过程，回答诸如“我是什么时候被制造的”“哪组参数应被用来处理我”“我应该被传送到哪里”等问题。
其与智能移动性、智能物流和智能系统网络相对接将使智能工厂成为未来的智能基础设施中的一个关键组成部分。
这将导致传统价值链的转变和新商业模式的出现。
“工业4.0”最优配置目标，只有在领先的供应商策略和领先的市场策略交互协调并能确保其潜在利益都能发挥的情况下才能实现。
自此，这种方法被称为双重战略。
它包括三个关键特征：
1）通过价值链及网络实现企业间“横向集成”。
企业通过智能制造系统，联通产品设计、制造、服务的上下游企业，形成一个为用户提供产品和服务的增值链。
在生产、自动化工程和IT领域，横向集成是指将各种使用不同制造阶段和商业计划的IT系统集成在一起，这其中既包括一个公司内部的材料、能源和信息的配置（例如，原材料物流，生产过程，产品外出物流，市场营销），也包括不同公司间的配置（价值网络）。
这种集成的目标是提供端到端的解决方案。
2）企业内部灵活且可重新组合的网络化制造体系“纵向集成”。
在智能工厂中，从上往下是计划、执行管理、执行单元的一个纵向的集成。通过工业网络连接，实现跨层的集成自动化。
在生产、自动化工程和IT领域，垂直集成是指为了提供一种端到端的解决方案，将各种不同层面的IT系统集成在一起（例如，执行器和传感器、控制、生产管理、制造和执行及企业计划等各种不同层面）。
3）贯穿整个价值链的端到端工程数字化集成。
整个制造活动中，通过设计和工程的数字化集成，实现不同企业之间、不同业务的跨系统、跨地域的端到端集成，是一个价值链的全数字化实现。
这三个集成体现了智能制造系统的内在和外在的联系。
其基础就是数字化和网络化，并且最终依托智能化实现价值创造。
“工业4.0”将在制造领域的所有因素和资源间形成全新的社会-技术互动。
它将使生产资源（生产设备、机器人、传送装置、仓储系统和生产设施）形成一个循环网络，这些生产资源将具有以下特性：
自主性、可自我调节以应对不同形势、可自我配置、可利用以往经验、配备传感设备、分散配置，同时，它们也包含相关的计划与管理系统。
作为“工业4.0”的一个核心组成，智能工厂将渗透到公司间的价值网络中，并最终促使数字世界和现实的完美结合。
智能工厂以端对端的工程制造为特征，这种端对端的工程制造不仅涵盖制造流程，同时也包含了制造的产品，从而实现数字和物质两个系统的无缝融合。
智能工厂将使制造流程的日益复杂性对于工作人员来说变得可控，在确保生产过程具有吸引力的同时使制造产品在都市环境中具有可持续性，并且可以盈利。
在未来，“工业4.0”将有可能使有特殊产品特性需求的客户直接参与到产品的设计、构造、预订、计划、生产、运作和回收各个阶段。
更有甚者，在即将生产前或者在生产的过程中，如果有临时的需求变化，“工业4.0”都可立即使之变为可能。
当然，生产独一无二的产品或者小批量的商品仍然可以获利。
2“工业4.0”参考架构模型（RAMI 4.0）
RAMI 4.0（Reference Architecture Model Industrie 4.0）即“工业4.0”参考架构模型，是从产品生命周期/价值链、层级和架构等级三个维度，分别对“工业4.0”进行多角度描述的一个框架模型，它代表了德国对“工业4.0”所进行的全局式的思考。
有了这个模型，各个企业尤其是中小企业，就可以在整个体系中找到自己的位置。
在对“工业4.0”的讨论中需要考虑不同的对象和主体。
其对象既包括工业领域不同标准下的工艺、流程和自动化；
也包括信息领域方面，信息、通信和互联网技术等。
为了达到对标准、实例、规范等“工业4.0”内容的共同理解，需要制定统一的框架模型作为参考，对其中的关系和细节进行具体分析。
在德国“工业4.0”工作组的努力和各种妥协之下，2015年3月，德国正式提出了“工业4.0”的参考架构模型（RAMI 4.0），如图3-1所示。
RAMI 4.0的第一个维度，是在IEC 62264企业系统层级架构的标准基础之上（该标准基于ISA-95模型，界定了企业控制系统、管理系统等各层级的集成化标准，参见本书4.1.5节对ISA-95标准的说明），补充了产品或工件的内容，并由个体工厂拓展至“互联世界”，从而体现“工业4.0”针对产品服务和企业协同的要求。
图3-1 “工业4.0”参考架构模型图
第二个维度是信息物理系统的核心功能，以各层级的功能来体现。
具体来看，资产层是机器、设备、零部件及人等生产环节的每个单元；
集成层是传感器和控制实体等；
通信层是专业的网络架构等；
信息层是对数据的处理与分析过程；
功能层是企业运营管理的集成化平台；
商业层是各类商业模式、业务流程、任务下发等，体现了制造企业的各类业务活动。
第三个维度是价值链，即从产品全生命周期视角出发，描述了以零部件、机器和工厂为典型代表的工业要素从虚拟原型到实物的全过程。
具体体现为三个方面：
一是基于IEC 62890标准，将其划分为模拟原型和实物制造两个阶段；
二是突出零部件、机器和工厂等各类工业生产部分都要有虚拟和现实两个过程，体现了全要素“数字孪生”特征；
三是在价值链构建过程中，工业生产要素之间依托数字系统紧密联系，实现工业生产环节的末端链接。
以机器设备为例，虚拟阶段就是一个数字模型的建立，包含建模与仿真。
在实物阶段主要就是实现最终的末端制造。
RAMI 4.0的三维从企业（工厂）内部控制、产品全生命周期和核心功能三个方面对智能制造系统进行了分析和定位，也为相关标准的制定提供了参考依据。
3 NIST的制造生态
2016年2月，美国国家标准与技术研究院（NIST）工程实验室系统集成部门，发表了一篇名为《智能制造系统现行标准体系》的报告。
这份报告总结了未来美国智能制造系统将依赖的标准体系。这些集成的标准横跨产品、生产系统和商业（业务）这三项主要制造生命周期维度。
每个维度（如产品、生产系统和业务）代表独立的全生命周期。制造金字塔是其核心，三个生命周期在这里汇聚和交互，如图3-2所示。
● 第一维度：产品维度，涉及信息流和控制，智能制造生态系统下的产品生命周期管理，包括六个阶段，分别是（产品）设计、工艺设计、生产工程、制造、使用与服务、废弃与回收。
● 第二维度：生产系统生命周期维度，关注整个生产设施及其系统的设计、部署、运行和退役。
“生产系统”在这里指的是从各种集合的机器、设备和辅助系统、组织和资源创建商品和服务。
● 第三维度：供应链管理的商业周期维度，关注供应商和客户的交互功能，电子商务在今天至关重要，使任何类型的业务或商业交易，都会涉及利益相关者之间的信息交换。
在制造商、供应商、客户、合作伙伴，甚至是竞争对手之间的交互标准，包括通用业务建模标准、制造特定的建模标准和相应的消息协议，这些标准是提高供应链效率和制造敏捷性的关键。
图3-2 NIST的制造系统生态[49]
● 制造金字塔：智能制造生态系统的核心，产品生命周期、生产系统生命周期和商业活动周期都在这里聚集和交互（图3-2中制造金字塔的元素包括：
企业资源计划（ERP）、制造运行管理（MOM）、人机交互界面（HMI）、集散控制系统（DCS）、现场设备（Field Device））。
每个维度的信息必须能够在金字塔内部上下流动，为制造业金字塔从机器到工厂、从工厂到企业的垂直整合发挥作用。
