工业 4.0 智能工厂 关键技术专区

2017 年 8 月 1 日收到，2017 年 9 月 12 日接受，2017 年 9 月 26 日发表，2017 年 10 月 25 日当前版本日期。

数字对象标识符 10.1109/ACCESS.2017.2756069

数字孪生车间： 面向智能制造的 新型车间范例

FEI TAO ， （IEEE会员） 和 MENG ZHANG 北京航空航天大学自动化科学与电气工程学院， 中国北京 1 00191 通讯作者：费涛（ftao@buaa.edu.cn）

这项工作部分得到了中国国家自然科学基金基金会的资助，项目编号为51522501;部分得到了中国国家重点研发 计划的资助 ， 项目编号为 2016YFB1101700; 还有部分得到了中国北京新星计划的资助 ， 项目编号为

Z161100004916063。

摘要： 随着云计算、物联网、大数据和人工智能等新信息技术的开发与应用， 智能制造时代正在来 临。与此同时， 各国纷纷提出了各种制造业发展战略， 如工业4.0、工业互联网、基于信息物理系统的 制造业以及《中国制造2025》。然而，实现智能制造的具体挑战之一是如何将制造的物理世界和虚拟 世界融合， 以实现制造过程中的智能互联、智能交互、智能控制和管理等智能操作。在这种情况下， 作为制造的基本单位， 车间需要实现物理空间和虚拟空间之间的交互和融合， 这不仅是智能制造的 必然要求， 也是其自身的发展趋势。 因此， 探索了基于数字孪生的数字化孪生车间（DTS）这一新概 念， 并对其四个关键组成部分进行了讨论， 包括物理车间、虚拟车间、车间服务系统和车间数字孪生数据。此外， 还分别研究了 DTS 的运行机制和实现方法，并探讨了关键技术以及未来的挑战。

索引术语 智能制造、数字孪生车间（DTS）、数字孪生、虚拟车间（VS）、车间服务系统（SSS）、 车间数字孪生数据（SDTD）、融合、信息物理系统（CPS）

I. 引言

随着云计算、物联网、大数据、移动互联网和人工智能 等新信息技术的开发与应用， 各国提出了不同的制造战 略（如工业4.0、工业互联网、 中国制造2025、服务化制 造[1]、 [2]和云制造[3]、 [4]）， 为下一场工业革命做准备。尽管这些战略是在不同的环境下提出的， 但它们的共同 目标是实现满足社会化、个性化、服务化、 智能化和绿 色化需求的智能制造。这提出了在物理空间和虚拟空间之间实现智能互联和互操作性的要求。为了满足这些要 求， 实现这两个空间的融合是关键。 由于车间是制造的 基本单位， 实现车间物理空间和虚拟空间的融合势在必 行。

同时， 从进化的角度来看， 融合也是车间自身不可 避免的趋势。如图1所示， 展示了四个阶段来展示这一过 程。在第一阶段， 由于缺乏有效的信息手段， 车间的生 产完全依赖于物理空间， 导致效率、 准确性和透明度都 很低。然后， 随着信息技术的不断发展， 计算机辅助系 统开始应用于生产， 但由于交互方式薄弱， 虚拟空间与 物理空间不同步。在第三阶段， 得益于通信技术、传感 器、物联网等， 两个空间之间存在交互。在未来， 随着 新信息技术的不断发展， 虚拟空间将逐渐与物理空间发 挥同等重要的作用， 双向连接也将得到加强， 这将支持 进一步的融合。

如今， 车间可以被视为第三阶段。 当前关于物理空 间与虚拟空间之间相互作用的研究进行了简要回顾， 如 下所示

20418

2169-3536 2017 年 IEEE。 允许翻译和内容挖掘 用于学术研究。 个人使用也是 允许的，但重新发布/重新分发需要 IEEE 许可。

有关更多信息，请参阅 http://www.ieee.org/publications_standards/publications/rights/index.html。

2017 年第 5 期

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

旧 1. 车间的发展进程[5]

以下是一些研究从框架的角度研究交互作用。例如，

Monostori[6]应用了信息物理生产系统（CPPS） 的概念，该系统有可能实现更分散的运行和交互方式。Mourtzis 等人[7]探索了一种基于云的方法来提供设备维护。 它 通过云基础设施建立了软件服务和物理实体之间的交 互。Zhu等人[8]提出了一种基于五层网络结构来支持 物理资源和应用软件之间的交互。为了将框架中的交互 作用从理论上转化为实践， 研究还关注特定方面。（1） 研究了在现场层面的数据收集和命令传输。传统上，

现场总线工业以太网被用于连接传感器、执行器和控制器， 相关研究主要涵盖实时通信机制[9]、 [10]、协 议标准化[11]、 内部网集成[12]、 [13]等。 随着物联网的发展，无线传感器网络（WSN）和射频识别（RFID） 被应用于车间， 用于收集设备的实时状态[14]、 [15]、

在制品[16]、材料[17]等， 这增加了数据采集的灵活性。 同时， 研究标准化技术和设备以屏蔽协议和接口的异 质性， 例如MTConnect[18]、 中间件技术[19]、现场数 据的协调和语义封装[20]、 [21]。（2） 随着现场数据 的收集， 研究各种数据处理方法， 将其转化为有价值 的信息， 以支持虚拟空间中的进一步分析和决策， 包 括数据清理[22]、数据挖掘[23]、数据融合[24]等。（3） 在虚拟空间中， 构建信息系统以优化生产过程。例如， 钟等人构建了一个基于RFID的实时制造执行系统， 为 车间提供了更实用的规划和调度决策[25]。罗和郭构建了一个机器人手臂系统， 以实现对物理空间中目标物 体的正确抓取[26]。方等人提出了一种事件驱动的车间 在制品工作进度管理平台， 用于监控动态生产[27]。

