数字孪生：从价值角度理解概念
最近，某位专家去一家企业，把数字孪生讲得头头是道，企业的人却普遍表示没有听懂。这种现象并不奇怪：对学术界来说，原理清楚就清楚了；但对企业界来说，则需要把创造价值的逻辑讲清楚。讲不清楚价值，就是没有道理。
数字孪生的定义有许多种。在工信部发布的2020版《数字孪生白皮书》中提到的一种比较典型：数字孪生是以数字化方式创建物理实体的虚拟实体，借助历史数据、实时数据、以及算法模型等，模拟、验证、预测、控制物理实体全生命周期过程的技术手段。我想，人们对概念的困惑往往源于“见树木不见森林”：每段话都明白，放在一起就糊涂了。人们会问：为什么要全生命周期？没有数字孪生也可以做仿真、模拟、预测啊？
“日光之下无新事”。几乎所有的概念都会有历史的发展脉络。理解复杂新概念的办法之一，是从简单的老概念开始。然后把场景逐渐深入，直到引出新的概念。下面我们从两条线索分析数字孪生的诞生。
理解数字孪生的线索之一是模型。模型是人们非常熟悉的概念。需要提醒的是：科技界常见的模型有两种。一种是描述各种自然规律的数学模型，如牛顿定律、勾股定理、化学反应方程式等。这种模型本质是一种知识，可以帮助人们从对象的部分信息获取另外一部分信息：从容易得到的信息推知不易得到的信息、从现在的信息推知未来的信息；从可能发生的信息推知对应发生的结果。最后一种情况就做仿真。仿真的目的往往是对模型的反向应用：从已知或期望的结果，寻找对应的原因或者手段。另外一种模型则是对对象属性和结构的描述。设备的3D数字化模型就是典型。从第一性原理看，这种模型的本质优势，在于既便于人类分析和理解、又便于计算机处理，给人机协同打开了方便之门。
理解数字孪生的另外一条线索是控制论。这个理论是自动化的基础，也是信息化、智能化的基础。决策是控制论的核心问题之一，而决策的关键是获取完整、及时、准确的信息和知识。从传统自动化开始，模型就得到了广泛的应用。人们设计控制器时往往首先需要给控制对象建模，并在此基础上设计并测试控制器。但自动化理论针对的模型非常简单，重点是用线性常微分方程组描述的模型。从某种意义上说，这种局限性与工具条件有关：控制理论产生之初，控制器往往是由电感、电容、电阻等电子元件搭建而成的。
“数学是宇宙的语言，是上帝书写世界的符号”。理论上讲，计算机可以给任何客观对象建模。而数字化时代为计算机参与的决策创造了前所未有的条件。决策所需的信息其实包括两个部分：静态信息和动态信息。以设备系统为例。设备的3D 模型、额定功率等属于静态信息，温度、转速等运行参数则是动态信息。在互联网时代，人们不仅能用模型获得系统内部的信息，还可以通过互联网获得系统之外的信息，真正做到了“知己知彼”。再用第一性原理看，其意义在于打开了智能决策之门。
把设备的静态信息存在计算机中、把动态信息传给计算机，同时计算机的控制指令也可以通过网络传给设备。这样就构成了一个典型的智能体CPS——Cyber Physical System。这时，只要有了充分的知识，就可以进行决策。所以，CPS有两种：一种是借助于人的知识、人类参与决策，一种则是自动决策。
从CPS到数字孪生，关键之一是要抓住“全生命周期”的概念。
在数字孪生中，存储的不仅是当前的静态和动态数据，还包含了全生命周期的数据，如历史数据。同样以设备为例，数字孪生不仅包含设备本身的设计数据、制造或安装过程的数据、使用和维护过程的历史数据。
数字孪生的建立理念与模型不同：一般的模型是为了特定目的而建立的。这意味着，模型往往并不包含与特定目标无关的属性。但人们建立数字孪生的目的往往有很多个，甚至可能包含不确定、开放性的目标。数字孪生中的数据，往往是把生命周期过程中产生的数据“顺便”收集起来，而不像过去那样丢弃或保存在数据产生的环节。这样，人们需要这些数据的时候，用起来就方便了。