沿着每一个维度，制造业应用软件的集成都有助于在车间层面提升控制能力，并且优化工厂和企业决策。
这些维度和支持维度的软件系统最终构成了制造业软件系统的生态体系。
在这个结构中，一个制造金字塔可以看作是一个智能工厂。
在三个维度中，生产系统生命周期维度体现了一个智能工厂的生命周期，产品维度体现了产品的全生命周期，而供应链管理的商业维度体现了制造过程的业务协同过程。
4 中国智能制造系统结构
《国家智能制造标准体系建设指南（2018年版）》对智能制造系统架构从生命周期、系统层级和智能特征三个方面进行描述（见图3-3）。
图3-3 智能制造系统架构[50]
生命周期是指从产品原型研发开始到产品回收再制造的各个阶段，包括设计、生产、物流、销售、服务等一系列相互联系的价值创造活动。
生命周期的各项活动可进行迭代与优化，具有可持续性发展等特点，不同行业的生命周期构成不尽相同。
系统层级是指与企业生产活动相关的组织结构的层级划分，包括设备层、单元层、车间层、企业层和协同层。
其中，设备层到企业层是一个智能工厂内部的层级，协同层包括了企业与其他组织之间的业务协同与共享。
智能特征是指基于新一代信息通信技术使制造活动具有自感知、自学习、自决策、自执行、自适应等特征中的一个或多个。
功能的层级划分，包括资源要素、互联互通、融合共享、系统集成和新兴业态等五层智能化要求。
这三个维度，分别从产品、制造系统、技术实现三个方面对智能制造系统进行了说明。
其中，产品生命周期维度对应了德国“工业4.0”的横向集成关系以及NIST的产品维度，系统层级对应了德国“工业4.0”的纵向集成关系以及NIST的“制造金字塔”。
而智能特征维度从技术实现的角度，给出了智能制造相比传统制造的“智能化”特征，使系统实现更加具有可操作性。
3.1.4 智能工厂是智能制造的载体
对于提高制造业的国际竞争力而言，建设智能工厂是重要的着力点。
首先，智能工厂建设是我国制造强国战略的重要组成部分。
《中国制造2025》明确提出加快推动新一代信息技术与制造技术融合发展，把智能制造作为两化深度融合的主攻方向，在重点领域试点建设智能工厂及数字化车间。
智能工厂建设是我国传统制造企业实施创新驱动、价值创造战略的自身要求。
其次，智能工厂建设是行业信息化实现创新发展的关键。
智能工厂建设代表了信息化的未来发展方向，既可以提升智能化生产水平，也可以锻炼队伍、培养人才，提升信息化研发、建设和管理水平，带动制造企业信息化转型发展、创新发展，从而进一步提升中国整体信息化水平。
德国“工业4.0”项目主要分为两大主题：
一是“智能工厂”，重点研究智能化生产系统及过程，以及网络化分布式生产设施的实现；
二是“智能生产”，主要涉及整个企业的生产物流管理、人机互动以及3D技术在工业生产过程中的应用等。
该计划将特别注重吸引中小企业参与，力图使中小企业成为新一代智能化生产技术的使用者和受益者，同时也成为先进工业生产技术的创造者和供应者。
针对智能工厂的建设，可以参考工业和信息化部等联合发布的《国家智能制造标准体系建设指南》，该指南对智能制造相关技术从“基础共性”“关键技术”“行业应用”三个方面进行标准建设，可以从该指南了解智能制造相关技术，以及一些具体实现方法。
《国家智能制造标准体系建设指南》从2015年发表第1版后，三年左右会更新一次，目前最新的版本是《国家智能制造标准体系建设指南（2021年版）》（征求意见稿），其智能制造标准体系结构如图3-4所示。
图3-4 智能制造标准体系结构图
《国家智能制造标准体系建设指南（2021年版）》（征求意见稿）对智能工厂的相关标准建设包括了智能工厂设计、智能工厂交付、智能设计、智能生产、智能管理、工厂智能物流、集成优化等7个部分，主要规定智能工厂设计和交付等过程，以及工厂内设计、生产、管理、物流及系统集成等内容。
1）智能工厂设计标准。
主要包括智能工厂的设计要求、设计模型、设计验证、设计文件深度要求以及协同设计等总体规划标准；
物理工厂数据采集、工厂布局，虚拟工厂参考架构、工艺流程及布局模型、生产过程模型和组织模型、仿真分析，实现物理工厂与虚拟工厂之间的信息交互等物理/虚拟工厂设计标准。
2）智能工厂交付标准。
主要包括设计、实施阶段数字化交付通用要求、内容要求、质量要求等数字化交付标准及智能工厂项目竣工验收要求标准。
3）智能设计标准。
主要包括基于数据驱动的参数化模块化设计、基于模型的系统工程（MBSE）设计、协同设计与仿真、多专业耦合仿真优化、配方产品数字化设计的产品设计与仿真标准；
基于制造资源数字化模型的工艺设计与仿真标准；
试验方法、试验数据与流程管理等试验设计与仿真标准。
4）智能生产标准。
主要包括计划建模与仿真、多级计划协同、可视化排产、动态优化调度等计划调度标准；
作业文件自动下发与执行、设计与制造协同、制造资源动态组织、流程模拟、生产过程管控与优化、异常管理及防呆防错机制等生产执行标准；
智能在线质量监测、预警和优化控制、质量档案及质量追溯等质量管控标准；
基于知识的设备运行状态监控与优化、维修维护、故障管理等设备运维标准。
5）智能管理标准。
主要包括原材料、辅料等质量检验分析等采购管理标准；
销售预测、客户服务管理等销售管理标准；
设备健康与可靠性管理、知识管理等资产管理标准；
能流管理、能效评估等能源管理标准；
作业过程管控、应急管理、危化品管理等安全管理标准；环保实时监测、预测预警等环保管理标准。
6）工厂智能物流标准。
主要包括工厂内物料状态标识与信息跟踪、作业分派与调度优化、仓储系统功能要求等智能仓储标准；
物料分拣、配送路径规划与管理等智能配送标准。
7）集成优化标准。
主要包括满足工厂内业务活动需求的软硬件集成、系统解决方案集成服务等集成标准；操作与控制优化、数据驱动的全生命周期业务优化等优化标准。
相比《国家智能制造标准体系建设指南（2018年版）》，《国家智能制造标准体系建设指南（2021年版）》（征求意见稿）在关键技术中，增加了“BC智慧供应链”的内容，在“BE智能赋能技术”部分，增加了“数字孪生”的内容，其他一些技术部分也做了调整（见图3-4）。
数字孪生标准，主要包括参考架构、信息模型等通用要求标准，面向不同系统层级的功能要求标准，面向数字孪生系统间集成和协作的数据交互与接口标准，性能评估及符合性测试等测试与评估标准，面向不同制造场景的数字孪生服务应用标准。
构建智能工厂的数字模型，实施数字化工厂规划，是先于实际工厂建设的一个必不可少的环节。
在信息空间构建了物理工厂的对应模型，能应用智能化的方法对工厂进行仿真、分析与优化。
利用工厂的数字模型，可以进一步实现数字孪生，通过实时数据对数字模型的驱动来优化工厂运营。
3.2 基于数字孪生的智能制造
根据图3-2所示的制造系统生态，产品制造包括了产品生命周期管理支持下的产品生命周期、数字化工厂支持下的工厂生命周期以及供应链管理系统支持下的商业活动管理，其交汇点是“制造金字塔”，包括以制造运行管理为核心的层级管理系统。
数字孪生技术为制造生态中的各个活动提供了新的解决方案，从而对智能制造的具体实现提供了新的应用场景。