（4） 同时， 随着虚拟制造的发展， 建立了一个虚拟环 境， 在这个环境中， 模型取代物理实体进行评估、验 证和优化。 此后， 在虚拟空间中对布局优化[28]、生 产计划[29]、 [30]和故障诊断[31]等进行了分析和验证。（5）为了规范物理空间和虚拟空间之间的交互， 研究 了关于智能连接、数据到信息转换、 网络计算等方面 的技术标准[32]。（6）安全性是另一个重点领域。 例 如， 开展了评估和保证传感器[33]、无线通信[34]、功 能块[35]等免受恶意攻击安全性的研究。

从综述来看，当前的研究在很大程度上促进了物 理空间和虚拟空间之间的互动。然而， 要实现进一步 的融合， 关键在于改善虚拟空间的状况， 并将其模型、 数据和机制与物理空间相融合。要实现这一目标标， 以 下三个问题不可避免:(1）如何构建一个高保真虚拟 伙伴， 使其与车间并行存在， 并发挥同等重要作用;（2）如何使车间及其伙伴保持一致性和同步性， 实现 双重优化;(3）如何将物理资产和数字模型的数据融 合， 为生产生成有价值的信息。

为了解决上述问题， 数字孪生作为一种实现物理 空间和虚拟空间融合的参考模型， 近年来受到了广泛 关注。它由格里夫斯于2003年在密歇根大学的产品生 命周期管理高级课程中提出， 并被定义为三个部分， 即现实空间中的物理产品、虚拟空间中的虚拟产品以 及将这两个空间连接起来的数据和信息。它将物理实 体与高保真虚拟对应物结合起来， 并在生命周期中相 互陪伴。虚拟部分不仅记录物理部分的历史性能， 还 对其进行优化和预测。 同时， 物理部分为虚拟镜像提 供其属性、行为和规则， 使其不断校准和进化。 可以 明智地利用两者之间的差异来消除干扰和不确定性， 实现双重优化。数字孪生还整合和汇聚了来自多个来 源的数据， 如传感器数据、模型数据和领域知识， 以 生成更准确和全面的信息。如今， 数字孪生已被应用 于航空航天领域， 用于飞机的实时监测、诊断和预测、 维护等。[37]、 [38]。 一些企业（如西门子、 达索、 PTC）也利用数字孪生来支持为客户提供的服务[39]。

基于数字孪生， 提出了数字孪生车间（DTS） [5] 的概念， 为实现物理与虚拟的融合提供了一种有效途径。DTS 以物理和虚拟这两种视角呈现车间。它使这 两个部分保持一致并实现优化。

2017 年第 5 期 20419

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

相互之间。物理和虚拟方面的数据以及融合后的数据都被提供以驱动生产。 在本文中， 对 DTS 的概念模型和 具体运行机制进行了讨论。然后分别对其四个组成部分， 即物理车间（PS）、 虚拟车间（VS）、 车间服务系统 （SSS）和车间数字孪生数据（SDTD） 的实现方法进行 了研究， 这为 DTS 提供了更深入的见解， 也为进一步 的实现提供了参考。 最后， 探讨了 DTS 的关键技术和 挑战， 作为未来研究的指导方针。

本文的其余部分组织如下。在第二部分， 提出了传 统的生产过程及其未来趋势。 第三部分介绍了 DTS 的 概念及其运行机制。 第四部分阐述了 PS、VS、 SSS 和 SDTD 的实现方法。第五部分讨论了 DTS 的关键技术和 挑战， 第六部分总结了本研究， 并指出了未来的工作方 向。

图 2. 车间的传统生产流程

二.车间生产流程与新信息技术

车间传统的生产流程如图2所示。在生产前， 根据订单、 其他部门的建议和历史生产数据等生成生产计划。 该计 划为团队、工作站和个人指定了具体任务。经过计划审 查和验证后， 进行生产准备， 如工人培训和分配、设备 维护和材料收集等。对于复杂或新工艺， 有必要组织试 生产。然而， 在常规流程中， 可以省略这一步骤。 正式 生产按照计划进行， 期间进行调度、大会控制、质量检 测和生产因素管理等， 以确保正常运行。如果出现冲突， 计划会进行修改以适应实际情况。生产结束后， 对成品 进行检查， 确保尺寸、形状和性能等指标符合要求。 合 格的产品被运入仓库， 而不合格的产品需要修理。 生产 过程中产生的信息， 如工

艺文件、故障记录和标准规格， 都被保存在文件中， 以 供下一轮使用。

然而， 对于上述传统流程， 虚拟空间的功能有限，

往往依赖于物理世界， 缺乏自主性和进化性。物理空间 和虚拟空间之间的一致性和同步性难以保证。更重要的 是， 这一流程通常侧重于对从实体获取的数据进行收集、 存储、测试、处理和控制， 而忽略了模型和信息系统生 成的模拟、优化、预测和验证数据， 尤其是融合了物理 和虚拟双方的数据。在这种情况下， 通常会存在一系列 问题， 例如计划与实际生产不一致、 资源分配不合理以 及生产控制不准确。

如今，新的信息技术得到了相当大的发展并得到了 广泛应用。物联网提供了无处不在的传感能力， 能够从 车间的不同因素、业务和流程中收集数据。信息物理系 统（CPS）整合了计算和物理能力， 使物理资源能够具 备计算、通信和控制能力。 由于云计算提供了强大的计 算能力， 它为构建和运行复杂的模型奠定了基础。通过 大数据和人工智能， 可以为实体、模型和系统赋予智能， 支持物理空间和虚拟空间之间的自主协商与合作。 这些 技术使数字孪生能够应用于车间。采用数字孪生来融合 物理空间和虚拟空间， 以解决现存问题并实现智能生产和管理的趋势是不可阻挡的。