数字孪生与信息的“端到端集成”有类似之处。传统的信息集成强调把数据联系起来、能够访问到。而数字孪生却倾向于把某个对象生命周期的数据集中起来、统一管理。这种做法显然更加有利于数据的管理和复用。信息集成主要作用是促进业务的协同，重点在跨越空间区域；而数字孪生的优势则是系统调试、投运、持续改进等，重点是跨越时间段。
传递函数、状态方程等自动化理论主要解决相对正常的问题，CPS等智能化手段往往用来解决相对异常的问题。这两类技术主要用于解决预料之中的事情，而数字孪生往往针对预料之外的事情。特别需要说明的是：人类在设计、制造、生产、维护等过程中的错误或不足，就是典型的意外。
以机械设备为例。设计出来的产品，在加工、安装阶段可能会出现各种意外。这时，设计数据就可以用来分析问题出现的根源，有针对性地改进和优化设计、加工或安装工艺。设备的调试和投运阶段是数字孪生最典型的应用场景。这两个阶段是最容易出现意外的。由于数字孪生的静态和动态参数都与物理对象一致，就可以通过仿真的手段去分析各种处置策略的优劣。
这种仿真结果不同于传统的仿真：传统的仿真一般用于设计优化，而这种仿真用于控制或处置策略优化。而这里的控制策略优化也不同于CPS或各种模型控制：CPS或模型控制的策略往往相对简单、往往有预案、甚至是可以自动执行的。数字孪生的处置策略一般要复杂得多，也不一定有预案，可能是人类专家根据当时的情况临时想出来的。同样，在生产、维护等过程中，也可能会出现各种意外，需要人们调出数字孪生的信息加以分析、解决。而上述所有的信息，都可以用于新一代设备的设计过程中，从而提高产品研发的水平。
编过高可靠度程序的人都知道：编程序不难，调试很难；编程要规范，主要是为了便于调试。因为调试中遇到的问题，往往是思维的漏洞导致的。如果能减少程序的错误、缩短调试时间，意义将会非常大。数字孪生的一个重要作用，就像帮助软件工程师调试程序。
数字孪生还可以用于生产过程的优化。这种优化，往往跨越空间、跨越部门、跨越人机，常常属于管控融合的范畴。管理问题和知识的特点之一往往是碎片化的，往往是在长期的生产过程中才遇到的。人们要解决这些问题时，或者把相关知识数字化时，事先很难想清楚需要准备什么样的数据。而数字孪生则把能够准备的数据都准备好了，从而降低持续改进的工作量、尤其是数据整理工作的工作量。所以，数字孪生的一个重要作用，仍然是支持持续优化。日本的IVRA模型，高度强调PDCA持续改进对智能化的作用。
智能化可能是人机共同决策、也可能是机器决策，而数字孪生的应用过程，则往往存在人机互动或协同决策的过程。而人机协同的一个重要原因，是发挥人类智慧和灵活性。在设计、改进过程中，人类智慧就是主导性的。
很多人不理解数字孪生的价值。笔者发现：导致这种现象的一个重要原因是我国多数企业长期依靠国外的技术，从而导致理念上的局限性。如前所述：数字孪生最重要的作用之一，就是提升研发能力和持续改进能力。而我国企业研发设计能力弱、持续改进的意识不强，过度依赖国外技术。这就好比，在牛拉车的时代，人们就很难想象交通灯的重要性。
工业界有种说法：“引进、落后，再引进、再落后”。导致这种现象的一个重要原因，就是我们的引进之后，国外的技术又发展了。换句话说，我们在持续改进的环节上出了问题。特别地，高科技往往是持续改进的结果，飞机发动机、芯片、光刻机、碳纤维都是这样。然而，这些产品中国都是能生产的，问题是质量不如别人。我们被国外卡脖子的技术，往往是在持续改进的过程中失败的。
数字化时代的一个重要作用，是提升企业的管理能力、研发能力和持续改进能力。中国要用数字化方法建立起这样的一种能力，未来就不愁技术落后了。反之，如果我们没有建立这种能力而国外建立了这种能力。我们和国外的竞争，就会像用两条腿和汽车赛跑，差距只会越来越大。
昨天，笔者有幸受邀到中国商飞设计研究院座谈。发现这家企业的年轻人已经清醒地意识到了数字孪生的作用和持续改进的价值，让我非常高兴。