相对“制造系统”这一概念来说，“生产系统”比“制造系统”包含的内容更广泛，因此，本书后面部分用“生产系统”一词指代产品生产、制造的系统，如工厂、车间等制造单元。
下面从产品、生产系统、供应链管理三个视角来介绍典型应用场景。
3.2.1 智能产品的数字孪生应用场景
一个产品投放市场，包括需求调研、产品设计、产品制造和产品运维服务四个主要过程，在这四个过程中，传统的信息流动过程是一个“瀑布”模型，即从需求调研到产品运维，是一个依次递进的过程。
信息技术的发展，让信息闭环成为可能（见图3-5），也就是说，产品制造过程的信息可以指导产品设计，产品运维过程的信息可以指导产品设计和产品制造过程的改进。
通过这个闭环，可以及时响应市场对产品的反馈，提升产品的质量和潜在的价值。数字孪生技术可以帮助和促进这一信息闭环的实现。
传统的产品设计模式下，在产品设计完成后必须先制造出样品才能够对设计方案进行质量以及性能等方面的评估。
这种产品设计模式一方面成本过高，另一方面产品的研发周期较长。
通过数字样机技术，可以在虚拟空间对产品的设计方案进行评估，但是缺少对产品制造过程的分析，不能完成制造工艺的制订。
利用数字化工厂技术，构建工厂/车间的虚拟模型，可以进一步完成产品的工艺制订及优化。
整个过程可以在虚拟空间完成产品设计到制造整个过程的仿真。
而数字孪生技术可以进一步扩大到产品使用过程的数据采集与分析，优化这个过程的实施，并且能提供更加准确的结果。
图3-5 产品全生命周期的信息闭环
图3-6给出了一个利用产品数字孪生体和工厂数字孪生体进行产品设计迭代优化的过程。
产品设计过程，除了本身的性能可以通过产品数字样机技术进行分析之外，产品工艺及产品设计方案的可制造性分析，需要结合工厂数字孪生体来完成。
工厂数字孪生体给出了产品生产制造的环境模型。
如果所设计的产品还没有建立起实际工厂，那么这个工厂也只是一个设计方案，图中的“工厂数字胚胎”就表示是没有实际工厂的虚拟工厂。
随着工厂的建成和投产，工厂数字孪生体完全建成，可以对产品提供更加精确的可制造性分析。
图3-6 产品设计过程的迭代优化
数字孪生在产品生命周期各个阶段的作用包括：
1）产品设计阶段。
数字样机技术可以提供产品的虚拟仿真，但是产品数字孪生体可以包含设计之后的制造和产品运行过程的数据，这些数据的采集，可以为产品的仿真和验证提供真实的数据，为类似产品的开发提供有益的参考。
利用大量的数据，可以挖掘产生新颖、独特、具有新价值的产品概念，转换为产品设计方案。
同时，产品的可制造性分析也不只是通过虚拟假设的生产系统模型来验证，而是结合工厂数字孪生体，利用生产系统实时数据，来对产品加工时间、加工质量以及可能的风险进行评估，进一步缩短产品设计完成后实现量产的时间间隔。
2）产品制造阶段。
利用产品数字孪生体，可以指导产品制造、装配过程的工作，降低工人技术要求，减少生产过程的错误。
一些在线质量检测数据也能被记录，可以指导产品装配配合以及产品后续安装运行过程的参数调整。
利用产品数字孪生体所记录的运行过程数据，可以分析挖掘制造过程的质量缺陷，进一步提高生产制造过程的制造参数，改进质量，提高产品价值。
3）产品运维阶段。
数字孪生这一概念的提出，就是为了提升产品运维能力。
即使不是航天器这类太空装备，数字孪生技术在普通装备和产品的运维过程中也能发挥巨大作用。
产品安装调试过程，可以利用数字孪生体提供的指导书，进行安调指导。
特别是单件重大装备，例如，大型制造装备、船舶、海工装备、飞机等，产品设计、制造过程的信息对安装调试很有帮助，利用统一的产品数据，可以提升安装质量，缩短调试时间。
通过产品运行过程的数据采集和分析，提升用户对产品运行过程的感知程度，而制造商利用大量数据进行数据挖掘和分析，提供产品健康管理、设备优化运行、远程维护指导、备品备件调配等增值服务，提升服务水平。
每个产品从设计开始，形成数字孪生体胚胎（见图1-3），从生产制造开始，物理实体逐渐形成，数字孪生体逐渐完善，直到产品装配完成出厂，其数字孪生体和物理实体都完成。
安装调试后进入运行维护阶段，数字孪生体和物理实体虚实互动，实现整个数字孪生系统的功能。
和传统的产品生命周期管理系统不同，产品数字孪生的数据采集和分析是结合模型进行的。
结合三维模型进行数据标记和分析，让结果展示更加直观；模型指导数据采集和分析，并且指导用户进行产品运行维护。
每个产品都有其对应的数字孪生体，保证生命周期内数据的唯一记录，并且随着产品运维，这个数据也不断增加，跟随产品的一生。
甚至产品物理实体消亡后，数字孪生体继续存在，用于帮助后续产品的研发和制造优化。
在高端装备、大型装备行业中，产品数字孪生的应用已经逐渐普及，例如，波音787、空客A380飞机的设计制造，就利用数字样机和数字孪生技术缩短了设计时间。
达索公司帮助宝马、特斯拉等汽车公司建立的3D Experience平台，在此平台上进行大量空气动力学、流体声学等方面的分析和仿真，在外形设计方面通过数据分析和仿真试验，大幅度地提升了流线性，减少了空气阻力。
GE与ANSYS公司开展了战略合作，通过数字孪生技术的应用，实现航空发动机产品的健康管理、远程诊断、智能维护和共享服务。
3.2.2 智能生产系统的数字孪生应用场景
数字孪生技术可以支持智能生产系统的设计、建设以及运营管理。和产品生命周期类似，生产制造系统也有其生命周期。
图3-2中表述为：设计、构建、调试、运营与维护、报废与回收。
智能生产系统的典型代表就是智能车间或智能工厂，其设计和建造是为了完成某一产品或一类产品的生产制造，因此，生产系统的设计首先满足工艺要求，然后是在各类约束（空间约束、投资约束、生产周期约束）下完成其设计和建造。
1 生产系统规划设计过程的数字孪生应用
生产系统的规划设计会有一个协同优化问题：产品工艺设计，需要生产系统作为约束，而生产系统的设计，需要产品工艺要求为指导。
传统的生产系统建造方法，是在产品工艺初步确定的情况下进行设计和建造，带来的问题就是产品工艺变化会带来生产系统设计方案的变化，但是这一变化不一定能同步完成，会造成部分返工，或者最终实现的工艺设计方案不是最优的妥协方案。
利用数字孪生技术可以解决这一问题。在数字孪生技术出现之前，数字化工厂（本书4.1节会详细介绍）就是解决产品设计和工厂设计的协同问题。
一方面，通过构建工厂虚拟模型，可以对产品可制造性进行分析，同时，利用产品数字模型和加工需求，来对工厂设计方案进行完善。
数字孪生技术通过实时数据的引入可以进一步提升数字化工厂的效率和准确性。
这方面表现在工厂布局规划、工艺规划和物流优化几个方面。
1）布局规划。
基于数字孪生的生产布局规划相比传统布局规划具有巨大的优势性。相比传统的利用二维图纸或者静态模型进行布局规划的方法，基于数字孪生模型的车间布局规划设计优势主要体现在：
①车间数字孪生设计模型包含所有细节信息，包括机械、自动化、资源及车间人员等，并且和制造生态系统中的产品设计无缝连接；
②专用模型库，实现车间的快速规划设计；
③方便维护和重构，与实际车间同步更新；
④支持各类虚拟试验仿真，更好地支持车间的迭代更新。
2）工艺规划和生产过程仿真。
利用工厂数字孪生体积累的数据和模型，对产品的工艺设计方案进行验证和仿真，可以缩短加工过程、系统规划以及生产设备设计所需要的时间，具体包括：