三.DTS 的概念与运作

一个。 DTS 的概念

如图 3 所示 ， DTS 由四个组成部分组成 ， 即物理空间 （PS）、虚拟空间（VS）、服务空间（SSS）和服务数 据传输（SDTD）。物理空间包括一系列实体， 如人类、 机器和材料， 它们客观存在于物理空间中。物理空间严 格遵循来自虚拟空间和服务空间预先定义的指令， 组织 满足交付、成本和质量等要求的生产。虚拟空间由多个 维度构建的模型组成， 包括几何、物理、行为和规则。 虚拟空间随物理空间演变， 为物理空间提供控制指令和 服务空间优化策略。服务空间是一个集成服务平台， 它 将企业信息系统（EIS）、 计算机辅助工具、 模型和算 法等功能封装为子服务， 然后将它们组合起来， 为物理 空间和虚拟空间的需求形成组合服务。服务数据传输包 括物理空间数据、虚拟空间数据和服务空间数据， 这三 个部分的融合数据， 以及现有的建模、优化和预测等方 法。服务数据传输中的数据是集成的， 消除了信息孤岛。 此外， 融合数据融合了来自物理空间和虚拟空间的数据， 提供了更全面和一致的信息。

20420 2017 年 第 5 卷

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

图 3. 动态电压缩放（DTS）的概念模型[5]

在图 3 中 ， SDTD 充当了其他三个部分的“ 驱动 者 ”。对于 PS， SDTD 中的数据使实体能够了解自身和 他人的状态以及全局生产目标。 如有必要， 实体会在 SDTD 的驱动下进行允许的调整， 以更好地实现合作。 对于 VS， 基于从 SDTD 中挖掘出的关系、 约束和规则 来构建和更新模型及其运行机制。针对特定需求，

SDTD 为 SSS 提供相应的数据、 算法和模型等， 这些被 封装为子服务， 以驱动服务组合和后续的服务流程。

PS
附言与 VS 之间、VS 与 SSS 之间、 SSS 与 PS 之间的 交互分别解释如下。（1）PS 生成实际状态以更新 VS 中的模型并评估其准确性，而 VS 反馈控制指令以使 PS 与预定过程同步。（2） 一方面， SSS 提供服务以支持 VS 的正常运行和演进。 另一方面， 为 PS 提供的服务首 先传输到 VS 进行验证， VS 反馈修改建议给 SSS。（3） PS 中监测到的实际状态传输到 SSS。经过需求分析，

SSS 为 PS 提供已在 VS 中验证的服务， 以优化生产。

随着 PS、VS 和 SSS 随时间演变，持续的交互使它 们彼此保持一致，并不断进行优化迭代。

B. DTS 的操作机制

如图 4 所示， DTS 的运行机制分三个阶段进行说明， 包 括生产前、生产中以及生产后。在该图中， 黄色方块、 蓝色方块和紫色方块分别代表 PS、VS 和 SSS， 它们的 操作和相互作用由数据支持， 即 SDTD。

在生产之前， 订单（例如交付、数量、成本和质量） 会传递到 SSS 中的生产计划服务。为了支持生产计划的 制定， 会收集相关数据， 包括传感器数据（例如材料库 存、人工工作量和设备容量）、模拟数据（例如设备故 障预测、人体体力评估和材料性能分析） 以及 EIS

数据（例如产品生命周期数据、工艺文档和市场数据）。 由于这些数据来自 PS 以及 VS 和 SSS， 会提供数据融合 服务将它们融合，并为特定对象生成一致的解释。 由融 合的数据驱动， 生产计划服务生成生产计划， 然后交给 VS 进行验证。 VS
与在实际生产前发现计划中潜在的冲突， 并向服务反馈修改策略。修改后， 该计划会传递到资源 分配服务， 该服务指导 PS 中的生产准备工作。 如果资 源的实时状态发生变化， 仍可向生产计划服务反馈修改 建议。

在生产过程中， 经过验证的计划被传输到虚拟空间 （VS） ， 以便在虚拟空间中预先定义生产。然后， 来自 虚拟空间的控制指令被传递给物理空间（PS） 以启动实 际生产过程， 并使其与预先定义的保持同步。 一方面， 物理空间生成的实时数据被记录在虚拟空间中;另一方 面， 基于模型的模拟、评估和优化等实时进行， 并在必 要时生成指令来调节物理空间中的生产。在这个过程中， 虚拟空间的预定数据与物理空间的实时数据会不断进行 比较。如果两者不一致， 由融合数据驱动的评估服务会 给出判断。 它判断不一致是由物理空间中的干扰（例如 设备故障、材料短缺和紧急订单） 引起的，还是由虚拟 空间中模型的不准确性（例如边界和初始条件设置不合 理） 引起的。如果物理空间存在干扰， 相应的服务， 如 调度服务、质量服务和会议服务， 将消除或减少它们。 这些服务首先提供给虚拟供应链（VS） 以进行验证， 然 后转化为控制指令来调节物理供应链（PS）。否则， 不 一致性可能由虚拟供应链（VS）导致。在这种情况下， 模型校准的服务会在虚拟供应链（VS）上安排并实施。 由之前的模型验证的生产计划应根据校准后的计划进行 调节， 同时生产过程也会相应地进行调整。

生产完成后， 成品输出并运往仓库。 同时， 从模型 记录中获取历史生产数据。基于这些数据， 数据挖掘服 务为模型构建和校准提取新知识。通过可调整的时间线， 虚拟现实能够重现历史情况， 这是找出以往生产中的缺 陷以及相应解决方案的有效方法。

