从制造业的应用范围来说,数字孪生的应用按照物理系统的功能及结构可分为设备级、生产线级与工厂级。

设备级数字孪生是对单个设备或零件的数字孪生，是数字孪生应用范围中功能实现的最小单元。数字孪生设备与传统制造业设备的最大区别在于其拥有一个与物理世界近乎完全镜像且状态实时更新的数字空间。

1. 设备级数字孪生应用

当前设备级数字孪生在设备全生命周期都有广泛的应用。主要涵盖：设备设计、设备制造、设备使用、设备维护及设备报废等。

1.1 设备设计

通过数字孪生建立设计的知识库,对现有的设备进行迭代优化设计。

1.2 设备制造

在设备生产制造过程中，利用数字孪生体对设备进行测试,提高良品率。

1.3 设备使用

在设备使用过程中，通过数字孪生体对设备进行管理,提高工作效率。

1.4 设备维护

利用数字孪生模型可以有效诊断、预测故障，并对故障位置进行定位，从而提高设备维护效率。

1.5 设备报废

利用数字孪生模型对设备进行剩余寿命预测，对剩余寿命过少的设备进行报废处理。

设备之间数据的互联互通是实现设备级数字孪生的应用基础。设备级数字孪生数据互联的关键技术包含数据的采集、传输、存储以及处理4个方面。

2. 设备级数字孪生数据互联关键技术

2.1 数据采集

建立设备级数字孪生体的第一步是从物理系统中采集所需的所有数据，用于映射至数字孪生体。

数字孪生数据采集的基本要求包括实时传输、分布式布置和容错性。当讨论数字孪生的数据采集时，通常会引用物联网（IOT）和传感器技术。

数据采集系统要综合考虑应用需求,确定采集的数据类型、采集频率和归档需求等。

（1）数据来源

设备级数字孪生和其他级别的数字孪生相比,更侧重于从几何参数、工作状态和环境条件等多种渠道获取物理系统的各项数据。

几何参数：物理系统的基本参数，如材料特性、关键尺寸、公差、表面粗糙度、密度、硬度以及零件之间的装配关系等泅，大多从设计阶段获得。

工作状态：设备级数字孪生物理系统的工作状态通常表现为其结构的变化。通过所附的传感器采集机械设备在工作过程中的各项参数,如电压、电流、扭矩、压力、位移速度、加速度等。

操作和环境条件：设备级数字孪生物理系统的动态响应不仅受其健康状态的影响,还与操作和环境条件相耦合。影响物理系统运行的环境数据包括环境温度、大气压力和湿度水平等。

（2）传感器技术

在设备级数字孪生体的数据互联中,传感器的主要功能是采集物理环境中的具体信息,并同步到虚拟系统用于模拟和分析,在构建设备级数字孪生中起着至关重要的作用。

传感器的精度直接影响数字孪生的性能,许多变量都会影响传感器的测量结果;因此，在设备级数字孪生设计的初期，应慎重考虑传感器种类的选择、传感器的安装位置和传感器的组合，同时必须保证系统中多个传感器单元之间的时间同步。

传感器可能会影响设备的外观和用户体验。使用额外的传感器来实现设备级数字孪生将增加产品的开发和制造成本。在设计和开发阶段，设计者需要在多方面取得平衡。

目前在设备级数字孪生中常用的传感器有测量功率用的电流传感器、测量振动用的加速度传感器、测量力用的测力计和声发射传感器等。

（3）物联网

物联网是一个将多种“事物”进行整体整合的互联网。物联网可以专注于数字孪生物理系统的数据采集，是实现数字孪生的一项关键技术。

2.2 数据传输

数据传输是数据互联的重要通道,它将采集的数据传输到虚拟系统，以便镜像物理系统的各项参数，也将虚拟系统判断过的数据通过电气控制、可编程控制、嵌入式控制和网络控制技术对物理系统进行控制。

（1）通信接口协议

设备级数字孪生的数据互联需要建立统一的通信接口协议。设备级数字孪生常用的通信协议有OPC-UA、MQTT和MTComiect等,其中大多采用OPC-UA协议。

（2）延迟域

设备级数字孪生数据传输的基本要求是实时性。实时数据的采集可以提高设备级数字孪生体的可靠性。延迟是影响实时通信质量的主要因素，它会导致数据传输速率低、数据丢失和控制系统故障。虽然可以采用部署高速网络连接(例如5G、光纤通道协议等)和进行数据压缩的方法来减少通信延迟，但是就当前技术水平而言,延迟仍是难以避免的。