①制造过程模型：形成对应如何生产相关产品的精确描述；
②生产设施模型：以全数字化方式展现产品生产所需要的生产线和装配线；
③生产设施自动化模型：描述自动化系统（SCADA、PLC、HMI等）如何支持产品生产系统。
数字孪生为整个生产系统的虚拟仿真、验证和优化提供支持。
利用工厂数字孪生模型，用户可以对产品整个制造过程进行验证，包括所有相关生产线和自动化系统生产产品及其全部主要零部件和子配件的工艺方法。
利用过程仿真能够对制造过程进行单元级仿真，包括机器人运动仿真与编程、人因工程分析、装配过程仿真等。
利用数字孪生支持的3R（VR/AR/MR）技术，可以让仿真分析过程虚实融合，更加精确和直观。
3）物流优化。
生产物流规划包括企业内部物流（工厂或车间物流）和企业外部物流（供应链物流），合理的物流规划路线对于保证企业的正常生产、生产效率的提高及产品成本的降低具有重要的作用。
传统模式下的物流规划是离线进行的，但是这种模式下的物流规划无法适应实际运行过程中的实时状态变化，导致规划结果不能真正适应物理世界的实际环境，从而不能起到指导实际物流运行的作用。
利用工厂数字孪生体和供应链企业的数字孪生体模型，可以优化工厂的物流方案，包括物流设施的配置、物流路线设计、物流节拍和生产节拍的协同等。
相关数字孪生体的运作模型随着对应物理实体的不断运行也在不断完善，和实际情况一致，保证在虚拟模型上优化结果的可行和可信。
2 生产系统运行过程的数字孪生应用
生产过程的核心是制造运行管理（Manufacturing Operation Management，MOM），IEC/ISO 62264标准对其定义是，通过协调管理企业的人员、设备、物料和能源等资源，把原材料或零件转化为产品的活动。
它包含管理那些由物理设备、人和信息系统来执行的行为，并涵盖了管理有关调度、产能、产品定义、历史信息、生产装置信息，以及与相关的资源状况信息的活动。
图3-2中制造金字塔的核心就是MOM，它的概念相比传统的制造执行系统（MES）来说更加广泛，包括与制造相关的资源状况信息。
数字孪生在MOM的应用场景包括：
1）三维可视化实时监控。
传统的数字化车间主要通过现场看板、手持设备、触摸屏等二维的可视化平台完成系统监测，无法完整展示系统的全方位信息与运行过程，可视化程度较低。
基于机理模型和数据驱动的方式建立的数字孪生车间具有高保真度、高拟实性的特点，结合3R（VR/AR/MR）技术能将可视化模型从传统的二维平面过渡到三维实体，车间的生产管理、设备管理、人员管理、质量数据、能源管理、安防信息等均能以更为直观、完整的方式呈现给用户。
这部分应用可以看作是“三维版组态软件”，但是相比组态软件多用于流程行业，这个可视化实时监控对离散制造行业也十分有用。
同时，传统的组态软件更多地是对传感器采集的数据进行展示，而数字孪生模型能更多地展示统计分析、智能计算的结果，可以是一些系统运行的隐含状态数据，能让用户对生产现状有更直观的了解。
利用移动互联技术，这个实时监控不限于计算机和大屏幕监控，手机、平板电脑也是常用的展示终端。
2）生产调度。
传统生产制造模式中生产计划的制定、调整等以工作人员根据生产要求及车间生产资源现状来手动制定调整为主，如果生产车间缺乏实时数据的采集、传输与分析系统，很难对生产计划执行过程中的实时状态数据进行分析，无法实时获取即时生产状态，导致对于生产的管理和控制缺乏实际数据的支撑，无法及时发现扰动情况并制定合理的资源调度和生产规划策略，导致生产效率的下降。
而数字孪生驱动下的生产调度基于全要素的精准虚实映射，从生产计划的制定、仿真、实时优化调整等均基于实际车间数据，使得生产调整具有更高的准确性与可执行性。
数字孪生驱动下的生产调度主要分为：
①初始生产计划的制定，结合车间的实际生产资源情况及生产调度相关模型，制定初步的生产计划，并将生产计划传送给虚拟车间进行仿真验证；
②生产计划的调整优化，虚拟车间对制定的初步生产计划进行仿真，并在仿真过程中加入一些干扰因素，保证生产计划有一定的抗干扰性。
结合相关生产调度模型、数据及算法对生产计划进行调整，多次仿真迭代后，确定最终的生产计划并下发给车间投入生产；
③生产过程的实时优化，在实际生产过程，将实时生产状态数据与仿真过程数据进行对比，如果存在较大的不一致性，那么基于历史数据、实时数据及相关算法模型进行分析预测、诊断、确定干扰因素，在线调整生产计划。
3）生产和装配指导。
随着产品复杂程度越来越高，产品设计方案越来越复杂，给生产过程的参数优化，以及装配过程的工艺参数控制提出了新的要求；
同时，个性化的提升让单件、小批生产成为主流，需要在制造前熟悉不同新产品的生产和装配工艺要求，给现场操作工人提出了挑战。
利用数字孪生技术可以有效支持生产和装配过程的指导。
一方面，数字孪生体提供的统一产品定义模型，可以方便地转化成直观的产品生产需求和装配指导书，让操作工人可以尽快熟悉；
另一方面，利用制造设备的数字孪生体，可以对生产过程参数进行模拟优化，同时可以借鉴类似产品的加工数据进行迁移学习，推广到新产品加工过程的参数优化中。
对质量数据的在线分析也能为生产、装配的结果进行评估，及时反馈到生产现场，减少不合格品的数量。
产品数字孪生体所拥有的运维过程数据，可以为类似产品的生产过程参数设定提供参考，为提高产品加工质量提供量化依据。
4）设备管理。
生产设备的故障预测与健康管理指利用各种传感器和数据处理方法对设备健康状况进行评估，并预测设备故障及剩余寿命，从而将传统的事后维修转变为事前维修。
数字孪生驱动下的故障预测与健康管理建立在虚实设备精准映射的基础上，由于虚实设备的实时交互及全要素、全数据的映射关系，可以方便地对相关的设备进行全方位的分析，及故障的预测性诊断。
同时基于虚拟设备模型及历史运行数据可以进行故障现象的重放，有利于更加准确地定位故障原因，从而制定更合理的维修策略。
另外，在数字孪生应用场景下，当设备发生故障时，专家无需到达现场即可实现对于设备的准确维修指导。
远程专家可以调取数字孪生模型的报警信息、日志文件等相关数据，在虚拟空间内进行设备故障的预演推测，实现远程故障诊断和维修指导，从而减少设备停机时间并降低维修成本。
5）物流优化。
数字孪生生产系统改变了传统的物流管理模式，能够做到物流的实时规划及配送的指导。
数字孪生建立在实时数据的基础上，通过物理实体与虚拟实体的精准映射、实时交互、闭环控制，基于智能物流规划算法模型结合实际情况做出即时物流规划调整和最优决策，同时可通过增强现实等方式对配送人员做出精准的配送指导
6）能耗管控。
“碳达峰、碳中和”成为新时代制造的一个核心话题，越来越多的制造企业关注制造过程的碳排放问题，需要实现节能减排。
数字孪生驱动下的能耗智能管控指通过传感器技术对能耗相关信息、生产要素信息和生产行为状态等的感知，通过感知得到的实时能耗信息对生产过程的参数进行调整和优化。
一方面利用能耗模型来指导产品设计过程，采用低碳环保的方案；
另一方面通过调整生产计划、降低不必要的能耗等方法来减少加工过程的能源消耗。
通过数字孪生系统，能耗管理由传统的凭经验、凭直觉的定性方法转向基于能耗模型的量化方法，并且能提供持续优化的能力。
7）安全防护。