从 DTS 的角度来看，这是一个随着不同轮次生产而 不断演进的过程。

IV. DTS 的实施

一个。 实体店铺（PS）

如图 5 所示，除了传统的生产能力外， DTS 中的 PS 还 能够实现互联和互动。这意味着从纵向来看， 生产要素 （即人、设备、材料、环境） 向虚拟空间传输数据， 并 接收来自虚拟空间的控制指令， 而从横向来看， 它们感 知其他生产要素。

2017 年第 5 期 20421

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

图 4. 差热分析（DTS）的工作机制

并针对全球目标规范自身或他人的行为。

生产要素的数据应实时获取。考虑到异质性， 采用 了不同的传感器。对于人类， 便携式设备用于收集体力、 运动和工作状态等。有线或无线传感器可部署在设备上， 以实现诸如机器速度、能耗和工具磨损等状态。对于高 度自动化的设备， 这些数据可以从其自身的嵌入式模块 中读取。 射频识别（RFID） 可用于材料的生命周期跟踪， 环境传感器用于检测环境的实时变化。

然而，这些数据通常通过不同的接口（如RS232、

CAN 和 ZigBee） 和 通 信 协 议 （如 Profibus、TCP/IP 和 Modbus）进行传输，这使得对虚拟空间进行统一的数据 访问变得困难。 因此， 有必要部署定制的访问模块， 通 过这些模块将来自不同来源的数据转换为统一的接口和 协议。此外，由于访问的数据总是具有不同的格式、类 型和信息模型， 需要进行数据集成， 包括清理、格式转 换、关联等。

基于综合数据， 为生产过程中的共

同和兼容目标构建了一个协作网络， 用于描述生产因素 及其关系。在该网络中， 生产因素由具有感知、计算和 交互能力的节点表示，而它们之间的关系则由边来表示。 根据来自虚拟空间的指令， 节点请求其他节点与其合作， 并对其他节点传播的请求做出响应， 这使得 PS 自身具 有更强的适应性、灵活性和鲁棒性。

来自协作网络的指令被传输到定制的接入模块， 以 进行接口和协议转换， 以适应 PS 中执行器的不同通信 模式。最后， 这些指令被执行以控制和协调生产。

湾。 虚拟货架（VS）

作为数字镜像， 为了高保真地模拟物理对应物， 虚拟现 实（VS）构建于四个层面， 即几何、 物理、 行为和规 则。如图6 所示， 以数控机床的建模过程为例。首先， 构建三维几何模型来描述机床部件的形状、尺寸、位置 和装配关系。这些模型的常用工具包括

20422 2017年第5卷

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

旧 5. 压力状态中的相互连接与相互作用

旧 6. 在 VS 中对数控机床进行建模的四个步骤。

SolidWorks、3D MAX、AutoCAD、CATIA 等。其次， 将 物理特性（例如功能/容量、切削力、扭矩和磨损）和负 载（例如应力、 阻力和温度）赋予几何模型以形成物理模 型， 用于分析诸如变形、开裂和腐蚀等物理现象。 在这个 级别可以使用有限元模型（FEM）进行模拟。然后构建 行为模型来描述机器在诸如数控程序等驱动因素和诸如人 为干扰等干扰因素下的响应机制。可以应用有限状态机、 神经网络和复杂网络等来描述响应过程。最后， 对关联、 约束和推导规则进行建模， 以描述领域知识， 并使上述三 种模型能够进行评估、推理和预测。

为了构建规则模型， 可以使用诸如 Apriori、支持向量机 和 K 均值等数据挖掘算法。

建模后， 四个层次的模型在功能和结构上相互整合， 形成了一个完整的虚拟数控机床。对于 PS 中的其他实体， 建模过程是类似的。

为确保模型的准确性， 验证、验证和认证（VV&A） 测试模型到程序代码的转换， 将模型的输入和输出与实 体进行比较， 并评估模型的敏感性。此外， 通过虚拟现 实（VR）和增强现实（AR）， 虚拟化服务（VS）为用 户呈现生动的三维图像， 并将虚拟模型叠加在实体上， 提供一个沉浸式环境。

2017 年第 5 期 20423

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

如图 7 所示， 模型的运行和演化是并行过程。在运 行期间， 模型与物理对应物同步运行。通过将模型与实 体进行比较来生成校准策略， 以支持模型的演化， 这意 味着对物理系统的保真度更高。 同时， 演化后的模型为 运行过程提供了更准确的估计、验证、优化和预测支持。

图 7. 虚拟空间中模型的操作与演变。

首先， 来自 SSS 的生产计划被传输到 VS 进行验证。 基于经过验证的计划， 预先定义的虚拟生产流程将形成， 并在 PS 中驱动实际生产。 随着实体开始工作， 它们产 生的实时数据被记录下来， 并与预先定义流程中的数据 进行比较， 以评估一致性。如果两种数据一致， 模型的 准确性就得到了确认， 否则， 将安排评估服务来估计不 一致的原因。 在这个过程中， 如果 PS 中不存在干扰，

则可以认为不一致是由模型缺陷造成的， 需要进行校准。 如果 PS 中确实存在干扰，它们将被捕获并提供给模型。 在之前未知的干扰下再次进行模拟， 如果模拟结果仍然 无法与实际状态达成一致， 就需要进行校准， 否则， 就 可以认为模型是准确的。 随着模型不断进化以接近实体， 对 PS 和 SSS 的模拟将更加准确。

C. 店内服务系统（SSS）

SSS 提供各种服务来支持 PS 的管理和控制，以及 VS 的运行和演进。如图 8 所示， 诸如数据、模型、算法等 资源被封装为子服务， 然后被选择以形成组合服务， 以 满足 PS 或 VS 的需求。其运行机制如下所述。

