起源和发展
起源
21世纪初，“PLM概念理想“、“信息镜像模型”<br>
2009年美国空军实验室“机身数字孪生”<br>
发展
物联网技术<br>
大数据技术
多领域、多层次参数化<font color="#f44336">机理模型</font>建模技术<br>
物理实体的机理模型，是数字孪生系统的骨架<br>
人工智能技术
数字孪生对于工程应用的重要意义在于其智能分析和自主决策能力。<br>
云/边缘协同计算技术<br>
云端强大的存储/计算能力<br>
边缘端个性化实时感知和控制能力<br>
与相关技术的区别与联系<br>
数字孪生与<font color="#f44336">建模仿真</font><br>
与物理实体的融合分析能力<br>
传统建模仿真与数字孪生均强调数字模型与物理实体的一致性，但数字孪生实现一致性的手段是借助物联网技术，进而与实体物理模型进行深度融合分析。而<font color="#f44336">传统建模仿真缺乏与物理实体的深度融合分析。</font><br>
与物理活动周期的融合分析能力<br>
数字孪生与建模仿真均可面向现有或尚未构建的物理实体进行应用，而数字孪生模型是动态模型，可以<font color="#f44336">贯穿物理实体的全生命周期的活动</font>，传统建模仿真往往仅针对某一具体阶段进行阶段性分析与应用<br>
与信息技术的结合能力<br>
数字孪生能够基于信息技术和明确机理融合进行融合计算分析，如基于大数据和运行机理的融合决策和预测等，而<font color="#f44336">传统的建模仿真大多是基于明确运行机理进行分析。</font><br>
数字孪生与<font color="#f44336">CPS</font><br>
实施理念的区别<br>
CPS是一个理念框架和理念指导，是在工业互联网基础下信息与物理世界多对多的连接管理，并未给出具体实施方案。而数字孪生则是更为具体得实施技术，强调具体问题给出具体解决方案<br>
实施技术的区别
CPS强调计算、通信和控制能力。传感器和控制器是CPS的核心组成部分，旨在实现信息世界对物理世界的决策，数字孪生更关注数字模型对物理世界的映射和记录。<br>
数字孪生与<font color="#f44336">数据建模技术</font><br>
建模范围<br>
数据建模构建的模型可能是机器学习模型，也可以是简单的列表，大多数情况下为黑盒模型<br>
数字孪生建模指仿真软件构建的虚拟模型，既可以包含数据建模的方法，也包含对物理空间的实体明确机理模型描述<br>
模型应用<br>
数据模型多局限于数据的挖掘、智能算法的训练等。<br>
数字孪生模型除了包含以上内容还包含通过明确机理对物理世界的分析计算，也可以是明确机理模型和数据模型的融合。<br>
与物理实体的联系<br>
数据建模与物理实体是抽象映射关系，通过获取物理实体的动态数据，构建数据模型间接反映物理实体状态<br>
数字孪生构建的模型是物理实体在数字空间的孪生体，直接描述物理实体的真实状态<br>
应用现状<br>
工业数字孪生技术在工厂的应用现状
工厂级数字孪生应用需将工厂<font color="#81c784">业务流程全面贯通</font>、通过对财务、人员、供应链等方面的智能管理，为工厂决策提供数据支持，在工厂层级实现<font color="#81c784">调度一体化</font>、<font color="#81c784">监测实时化</font>、<font color="#81c784">管理透明化</font>、<font color="#81c784">分析智能化</font>、<font color="#81c784">决策自主化</font>、打造数字孪生透明工厂。<br>
数字孪生透明工厂的构建，一般应从<font color="#81c784">工厂设立之初就进行整体规划</font>，从工厂周边环境、厂房布置、数据通信网络、产线运营调度等多个维度考虑才能实现工厂的透明化管理。<br>
工厂级数字孪生现阶段发展较为缓慢，缺乏深度应用，<br>
一方面受限于现有的基础条件，工厂现有基础设施不易改变，简单改造并不能完全支持工厂级数字孪生应用，
另一方面受限于现有的建模技术水平，工厂作为复杂系统，包含了车间、设备、人员、物料等元素，现有的建模分析能力还不足以支持如此复杂系统的数字孪生应用<br>
工业数字孪生技术在生产线的应用现状
生产线级数字孪生应用面向整条生产线，覆盖产线布局优化。<font color="#81c784">生产流程仿真</font>、<font color="#81c784">能耗分析优化</font>、<font color="#81c784">生产排程优化</font>、<font color="#81c784">生产协同优化</font>等场景<br>
工业流程行业得益于生产过程连续、控制过程自动化程度高、数据经验积累丰富、加工模式成熟等特点、生产线级数字孪生应用在流程工业较为成熟。<br>
由于对新生产线进行数字化设计或者对现有产线进行数字化改造相对成熟，生产线级数字孪生实施成本相对较低。目前基于基于独立系统的分析优化应用逐渐增加（能耗优化、状态报警、故障定位）<br>
但生产线级数字孪生复杂应用依赖于多环节、多设备、复杂环境之间相互关系的精确建模，生产线级数字孪生技术受制于<font color="#81c784">个性化产线建模技术的发展水平</font>，同时由于<font color="#81c784">产线信息的采集并不全面</font>，不能很好的支持智能决策，<font color="#81c784">决策算法的完备性和稳定性</font>尚不能满足要求。实现生产线自主决策的深度应用能力，仍需进一步增强。<br>
工业数字孪生技术在设备的应用现状<br>
比工厂级、生产线级更为成熟。<br>
当前数字孪生在设备级的应用主要通过数字孪生系统的深度分析，完成设备的故障分析、寿命预测、远程管理等功能。当前主要应用于设备的<font color="#f57c00">故障诊断</font>、<font color="#e65100">预测性维护</font>、<font color="#e65100">运行参数优化</font>等。<br>
先阶段设备<font color="#f57c00">状态监测</font>、<font color="#f57c00">故障分析诊断</font>、等应用已经较为成熟，<font color="#f57c00">预测性运维</font>和<font color="#f57c00">寿命预测</font>应用正在快速发展中，并逐渐聚集于设备全生命周期优化。但是分析优化的准确度和可信任性仍然有待提高，个性化需求尚无法全面满足。<br>