在智能车间中，相对于装备、产品等生产要素而言，人员在产品设计、制造运维等过程中的主观活动更为重要，在复杂机电产品生产车间中，其生产规模大、活动空间广、工位错综多样、工序繁杂、关键生产流程或具有一定的危险性，人员行为的主观能动性和不可替代性表现尤为突出，完善人员行为识别对于规范和保障车间的安全生产、消除隐患、防患于未然具有重大意义。
目前而言，车间人员行为分析仍然通过分布于车间中的摄像机和人工监控的方式来实现。
近年来，随着计算机视觉、深度学习等智能算法的推广和计算机算力的提升，车间人员行为的观测正逐步从“机械式”的人工观测方式向基于深度视觉的智能人员行为理解的模式转变。
车间人员行为智能识别的本质在于人员行为特征的提取并进行分类与深层次分析，深度学习算法有助于人员行为特征的自动、多层次的提取，数字孪生技术则为智能人员行为理解模式的实现提供了实现框架，能进一步促进车间乃至智能工厂环境下的人机共融和HCPS的构建。
生产制造系统的数字孪生应用也在逐步普及。
虚拟调试技术在数字化环境中建立生产线的三维布局，包括工业机器人、自动化设备、PLC和传感器等设备。
在现场调试之前，可以直接在虚拟环境下，对生产线的数字孪生模型进行机械运动、工艺仿真和电气调试，让设备在未安装之前已经完成调试。
西门子公司将来自智能传感器的温度、加速度、压力和电磁场等信号和数据，以及来自数字孪生模型中的多物理场模型与电磁场仿真和温度场仿真结果传递到MindSphere平台，通过进行对比和评估，来判断产品的可用性、运行绩效和是否需要更换备件。
国内的中国烟草总公司在烟草行业进行了工厂运行状态的实时模拟和远程监控实践，在北京就可以实现对分布在各地的工厂进行远程监控。
海尔、美的在工厂的数字孪生应用方面也开展了卓有成效的实践。
3.2.3 供应链管理的数字孪生应用场景
当今产品知识含量越来越高，一个企业不可能完成产品所有零部件的研发，并且能以较低的制造成本实现量产。
产品制造过程的跨企业合作成为制造业的一个基本特征。
一个产品是围绕核心制造企业，从配套零件开始，经过中间部件和组件的装配以及最终产品组装，最后由销售网络把产品送到消费者手中，这个过程由供应商、核心制造企业、分销商直到最终用户连接成一个整体的功能性网链结构，称为供应链。
在供应链的构建和运营过程中，减少资源占用和提升作业效率一直是其追求的核心目标之一。
数字孪生支持下的供应链体系不仅可以缩短供应链体系的构建周期，还可以精确项目投资，降低资源占用，提升制造效率，同时还能够减少质量损失，降低作业培训成本，最终实现产成品的精益交付。
这里简单区分一下供应链、价值链和产业链。供应链关注的是供给端，核心在于如何有效整合供应商与生产商流程，提高反应速度，降低成本，构筑企业核心能力。
供应链管理就是指对整个供应链系统进行计划、协调、操作、控制和优化的各种活动与过程，并使总成本达到最优化。
价值链关注的是消费端，核心在于如何发现和满足（客户的）最终需求，从而创造价值并使价值最大化。
其中，企业内部的设计、生产、销售、服务等活动构成一个内部价值链，企业与供应商、分销商及顾客等构成一个外部价值链，内外部价值链联合构成迈克尔·波特所称的价值链系统。
产业链是基于能力分工的一种技术经济关联，包括“生产—流通—消费”的全过程，强调各个相关环节和组织载体之间的分工合作关系形态。
产业链一般和区域经济发展相关联。
工业互联网平台的“网络化协同”就是针对供应链、价值链和产业链协同来说。
数字孪生在供应链管理中的应用场景包括：
1）供应链构建过程的仿真分析。
供应链构建过程涉及供应商能力、物流能力、风险抵抗能力等多种因素，经常因信息掌握不及时而导致决策失误，供应链系统复杂、效率低、响应速度慢，存在不可预测的风险。
面对供应链中信息流、物流、资金流产生的海量数据，传统方法难以对存在的问题和挑战进行描述与求解，仿真技术成为供应链管理相关人员常用且高效的工具。
数字孪生技术可以让传统的供应链以管理“物理工厂”转变为管理“虚拟工厂”，利用工业互联网平台，实际工厂的数字孪生体进行互联，交互信息，基于供应链运作模型进行不同参数的仿真分析，从而能得到最优的供应链组建方案，包括对供应链物流的优化。
2）供应链运行过程的协同。
供应链管理是企业和企业之间的协作，而生产对接过程往往是企业下属工厂和车间与另外一个企业下属工厂和车间的对接，传统的供应链管理，车间与车间不存在直接信息交互通道，信息的不通顺往往造成供应链成本的增加，著名的“牛鞭效应”就是一个典型例子。
通过数字孪生系统，进行供应链活动统一规划和实现信息共享，在计划、运输、生产、存储、分销等领域协调并整合过程中的所有活动，以无缝连接的一体化过程实现供应链中每个环节（阶段）的资源占用最小化和整体收益的最佳化，实现精益物流。
基于企业数字孪生体之间的有效交互，实现零部件入厂物流的精益化。
“多频次、小批量”和“定量不定时”的零部件供给方式，是生产环节精益物流的典型模式之一。
生产调度，原本是一个企业所属车间MOM的运行范畴。
通过企业间部门级的协同，上下游供应商的生产计划和完工信息充分共享，可以实现跨企业、跨车间的生产调度方案优化，当上游供应商发生设备故障等扰动不能准时供货时，下游车间可以及时调整生产计划，保证不会因为零部件缺货而停工待产。
数字孪生也让供应链监控实现三维可视化，可以直观地提供供应链的实时运作状态，为相关企业的管理决策提供依据。
3）应急管理。
复杂产品、大型装备往往其供应链复杂，供应链也会形成“轴辐式”多核心的形态，对于最终产品组装厂来说，供应链的扰动会对其最终产品的质量和交货期产生巨大影响。
通过数字孪生系统，实现信息共享，可以利用预测模型对可能的供应链扰动风险进行评估和预警，并且能利用仿真工具对各种挑战方案进行预先评估，在风险来临之前可以及时做出反应，降低损失。
供应链管理数字孪生系统已经在一些大型供应商中开展应用。
洛克希德·马丁公司在F-35战机沃斯堡生产厂家部署采用数字孪生技术的“智能空间平台”，将实际生产数据映射到数字孪生模型中，并与制造规划及执行系统相衔接，提前规划和调配制造资源。
轴承制造商SKF，在其整个分销网络中构建了一个数字孪生模型，使该公司的区域化模型转变为全球综合规划模型。
根据数字孪生技术提供的数据可视性和完全性，供应链规划人员能够从本地运营转变为全球化运营决策。
3.3 制造数字孪生生态
3.3.1 面向智能制造的数字孪生系统
智能制造所涉及的对象与系统包括智能产品、智能生产系统、智能生产运行过程，其所相关的数字孪生系统可以包括产品数字孪生系统、生产系统数字孪生系统和供应链数字孪生系统。
由于孪生对象不同，产品的数字孪生基于产品设计、制造和使用过程来建设，其模型和数据来源为产品设计部门、制造部门和产品服务部门，以及用户。
生产系统的数字孪生，其模型和数据来源为工厂设计规划部门、建筑设计院、设备供应商、工厂制造部门以及工厂管理层；
供应链数字孪生的模型和数据来源是供应链相关企业的管理部门、制造部门以及物流配送企业。
这三者的模型和数据来源不同、更新频率不同、责任主体也不同，因此，很难构建一个覆盖整个制造过程和制造要素的数字孪生系统，只能是三个相对独立、又互相关联的数字孪生系统。