SSS 中的子服务是由包括数据、模型、 算法、现有 系统、可视化方法等资源转换而来的。数据包括来自

PS、VS、 SSS 的数据及其融合数据， 而模型和算法主 要是现有的建模和数据处理方法。系统指的是 EIS 和其 他计算机辅助工具。虚拟化方法提供不同的显示方法以 生动地呈现信息。要实现资源到子服务的映射， 需要经 历服务描述、虚拟化、封装和注册等过程。

PS
附言的需求主要包括生产计划和调度、 质量检测、

大会控制等， 要求快速解决现存问题并预防生产过程中 可能出现的故障。 同时， VS 的需求主要需要校准和测 试、数据挖掘等， 以支持模型的运行和演进。这些需求 可以分解为子需求， 通常侧重于诸如应使用哪些数据、

哪种模型最合适以及哪种算法提供最佳解决方案等问题。 基于这些， SSS 从候选服务中选择合适的子服务， 然后 在一定规则下将它们组合起来， 为 PS 或 VS 形成组合 服务， 这些服务在运行时受到监控， 如果出现意外情况 会重新组合。

对于虚拟服务器（VS） ， 组合服务直接传输到模 型; 对于物理服务器（PS） ， 它们首先被传送到虚拟 服务器进行验证， 然后再传送到物理服务器执行。此外，如有必要，可以通过计算机或手机上的应用软件手动安排服务。

D. 车间数字孪生数据（SDTD）

SDTD 主要包括 PS 数据、VS 数据、 SSS 数据、这三部 分数据的融合数据以及现有的建模和数据处理方法等。 PS 数据主要包括生产要素数据、 生产过程数据和环境 数据。它们由实体直接生成， 未经进一步处理， 被视为 物理数据。 VS
PS VS数据是指用于模拟、 评估、 优化和预测 的模型参数及数据，而 SSS 数据主要涉及各种服务的 数据。这两类数据是从物理数据推导出来的， 并被定义 为虚拟数据。 融合数据是通过数据比较、关联、组合和 聚类等物理数据和虚拟数据的集成与融合。例如， 来自 物理空间的机床磨损数据可以与其关于应力、变形和强 度的模拟数据以及来自信息系统的关于调度和维护记录 的服务数据相结合， 形成融合数据。它呈现了一种关联 物理和虚拟信息的工具， 与来自单一方面的数据相比， 提供了更一致、 准确和全面的表示。

SDTD 的构建过程如下。 首先， 数据转换将来自 PS、VS 和 SSS 的各种格式、 类型、结构和封装的数据 转换为统一的形式。然后， 数据清理用于检测和删除脏 数据（例如错误、重复数据、无效数据） ， 并补充缺失 的数据以提高数据质量。第三， 为实现一致和全面的解 释， 应用数据融合。如图 9 所示， 物理数据和虚拟数据

20424 2017年第5卷

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

图 8. 系统状态空间（SSS）的运行机制

图 9. SDTD 的数据融合

通过诸如卡尔曼滤波器、神经网络和贝叶斯推理等数据融 合算法汇聚在一起， 以形成融合数据。

SDTD 通过不同类型数据之间的交互进行迭代优化。 一方面， 历史数据会随着实时数据的加入而更新和扩展， 同时实时数据可以根据历史积累的知识进行测试和校正。 另一方面，物理数据可以通过虚拟数据进行评估和模拟，而虚拟数据可以与物理数据进行比较以确认其准确性。

五. DTS 的关键技术与挑战

一个。 关键技术

如图 10 所示， 实现动态电压缩放（DTS） 的关键技术归纳 为五个方面， 并且给出了每个方面的规范。

1）压力状态下的相互连接与相互作用

相关技术包括感知与接入、通信协议分析、 数据封装 与发布、多智能体技术等。

2）虚拟服务器的建模、运行与验证

包括多维建模、模型集成和模型验证等技术需要得到 解决。

3）SDTD 的建设与管理

技术包括数据清理、 数据集成、 数据融合、 物理数据 与虚拟数据之间的双向镜像、车间大数据[40]等。

4）DTS 的运行与演进

包括迭代优化、 自学习、 自组织和自适应机制、标准 化等技术需要得到探索。

5）基于 SDTD 的智能生产和优质服务

应研究服务封装、 组合与发布、 需求分解、 优质的服 务 - 需求匹配、能耗管理[41]等。

湾。 未来面临的挑战

在实现数字孪生（DTS） 的过程中存在挑战。 首先， 有必 要保持物理空间和虚拟空间之间的充分双向连接， 以支持 实时交互。这主要涉及传感器、通信、 数据库和数据处理 等技术方面的挑战。 其次， 由于物理空间的可变性、 不确 定性和模糊性， 在虚拟空间中建立模型以高保真度反映实 体是一个基本问题。 此外， 当模型和实体之间出现不一致 时， 如何明智地识别和利用它们也是困难的。 第三， 由于 连续的物理空间和离散的虚拟空间处于不同的尺度， 如何 跨越差异实现双方的无缝集成具有挑战性。 随着虚拟空间 随着物理空间的生命周期而演变， 来自实体、模型和系统 的数据不断产生。 在这种情况下， 如何整合和汇聚不断增 加的数据是一个挑战。 此外， 安全是另一个焦点， 确保物 理空间和虚拟空间的正常运行， 抵御恶意攻击。

第 5 期，2017 20425

F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

图 10. 动态电压缩放（DTS）的关键技术[5]