当延迟发生时，信号分析(例如基于时域和频域的分析)可能无法充分地捕捉潜在的动力学现象。可以通过构建延迟域来捕获底层现象的动态,以此来降低延迟对数字孪生体的影响。

2.3 数据存储

在数据采集之后,需要一个包含接口的数据存储概念，以便利用系统的所有历史更新来预测其未来的性能，并使用机器学习技术进行数据分析。

（1）数据存储方案

通过数据采集系统采集到的数据需要大量的智能存储系统,一般是通过内部存储和云端存储这2种方式进行部署。

1)内部存储：内部存储是在设备级数字孪生的物理系统上部署存储系统,将数据存储于其中。虽然该方案拥有更高的数据安全性,但需要较高的设备采购成本以及维护基础设施的专业知识。

2)云端存储：云端存储是将收集到的数据传输到云端存储提供商的存储基础设施中,其成本远低于内部存储。云端存储使得进一步的数据分析和机器学习解决方案集成更快、更可行，所需的专业知识更少；因此,更多的研究工作者偏向于更加灵活的基于云端的解决方案。

云端数据存储与数据库技术密不可分网。然而，由于多源数字孪生数据的数量和异构性不断增加,传统的数据库技术虽然是可行的,但和数字孪生数据的适配性不好。

（2）区块链

区块链(Blockchain)是一种新兴技术，其本质上是一个分布式数据库，用于记录已执行的数字事件，并以点对点的方式在参与者之间共享。其技术特点是分布式、非中介化、不可变和不可信，可以有效解决制造服务协同中的数据同步、数据加密等问题。

错误或损坏的数据会导致错误的决策，因此，保护数据对于数字孪生极其重要。区块链及其智能合约可以支持数据共享的安全性冋。

2.4 数据处理

高效处理从物理系统收集到的数据是开发设备级数字孪生的重要支柱。数据处理意味着从大量不完整、非结构化、噪声、模糊和随机的原始数据中提取有用信息。

（1）数据准备

在许多情况下,从设备采集到的原始数据包含信号噪声,容易出现漂移(低频)、信号噪声(高频)或数据丢失等不规则情况，因此，在接下来的特征提取之前,需要进行适当的准备，去除冗余、无关、误导、重复和不一致的数据。一般的步骤包括数据去噪、数据平滑和重新格式化等。

一般需要对这些数据进行过滤,低通滤波器可以有效去除信号噪声。但漂移的频率与负载频率重合,因此难以滤除，可以通过补偿漂移，例如补偿温度变化来减少。

此外，采样的原始数据往往与工频信号、周期干扰信号和随机干扰信号等噪声信号叠加,导致信号波形出现毛刺。为了减小干扰信号对数据的影响，需要平滑处理原始数据。

（2）特征提取

准备后的数据，需要进行特征提取，以降低所收集原始数据的维数，并提高用于创建数字孪生的机器学习模型的性能。特征的选择和缩减降低了计算复杂度，避免了机器学习算法的“维数诅咒”现象。数字孪生的特征提取通常从时域、频域和时频域3个维度进行。

（3）数据融合

设备级数字孪生体使用了不同的传感器和模型，从不同来源收集到的数据具有不同的格式或时间尺度,所以必须将动态的多源异构数据进行融合并集成在一起进行计算。

数据融合是对来自多个传感器的数据和相关信息进行合成、关联和集成处理,以获得更高的检测概率以及可信度。根据数据的表现形式，可以分为3个不同的融合级别：数据级别、特征级别和决策级别。

1)数据级别：如果多传感器数据是可加的,则可以进行直接数据融合。直接数据融合包括一些经典的估计方法，比如经典推理、卡尔曼滤波和加权平均法等。

2)特征级别：取数据中的特征向量，并基于特征向量进行融合，例如将不同传感器的信号特征组合为特征向量。

3)决策级别：处理每一个传感器的数据并做出判断,最后对所有决策进行融合,设备级数字孪生体物理系统的故障数据、维修数据等可以在决策层实现,用于决策支持。