三个系统对应于图3-2所描绘的制造生态，形成一个“制造数字孪生生态”。
1 产品数字孪生系统
图3-5展示了产品生命周期的典型阶段，一个产品在其生命周期内的演化是一个分层次、分阶段，且相互交互协同的立体反馈运行模型。
在产品设计阶段，设计者首先需要充分理解用户的需求或意愿，需求决定产品的结构、配置、功能以及产品微小的差别。
而产品是由多个零部件配置而成，因此需要建立用户需求与产品配置之间的关系。
通常客户给出的需求是文字表述的，产品在设计阶段的模型是虚拟的，这种对应关系需要在虚拟空间中进行映射。
在实际的制造场景中，新一代的产品通常会根据需求在旧一代的产品上迭代改进。
作为前代物理产品所对应的数字孪生体，在研发、制造、使用、报废阶段中迭代优化并附积了大量信息，这些数字孪生体不会随物理产品的消亡而消失，前代产品数字孪生体能给新一代产品的设计和研发提供借鉴模型。
作为先于物理产品“出世”的数字胚胎是产品生命周期数据积累的开始和统一模型，集成了产品的三维几何模型、产品关联属性信息、工艺信息等。
同时，需要专业工艺人员根据经验总结和工艺知识进行工艺流程的编制，即将产品设计模型转变为制造方法及步骤和工艺参数，然后将产品数字胚胎模型和设计文档传递到制造阶段。
在产品制造阶段，产品的制造过程数据（生产进度、生产订单干扰、外协需求以及产品质量等）都实时记录在产品数字孪生体中，可基于生产约束、生产目标、产品工艺等实现对产品行为和状态的生产监控和控制，达到产品的制造情况完全透明化，最终交付给用户的是产品设计的物理实例以及和其对应的唯一的产品数字孪生体，此时产品数字孪生体经过生产系统制造完成后已经具备和物理产品一样的实例行为。
在产品使用和运维阶段，物理产品的所有使用状态变化、组件变更信息、产品性能的退化信息都将反馈到产品数字孪生体。
物理产品在进入使用服务阶段往往随着使用时间推移和使用次数增加会出现组件故障、磨损或损坏的情况而去更换部分组件。
而产品数字孪生体与物理产品始终保持一致，会自动响应产品的组件变更信息。
因此可以看出产品数字孪生体是产品全生命周期的数据中心，刻画了产品从设计阶段、使用服务到报废/回收的所有信息和模型。
产品数字孪生体采用全数字量表达产品的几何特征、性能、状态和功能，作为全生命周期信息的唯一依据。
同时，产品数字孪生体也是全价值链的信息集成中心，其主要目的在于整个价值链中的“价值”在时间和空间上无缝协同，这不仅是共享产品的信息，也是一种在空间上基于信息唯一性的全价值链服务协同。
因此，产品信息能够在全价值链实现可追溯/可追踪性，并能够返回产品数字孪生体中，最终将形成信息高度闭环的产品数字孪生体，图3-7展现了这一虚实高度融合过程。
2 生产系统数字孪生系统
生产系统是原材料变成产品的地方，是信息流、能量流和物流相交汇作用的地方。按不同的层次来划分，生产系统可以包括工厂、车间、生产线和加工单元。一般来说，本节所说的生产系统数字孪生系统是指工厂数字孪生系统或车间数字孪生系统。
图3-7 产品数字孪生体全生命周期演变过程
参照产品全生命周期的概念定义，一个生产系统的全生命周期也可以分为规划与设计阶段、施工建造阶段、运营与维护阶段以及报废与改建阶段。
生产系统的全生命周期每个阶段的目标不同，对信息的需求不同，同时信息也明显具有不同的特征。
在生产系统全生命周期中，所需承载的信息不断累积并由前一个阶段传递到下一个阶段，而且需要承载面向产品制造过程多领域、全要素、全业务流程的融合信息，这就需要面向生产系统全生命周期的数字孪生技术来满足信息流的流动性、集成性和可扩充性需求。
生产系统的数字模型中三维几何模型部分一般包括厂房基础设施模型、生产线设备模型和物流设施模型。
厂房建筑是工厂或车间的一个重要基础设施，因此，建筑信息模型（BIM）是生产系统模型的一个重要组成部分。
BIM能够有效地辅助建筑工程领域的信息集成、交互及协同工作，可以使得工厂生命周期的信息得到有效的组织和追踪，保证信息传递到下一阶段而不发生“信息流失”及减少信息不一致。
BIM可以根据工厂的不同阶段和需求创建，即从工厂规划与设计、施工到运营维护不同阶段，针对不同的服务需求建立相应的子信息模型。
各子信息模型具有自演化和自更新机制，可以和上一阶段信息模型进行交互，并对其进行扩展和集成形成本阶段的子模型数据，最终形成面向全生命周期的完整信息模型。
以智能工厂这一生产系统为例，在工厂数字孪生系统构建的过程中，参照图1-3，也有“工厂数字胚胎”的概念。
一方面，工厂数字胚胎包括利用BIM提供精确的三维模型，而相关的数字化文档则可以作为BIM的基础数据服务中的内容；
另一方面，工厂数字胚胎基于数字化技术在工厂设计和规划阶段对工厂进行提前建模，先于物理工厂诞生，是一种集成生产性能指标、产品工艺规划和调度模型的理想化数字模型。
通过这种理想化数字模型来仿真工厂生命周期的制造活动，验证工厂整体运行的可行性和效率。
在工厂施工阶段，物理工厂是根据已经得到验证的工厂数字胚胎建成，这是工厂虚体到实体的一种孪生映像，同时，在这个阶段，工厂数字孪生体也逐渐形成。
在工厂运营阶段，工厂数字孪生体又得到来自物理工厂的信息反馈更新，进入工厂数字化映射体阶段，与物理工厂进行信息交互。
因此，以BIM和生产系统模型为核心的工厂数字孪生体，针对工厂不同阶段需要提供的服务，建立相应的子服务模型，贯穿工厂的全生命周期，支持对智能工厂中建筑、设备等工厂实体信息的存储、扩展和服务应用过程，如图3-8所示。
3 供应链数字孪生系统
在供应链管理周期中，供应链中的所有产品（供需关系中的服务载体皆为产品）都会产生与其动态、性能和状况相关的信息，利用这些聚合的海量数据，企业就可以通过建模和仿真，创建整个供应链的数字孪生。
具体地，对供应链各个节点（仓储、枢纽、运输、配送）和节点的业务环节（如仓储的库存管理）进行模型建立。
供应链上的各节点是最小的智能体单元，通过对这些智能体单元的建模和仿真，以及通过开放接口将模型串联起来，可以在虚拟空间中使整个供应链网络的功能运转。
这种理念的实质是形成一个数字化版本的供应链，既为现实世界的供应链提供信息，又从现实世界的供应链获取信息。
同时，供应链数字孪生体不仅体现供应链历史和当前状态的事实信息，还体现着未来的决策和计划。
图3-8 工厂数字孪生系统
供应链数字孪生系统的最终目的是通过实时的信息交互实现服务协作和服务追踪管理，在供应链上下游中，每个工厂是一个业务节点（智能体单元），这些工厂形成工厂群数字孪生协同域。
利用协同域中的工厂数字孪生体，建立一致的工厂指标评价体系，综合各个工厂的协同目标、协同约束制定伙伴选择策略，构建协同优化模型，实现在工厂制造各个层级（车间、生产线、设备）和上下游工厂进行业务协同。
工厂数字孪生体的信息视图发出服务请求，如果上游工厂能提供相应服务，下游工厂服务视图便可在协同域中调用相关服务。
最后，基于工厂数字孪生体的信息视图构建面向企业动态监督和评估机制的可视化管理模型，工厂群可根据自身在供应链的定位和自身工厂制造运行特点构建可视化服务信息模型，下游工厂可根据服务需求定期通过点对点的可视化追踪对上游工厂进行动态的监督、评估和管理，图3-9所示为基于产品统一模型的供应链数字孪生系统组成结构。
3.3.2 多域融合的数字孪生生态系统