攻击。顺便说一下， 为了保障企业的利益， 应当考虑如 何实现 DTS 的成本与利益之间的平衡。

六.结论与未来工作

随着新的信息技术不断开发和应用， 发展分布式协同制 造（DTS） 以开启车间新范例变得势在必行。 为了支持 车间进一步融合， DTS 提供了具有高保真度、 物理空 间和虚拟空间之间持续交互以及融合这两个空间的数据 的演进模型。 本文对 DTS 进行了深入研究，并为未来 的工作提供了指导方针。 主要贡献总结如下： 1） 探讨 了 DTS 的概念和运行机制。2） 阐述了 DTS 四个组件 的实现方法。 3） 讨论了关键技术和未来面临的挑战。

目前， 这项研究仍处于初始阶段， 仍需做大量工作。 未来的工作将集中在以下方面： 1） 物理空间中的智能互 联和交互， 2） 物理空间和虚拟空间之间的双向连接， 3） 虚拟空间的高保真模型， 4） 服务管理和宝贵的服务需 求匹配， 5）DTS 在智能制造中的应用。

参考文献

[1] F. Tao， L. Zhang， 和 Y. F. 胡， ''MGrid 中的资源服务最优分配系统， '' 在制造网格中的资源服务管理 系统。 美国新泽西州霍博肯：Wiley，2012 年，第 27-41 页。

[2] F. Tao， L. Zhang， 和 Y. J. Laili，“用于能源感知型云服务调度的 CLPS-GA”， “可配置 智能优化算法：制造中的设计与实践。 美国纽约州纽约市：施普林格，2014 年，第 1 页。 191-222.

[3] F. Tao， L. Zhang， V. C. Venkatesh， Y. L. Luo， 和 Y. 程，''云
[3]F.Tao，L.Zhang，V.C.Venkatesh，Y.L.Luo，和Y程，''云

制造：一种面向计算和服务的制造模型，'' Instit。 机械师。工程、B、J. 工程制造。，卷。 225， 没有。 10，页

1969-1976 年 8 月2011 年。

[4] F. Tao， Y. Lai， Li， L. Xu， 和 L. Zhang， ''FC-PACO-RM： 一种云中服务组合选项 imal 选择的并行方法 制造系统，'' IEEE Trans Ind. 信息。，第 9 卷，第 4 期，第 2023-2 033 页，11 月。 2013 年。

[5] F. 陶 M. Zhang 和 J. Cheng， ''数字孪生 研讨会： 未来研讨会的新范式'' 计算。集成。Manuf. Syst.，第 23 卷，第 1，第 1 页。 1-9,2017 年。

[7] D. Mourtzis， E. Vlachou， N. Milas， 和 N. Xanthopoulos，“基于 车间的基于云的机床和设备 维护方法 监测，'' Procedia CIRP，第 41 卷，第 655-660 页，1 月。 2016 年。

[8] H. H. Zhu， J. Gao， D. B. Li， 和 D. B. Tang，“基于 Web 的产品”
[8]H.H.Zhu， J.Gao， D.B.Li 和DB.Tang A基于 Web的产品

航空航天维护、维修和 大修服务服务系统 ，'' Comput. 工业，第 63 卷，第 4 期，第 338-348 页， 2012 年 5 月。

[9] T. L. 胡 P. 李 C. R. Zhang 和 R. L. Liu， ''使用 RTAI 在 Linux 下设计与应用实时工业以太网协议'' Int. J. 计算。 集成。制造。，第 26 卷，第 5 期，第 429-439 页，2013 年。

[10] D. Regulin、A. Glaese、S. Feldmann 和 B. Vogel-Heuser，“使能”
[10]D.Regulin、A.Glaese、S.Feldmann和B Vogel-Heuser，使能”

灵活的自动化系统硬件：动态重新配置 实际

支持 time 的现场总线，'' 在 Proc. 13th Int. 会议工业 信息。》，英国剑桥，2015 年，第 1198-1205 年。

9月2010 年，第 3766-3771 页。

[12] G. 塞纳，I. C. Bertolotti、T. 胡 和 A. Valenzano，''CAN 在内部网中的无缝集成 ，'' 计算。 Standards Interfaces，第 46 卷，第 1 页。 2016 年 5 月 1 日至 14 日。

[13] T. Sauter 和 M. Lobashov，“如何使用 互联网技术和网关访问工厂车间信息”， IEEE Trans. Ind. Informat。，第 7 卷，第 4 期，第 671-699 页，11 月。 2011 年。

[14] D. Mourtzis， E. Vlachou， N. Milas， 和 G. Dimitrakopoulos，''基于实时车间 的加工过程 能耗估计 通过无线传感器网络进行监控，'' Procedia CIRP，第 57 卷，第 637-642 页，12 月。2016 年。

[15] Q. Liu， H. Zhang， J. Wan， 和 X. Chen， ''一种 基于 角色的访问控制 的资源共享访问控制模型 适用于多域制造物联网 ，'' IEEE Access，第 5 卷， 页。 7001-7011,4 月2017 年。

[16] J. Chongwatpol 和 R. Sharda，''作业车间调度环境中启用 RFID 的跟踪和可追溯性，'' Eur. J. 操作者。 Res.，卷。 227， 没有。 3，第 453-463 页，6 月。2013 年。

20426 2017 年 第 5 卷

F. Tao, M. Zhang: DTS: A New Shop-Floor Paradigm Toward Smart Manufacturing
F. Tao， M. Zhang： DTS：面向 SM 艺术制造的新车间范式

[17] Y. F. Zhang, G. Zhang, W. Du, J. Q. Wang, E. Ali, and S. D. Sun, ‘‘An optimization method for shopfloor material handling based on real-time and multi-source manufacturing data, ’’ Int. J. Prod. Econ., vol. 165, no. 3, pp. 282-292, Jul. 2015.
[17] Y. F. 张 G. 张伟杜J.Q. 王E. Ali和SD.Sun：一种基于实时和多源制造数据的车间材料优化方法'' Int. J. 产品。Econ第 165 卷，第3 期，第 282-292 页，7 月。2015 年。