制造企业实施智能制造的一个关键点就是不同领域的数据与活动的互联。
互联的概念不能仅限于某一个领域的纵向交互，要有制造企业内各关键要素横向互联意识。
这种互联的意识不断促使企业家和工程师重新定义行业领域的边界，同时也是单体智能向群体智能发展的关键过程。
相较于传统制造过程将生产运行管理依托于ERP/MES/MOM等管理系统与实际生产场景紧密连接起来，制造企业逐渐聚焦于将工业互联网、云计算、人工智能等新一代信息技术与工厂、产品等全生命周期深度融合，形成自组织、自学习、自决策、自适应能力特征，以满足社会化、个性化、柔性化、服务化、智能化等智能制造的发展需求。
因此，制造企业实施智能制造过程中需要关注的重要问题是资源流、信息流、服务流在多领域、多层次的制造企业中进行虚实协同运行与高效联动。
图3-9 基于产品统一模型的供应链数字孪生系统结构（彩图见插页）
1 多域融合的数字孪生生态系统概念与组成
产品制造过程是在一个广泛的制造系统中进行的，其涉及产品与工程设计、管理、生产等多环节协同交互运行。
产品领域从全生命周期角度出发关注从产品建模、仿真、质量管理到数据管控。
工厂领域关注在全生命周期的管理过程中整个生产装置及其自身系统设计、安装、运营和退役。
业务领域主要体现的是与供应商、客户和生产活动相关的供应链管理。
在产品制造的过程中将三个领域整合到一起是一个非常大的挑战，需要将所建立的体系中的每个领域都通过数字线程与其他维度整合起来，构成制造生态系统。
三个领域内部及之间的紧密集成将带来更快的产品研发周期、更有效率的供应链、更有柔性的生产系统。
因此，从制造企业乃至制造生态系统各个领域之间的协同运行和优化管理过程来看，需要一个虚拟载体或空间去承载实体资源信息和体现信息交互的过程。
利用数字孪生技术构建各个领域的多层次数字孪生系统形成多模型融合的制造数字孪生生态（Manufacturing Digital Twin Ecosystem，MDTE），包括
工厂数字孪生系统（Factory Digital Twin System，FDTS）、
产品数字孪生系统（Production Digital Twin System，PDTS）、
供应链数字孪生系统（Supply Chain Digital Twin System，SCDTS），如图3-10所示。
制造数字孪生生态系统是以企业制造系统物理与信息空间智能交互、不同种群协同进化为目标的多模态模型和数据的集成与应用，其可以在不同尺度的制造单元上进行动态重构与优化，为智能制造企业中不同领域、不同阶段产生的任务需求提供智能服务，使得生态系统的外延业务都进行了拓展与成长。
2 制造数字孪生生态内部的交互
制造数字孪生生态作为一种复杂网络存在着大量的社团结构，其内部存在着多种交互关系，从该网络的宏观到微观包括物理空间与虚拟空间的交互融合、三个领域数据孪生系统之间的交互、每个领域数据孪生系统不同生命周期阶段之间的交互以及每个领域数据孪生系统组成要素之间的交互配置。
正是这种交互关系使得生态系统中相关的数字孪生系统不断地演化和发展。
（1）从产品数字孪生角度看跨域交互
产品从设计、制造到客户方面的安装、使用、运维，整个过程按“工业4.0”来说是“横向集成”，这个集成也被称为“价值链集成”，因为这个过程是创造价值的过程。一个产品只有被用户认可、被市场认可，才能最大程度地创造价值。
图3-10 制造企业多模型融合数字孪生生态系统架构（彩图见插页）
在产品价值链集成的过程，通过构建产品数字孪生系统，产品数字孪生体包含了产品所对应的统一模型以及产品全生命周期的数据，是物理产品在数字空间的唯一对应。
利用产品数字孪生体记录了产品的所有相关模型和信息，为产品优化提供了依据。
产品数字孪生系统的运行，和生产系统、供应链数字孪生系统密切相关。图3-6就表示了在产品设计阶段，产品数字孪生系统和生产系统数字孪生系统（工厂数字孪生系统）的关系。
通过数字孪生体之间的交互，一方面，产品数字孪生体利用工厂数字孪生体进行可制造性工艺分析，以及对制造过程的成本、时间等进行评估；
另一方面，工厂数字孪生体利用产品来对工厂布局、工艺装备配置等设计方案进行验证，优化相关结果。
这个交互是双向的。
供应链是保证产品量产质量和时间的关键。
供应链数字孪生系统和产品数字孪生系统的关系，也是从设计阶段就开始的。
产品最终运行维护成本，和供应链中零部件供应商的选择密切相关，如果没有专门的供应商支持，产品还不能顺利组装。
产品设计阶段就需要开始进行供应商的选择，利用供应链合作伙伴提供的零部件模型进行产品数字样机的构建，完成产品数字孪生体中仿真优化工作；
同时，也要利用供应链合作伙伴的工厂数字孪生模型以及供应链数字模型对可制造性、制造过程进行分析和评估。
产品交付使用后，通过产品数字孪生体的数据收集，能形成产品运行过程数据库。
这些数据用来对设计、制造过程进行分析评价，挖掘出设计缺陷和工艺缺陷，明确产品改进和提升方向。
产品数字孪生体记录了产品设计、制造、运行的所有数据，随着数字孪生体的积累，相关数据对生产系统、供应链的优化都有参考价值。
（2）从生产系统数字孪生角度看跨域交互
生产系统的目标是“多、快、好、省”地提供高质量的产品，一个生产系统关注的目标是“TQCSE”（时间，质量，成本，服务，环境），数字孪生系统可以帮助一个生产系统从其规划设计到运行维护、报废重建的整个生命周期内都是优化的。
生产系统作为产品生产制造的承载体，其数字孪生系统的构建和运行，与产品数字孪生系统、供应链数字孪生系统密切相关。
生产系统的设计与优化，是以满足产品生产制造为目标，因此，其仿真分析的参数需要从产品设计系统获取。在生产系统没有物理实体前，产品也没有被生产，所有的设计仿真都是依靠数字模型之间的交互来完成。
等实体系统构建完成，产品真实被制造出来，制造过程的数据可以被用来进行模型参数修正，以使数字模型能真实反映生产系统的实际情况。
一个生产系统数字孪生体可以用来优化生产系统的运行管理方案，也可以用来对产品研制开发提供仿真环境。
随着新产品的开发，对生产系统也需要做出调整，利用产品虚拟数字模型和生产系统数字模型，可以对调整方案进行评估，选择最佳方案进行实施。
供应链数字孪生系统是建立在生产系统数字孪生体的基础上的。
只有供应链的各个企业都构建了其各自的数字孪生系统，例如，数字孪生车间、数字孪生工厂，才有可能构建完整的供应链数字孪生系统，实现部门级的信息交互。
供应链数字孪生系统提供了工厂数字孪生体、车间数字孪生体的运行环境，实时提供外部运行参数，让仿真分析更加准确。
图3-10就是以某企业的生产系统数字孪生系统为主来描述制造数字孪生生态的。
产品的使用、供应商的运行都是企业外部的数字孪生系统，通过信息（Cyber）空间的数字孪生体之间的交互，实现不同数字孪生系统的交互。
产品全生命周期、工厂全生命周期、供应链协同等多业务主线在信息空间实现交汇，协同推进。
3.3.3 基于生态的模型治理与协同演化
1 数字孪生生态的种群
制造数字孪生生态为不同的数字孪生系统的协同运行提供了一个公共的环境，促进了各类模型的协同演化。
参考生态的生物学含义，制造数字孪生生态包括的不同孪生系统可以看作是不同的种群。