Machine monitoring system based on MTConnect technology,’’ Procedia CIRP, vol. 22, pp. 92-97, Dec. 2014.
基于MTConnect 技术的机器监控系统，ProcediaCIRP，第 22 卷，第 92-97 页，201 年 12 月 4.

con-nectivity between shop floor and IT levels of an
车间和IT层之间的联系

in Proc. 42th Annu. IEEE Ind. Electron. Soc. Conf., Oct.
在 Proc.42th Annu.IEEE 工业协会电子。Soc. Conf.10月

2016, pp. 6590-6595.
2016 年，第 6590-6595 页。

[20] M. Hoffmann, C. Bischer, T. Meisen, and S. Jeschke, ‘‘Continuous inte- gration of field level production data into top-level information systems using the OPC interface standard, ’’ Procedia CIRP, vol. 41, pp. 496- 501, Jan. 2016.
[20] M. 霍夫曼 C. B舍尔，T. Meisen 和 S. Jeschke，使用 OPC接口标准将现场级生产数据持续整合到顶级信息系统中'' ProcediaCIRPvol41，pp 496-501 年 1 月2016 年。

[21] J. Puttonen, A. Lobov, and J. Lastra, ‘‘Semantics-based composition of factory automation processes encapsulated by Web services, ’’ IEEE Trans. Ind. Informat., vol. 9, no. 4, pp. 2349-2359, Nov. 2013.
[21] J. 普托宁，A. Lobov和Lastra基于 Web服务封装的工厂自动化流程的基于语义的组合IEEETransInd. Informat，第 9 卷，第 4 期，第 2349-2359 页，11 月。 2013 年。

[22] L. Tang, H. Cao, L. Zheng, and N. J. Huang, ‘‘Value-driven uncertainty
[22] L. 唐 H. 曹 L. Zheng 和 N. J. Huang， 价值驱动的不确定性-

aware data processing for an RFID-enabled mixed-model assembly line, ’’ Int. J. Prod. Econ., vol. 165, pp. 273-281, Jul. 2015.
支持 RFID 的混合模型装配线的感知数据处理 Int. J. 产品。Econ，第165 卷，第 273-281 页，7 月。2015 年。

[23] W. Ji and L. H. Wang, ‘‘Big data analytics based fault prediction for shop floor scheduling, ’’ J. Manuf. Sys., vol. 43, pp. 187-194, Apr. 2017.
[23]W.Ji 和LH.Wang，基于大数据分析的车间调度故障预测J. 制造。Sys，第 43 卷，第 187-194 页，2017 年 4 月。

[24] D. Mourtzis, E. Vlachou, N. Xanthopoulos, M. Givehchi, and L. H. Wang, ‘‘Cloud-based adaptive process planning considering availability
[24]D.Mourtzis， E.Vlachou， N.Xanthopoulos， M.， Givehchi和LH.Wang， 考虑可用性的基于云的自适应流程规划

and capa-bilities of machine tools, ’’ J. Manuf. Sys., vol. 39, pp. 1-8, Apr. 2016.
和机床的能力“J.Manuf Sys第39 卷，第 1-8 页，4 月。2016 年。

[25] R. Y. Zhong, Q. Dai, T. Qu, G. J. Hu, and G. Q. Huang, ‘‘RFID-enabled real-time manufacturing execution system for mass-customization pro- duction, ’’ Robot. Comput. Integr. Manuf., vol. 29, no. 2, pp. 283-292, Apr. 2013.
[25] R. Y. 钟倩 戴 T. 曲 G. J. 胡和 G. Q.HuangRFID 为大规模定制生产 RobotComput 启用了实时制造执行系统。 集成。Manuf第29 卷，第2 期，第283-292 页，4 月。2013 年。

[26] R. C. Luo and C. W. Kuo, ‘‘Intelligent seven-DoF robot with dynamic obstacle avoidance and 3-D object recognition for industrial cyber-physical systems in manufacturing automation, ’’ Proc. IEEE, vol. 104, no. 5, pp. 1102-1113, Mar. 2016.
[26]R.C.Luo 和CW.Kuo，用于制造自动化中工业信息物理系统的智能七自由度机器人，具有动态避障和三维对象识别功能，Proc. IEEE，第104 卷，第 5 期，第1102-1113 页，3 月。2016 年。

[27] J. Fang, G. Q. Huang, and Z. Li, ‘‘Event-driven multi-agent ubiquitous manufacturing execution platform for shop floor work-in-progress man- agement, ’’ Int. J. Prod. Res., vol. 51, no. 4, pp. 1168-1185, 2013.
[27] J. 方G.Q. Huang和ZLi事件驱动的多智能体无处不在的制造执行平台，用于车间在制品管理 Int. J. 产品。Res，第 51 卷，第 4 期，第1168-1185 页，2013 年。

[28] S. Jiang and A. Y. C. Nee, ‘‘A novel facility layout planning and opti- mization methodology,’’ CIRP Ann. Manuf. Technol., vol. 62, no. 1, pp. 483-486, 2013.
[28]S.江和AY.C.Nee，一种新颖的设施布局规划和优化方法'' CIRPAnn. ManufTechnol，第 62 卷，第1 期，第483-486 页，2013 年。

[29] A. Syberfeldt, O. Danielsson, and A. P. Gustavsson, ‘‘Augmented real- ity smart glasses in the smart factory: Product evaluation guidelines and review of available products, ’’ IEEE Access, vol. 5, pp. 9118-9130, May 2017.
[29]A.SyberfeldtO. Danielsson和A. P.Gustavsson，智能工厂中的增强现实智能眼镜：产品评估指南和可用产品审查，IEEEAccess，第 5 卷，第9118-9130 页，2017 年 5 月。