1）产品数字孪生种群。
产品是价值的来源，因此，产品种群是制造数字孪生生态中最活跃的部分。
为了适应多变的市场需求，孪生生态中不断有新产品产生，也会有旧产品淘汰。
产品种群中，一类产品可以看作是一个物种。
某个物种（产品）如果能适应市场需求，满足用户的需要，则其生命周期会长，伴随其不断增加的销量，数字孪生体也会增加，物种就会繁盛；
反之，产品会提前退市，物种“灭绝”。
但是也和实际物种不同，产品数字孪生体不会消亡，其存在的意义就是能对新产品的开发提供借鉴意义。
2）生产系统数字孪生种群。
生产系统种群是制造孪生生态中一个较为稳定的物种，但是随着现在“跨域”投资案例不断增加，如互联网企业造汽车、投资养殖业等，生产系统种群也日趋活跃，优胜劣汰情形不断发生。
生产系统种群会根据其所在行业形成不同的“物种”。
如果一个企业掌握核心技术，则其会跨越多个行业，其物种繁盛，否则，也会被迫退市而退出生态系统。
生产系统中的企业数字孪生体、工厂数字孪生体会由于供应链的关系，形成子种群（供应链数字孪生系统）。
子种群形成子生态，如果运行得好，这些子生态会不断发展壮大。
目前很多行业领头企业依托工业互联网平台在培育自己的“制造生态”，就是利用信息共享、网络协同等技术来培育、壮大自己的供应链、服务链合作伙伴，以扩大自己的市场占有率。
3）“外来物种”。
不同行业、不同地域的客户、临时供应商的数字孪生体可以看作是制造数字孪生生态的外来物种。
一方面，外来物种会提供给制造数字孪生生态新的需求和数据，促进生态的发展。
例如，新客户的加入带来新的订单，可以促进生态持续发展；
另一方面，外来物种如果足够强大，会挤占原有物种的空间，甚至会成为生态中的一个稳定物种，例如，前面说的跨界车企，如果互联网公司加入到汽车制造数字孪生生态中，则会影响原有生态中的车企生存环境。
传统意义生态中土壤、水和空气等环境是生态稳定发展的前提，生态中的各个食物链的平衡，是一个生态系统物种稳定的重要因素。
而在制造数字孪生生态中，模型和数据的协同，是生态稳定发展以及物种适应能力提升的关键。
2 模型与数据的治理和演化
根据3.3.2节对数字孪生生态中多域模型的交互分析来看，一个数字孪生系统不可能是独立运行的，需要和其他数字孪生系统相互交互，协同运行，对制造数字孪生生态中各个数字孪生种群来说，其模型与数据的治理和演化特点与要求包括：
1）模型来源不一。
分析产品数字孪生系统、生产系统数字孪生系统，其主模型的来源不同。产品数字孪生系统的模型，来源产品设计制造主企业的MBD应用系统。
利用MBD提供统一模型管理环境，进行模型的管理。
结合MBx[插图]来开展模型支持下的产品设计、制造、服务等工作。
生产系统数字孪生模型，主模型来源为建筑设计企业的BIM系统，可能包括数字化交付的相关数据，另外还包括生产设备系统、物流系统供应商提供的相关模型，一般由企业的规划部门来进行管理。
供应链数字孪生系统的模型，包括了相关企业的生产系统数字模型，以及管理模型和物流企业的物流模型，可以由供应链龙头企业进行管理。
2）数据来源不一。
和模型来源多样化一样，数字孪生体的数据来源，也是各不相同的。
以产品数字孪生体来说，设计数据可能来自不同的设计企业和零部件供应商，这些企业提供的设计模型以及运行数据，不会全部提供给产品最终设计商。
例如，轴承厂商有自己的轴承寿命预测模型，但是这个模型一般不会提供给轴承用户，如果需要仿真分析，就需要通过外部集成轴承厂商提供的仿真分析模型的方式来完成。
产品运行过程的数据，属于用户，如果用户不愿意提供这个数据，则产品数字孪生体的运维数据也不一定能全部获取。
生产系统的数字孪生系统也类似，如果其加工的产品是第三方委托的，并且不能提供产品数字模型，那就不能进行针对产品数字模型的仿真优化工作。
3）模型和数据治理。
上述分析，模型和数据的主体各不相同，在很多情况下，很难有一个集中的管理方对模型和数据进行管理。
这个时候，就需要采用“治理”的思想，通过制定相关的模型和数据治理规则，让各参与方在共享数据的时候，实现模型和数据的共治，协同演化。
制造数字孪生生态的构建，为模型和数据的治理提供了一个统一的环境。
在生态中，治理法则可以包括：
①模型和数据共享法则。
明确模型和数据访问的统一接口。
利用第三方通用格式来表述模型，便于模型的共享，例如，对于三维几何模型，可以采用JT、VRML、STP、STL等格式来进行表示，对于数据，可以定义统一的数据语义，利用XML、JSON等格式进行数据传递，并且利用Web服务的方法提供数据访问接口。
②模型和数据更新法则。
明确各类模型和数据的更新频率、更新条件、更新内容以及更新后的通知等内容，各个数字孪生体需要确定自己的更新规则，以及相关孪生体的告知规则，以便进行同步更新。
这个协同对于供应链数字孪生系统来说十分重要，因为供应链数字孪生系统连接了不同企业的生产系统数字孪生系统，模型和数据的及时更新是保证供应链数字孪生系统持续稳定运行的关键。
③模型和数据跨域更新法则。
一个系统内的模型和数据更新，会带动其相关数字孪生系统模型和数据的更新，需要定义跨域更新法则，这个也是生态系统中协同演化的一个特征。
例如，生产系统的升级会带来更多的工艺能力，为产品带来新的工艺方法，可以进一步缩短产品加工时间或提高产品质量，这就需要对产品的工艺模型和工艺数据进行更新。
4）数字孪生生态的协同演化。
模型和数据治理，是数字孪生体协同演化的基础。制造数字孪生生态的演化，还包括信息（Cyber）空间和物理空间内数字孪生体和物理实体的协同演化。这部分的演化可以从下述几个方面来实现：
①通过软件升级来实现。
由于现在的很多产品和系统都是典型的CPS系统，信息空间的进化可以带来一部分物理实体的进化。
物理系统的运行，部分运算功能是基于在线平台的，在线平台的功能升级会带来物理系统的升级。
对于一些本地运行的系统，可以通过驱动程序、控制系统软件的更新来实现功能的改进和提升，例如，现在很多手机、智能设备可以通过OTA（Over-the-Air，空中下载）在线功能实现软件升级，软件升级后，其功能也会改进和完善。
②通过服务来提升物理产品的体验。
同样的产品，通过售后服务、在线优化等方法来提升物理实体的运行功能和效果。
例如，针对数控加工设备，利用数字孪生体的模拟仿真、智能决策来对设备运行过程的加工参数进行优化，可以提升设备加工效率和加工质量。
当设备供应商能提供这个服务的时候，就是提升了产品的内在价值，无形中实现了产品的演化。这也是一个信息-物理（Cyber-Physical）两个空间的协同优化。
③新产品、新工艺的改进。
利用数字孪生体所采用的数据，在新产品、新系统开发和制造、建造过程进行优化，实现物理产品、系统的优化与提升，这种方式就是通过产品和生产系统的迭代优化来实现协同演化，这个也是真正的协同演化，让数字孪生系统不断地向前发展。
正如制造生态需要行业龙头企业推动，制造数字孪生生态也是需要行业领头企业或者是平台企业进行构建和推动发展。
上述的治理规则、演化规则等都是需要通过相关的标准化工作来推进。
从《国家智能制造标准体系建设指南（2021年版）》（征求意见稿）来看，很多标准接口已经或正在定义，这些为数字孪生生态的构建和发展提供了有力的支持。