[30] P. A. Winkes and J. C. Aurich, ‘‘Method for an enhanced assembly plan- ning process with systematic virtual reality inclusion, ’’ Procedia CIRP, vol. 37, pp. 152-157, Jan. 2015.
[30] P. A. Winkes和 C. Aurich，具有系统虚拟现实包容性的增强装配规划过程的方法，'' ProcediaCIRP第 37 卷，第152-157 页，1 月。2015 年。

[31] D. Mourtzis, A. Vlachou, and V. Zogopoulos, ‘‘Cloud-based augmented reality remote maintenance through shop-floor monitoring: A product- service system approach, ’’ ASME J. Manuf. Sci. Eng., vol. 139, no. 6, pp. 152-157, Jan. 2017.
[31] D. 穆尔齐斯 Vlachou 和 V. Zogopoulos，通过车间监控实现基于云的增强现实远程维护：一种产品服务系统方法'' ASMEJ. 制造科学。 Eng第 139 卷，第6 期，第152-157 页，1 月。2017 年。

[32] A. J. C. Trappey, C. V. Trappey, U. H. Govindarajan, J. J. Sun, and A. C. Chuang, ‘‘A review of technology standards and patent portfolios for enabling cyber-physical systems in advanced manufacturing, ’’ IEEE Access, vol. 4, pp. 7356-7382, Oct. 2016.
[32] 答：J.C.特拉佩C. V.特拉佩，U. H.Govindarajan， J.J.Sun 和AC.Chuang，在先进制造中实现信息物理系统的技术标准和专利组合综述，IEEE Access 第 4 卷，第 4 页7356-7382,10 月 20 日 16.

[34] G. Cena, S. Scanzio, and A. Valenzano, ‘‘Seamless link-level redundancy to improve reliability of industrial Wi-Fi networks, ’’ IEEE Trans. Ind. Informat., vol. 12, no. 2, pp. 608-620, Apr. 2016.
[34]G. CenaS.Scanzio 和AValenzano，无缝链路级冗余，提高工业Wi-Fi 网络的可靠性，'' IEEETrans. IndInformat，第12 卷，第 2 期，第 608-620 页，4 月。2016 年。

[35] Z. E. Bhatti, P. S. Roop, and R. Sinha, ‘‘Unified functional safety assess- ment of industrial automation systems, ’’ IEEE Trans. Ind. Informat., vol. 13, no. 1, pp. 17-26, Feb. 2016.
[35] Z. E. 巴蒂，PS Roop 和 R. Sinha，工业自动化系统的统一功能安全评估，IEEE Trans.Ind.Informa t.vol 13，第1 期，第 17-26 页，2 月。2016 年。

[36] M. Grieves. (2014). Digital Twin: Manufacturing Excellence Through Virtual Factory Replication. [Online]. Available: http://www.apriso.com
[36] M. 悲痛。（2014 年）。数字孪生：通过虚拟工厂复制实现卓越制造[在线]。 可用： http://www.apriso.com

[37] M. Grieves and J. Vickers, ‘‘Digital twin: Mitigating unpredictable, unde-sirable emergent behavior in complex systems, ’’ in Transdisciplinary Per-spectives on Complex Systems. Berlin, Germany: Springer, 2017.
[37]M.Grieves 和Vickers数字孪生，在跨学科的复杂系统中缓解不可预测的紧急行为 对复杂系统的观察 Berlin，德国：施普林格，2017 年。

Reengi-neering aircraft structural life prediction using a digital twin, ’’ Int. J. Aeros. Eng., vol. 2011, 2011, Art. no. 154798.
基于数字孪生的飞机结构寿命预测，国际机械工程机械师Aeros.Eng，第 2011 卷，2011 年，第 编号154798。

System engineering workbench for multi-views systems methodology with 3DEXPERIENCE Platform. the aircraft radar use case, ’’ in Complex Systems Design & Management Asia. Berlin, Germany: Springer, 2016, pp. 269-270.
采用 3DEXPERIENCE平台的多视图系统方法的系统工程工作台。飞机雷达用例，n复杂系统设计与管理亚洲。德国柏林：施普林格，2016 年，第269-270.

[41] F. Tao, Y. Zuo, L. D. Xu, L. Lv, and L. Zhang, ‘‘Internet of Things and BOM-based life cycle assessment of energy-saving and emission-reduction of products, ’’ IEEE Trans Ind. Informat., vol. 10, no. 2, pp. 1252-1261, May 2014.
[41] F. 陶 Y. 左 L. D. 徐丽Lv和LZhang 基于物联网和基于 BOM 的产品节能减排生命周期评估IEEETransInd. 信息，第10 卷，第 2 期，第1页 252-1261,2014 年 5 月。

费涛分别于 2003 年和 2008 年在中国武汉的 武汉理工大学获得机械工程专业的学士和博 士学位。

他目前是中国北京航空航天大学自动化 科学与电气工程学院的教授和副院长。

他目前的研究兴趣包括面向服务的智能 制造、制造服务

副经理， 可持续制造以及数字孪生驱动的产品设计/制造/服务。他在 这些领域撰写了四部专著和超过 100 篇期刊论文。

陶博士目前是《国际服务与计算面向制造杂志》的编辑。

孟章在中国北京科技大学自动化学院获得硕 士学位。 目前， 她正在北京航空航天大学自 动化科学与电气工程学院攻读博士学位。

她的研究兴趣集中在数字孪生、数字孪 生车间和可持续制造上。

VOLUME 5, 2017 20427
第 5 期，201720427