針對(duì)目前智能車間存在的管理效率低、精準(zhǔn)決策難等問(wèn)題，設(shè)計(jì)了基于數(shù)字孿生智能車間的體系架構(gòu)，開(kāi)展了智能車間管控平臺(tái)應(yīng)用建設(shè)，提出了實(shí)時(shí)匯數(shù)據(jù)、智能找問(wèn)題、精準(zhǔn)做決策的生產(chǎn)管控設(shè)計(jì)理念，解決了數(shù)據(jù)多端多維度展示、三維場(chǎng)景聯(lián)動(dòng)、KPI看板監(jiān)控業(yè)務(wù)管理、實(shí)時(shí)在線異常報(bào)警等問(wèn)題。最后以企業(yè)刀具環(huán)節(jié)基于數(shù)字孿生智能車間應(yīng)用為案例，展開(kāi)數(shù)字孿生技術(shù)在智能車間管控平臺(tái)的實(shí)踐驗(yàn)證。

• 作者：北京機(jī)械工業(yè)自動(dòng)化研究所有限公司 劉義 劉曉冬 焦曼 葉春暉 周樂(lè)，來(lái)源：《制造業(yè)自動(dòng)化》2020年第42卷第7期

01

引言

 

隨著5G、大數(shù)據(jù)、人工智能等信息技術(shù)與智能制造行業(yè)的融合和落地應(yīng)用，美、德、中、日等國(guó)相繼提出了國(guó)家級(jí)層面的智能制造發(fā)展戰(zhàn)略[1～5]，有代表性的如“美國(guó)工業(yè)互聯(lián)網(wǎng)”、“德國(guó)工業(yè)4.0”、“中國(guó)制造2025”[6,7]。雖然各國(guó)先進(jìn)制造技術(shù)發(fā)展戰(zhàn)略提出的背景不同，但其一個(gè)關(guān)鍵共性目的是實(shí)現(xiàn)智能車間的物理世界和信息世界的關(guān)聯(lián)、互通和智能化水平，數(shù)字孿生發(fā)揮著連接智能車間的物理世界和信息世界之間的橋梁作用，成為國(guó)內(nèi)外產(chǎn)學(xué)研各界關(guān)注的一個(gè)熱點(diǎn)[9]。

 

2003年，美國(guó)密歇根大學(xué)Michael Grieves教授在產(chǎn)品生命周期管理課程上首次引入“與物理產(chǎn)品等價(jià)的虛擬數(shù)字化表達(dá)”的概念[8]；2011年，Michael Grieves教授在《幾乎完美：通過(guò)該P(yáng)LM驅(qū)動(dòng)創(chuàng)新和精益產(chǎn)品》[9]論文正式提出數(shù)字孿生體的概念；2012年，Glaessgen E基于數(shù)字孿生體，實(shí)現(xiàn)超高保真仿真車輛監(jiān)控管理系

統(tǒng)，通過(guò)維護(hù)車輛歷史數(shù)據(jù)，顯著優(yōu)化車輛監(jiān)控的安全水平[10]；2014年，美國(guó)國(guó)防部將數(shù)字孿生的概念應(yīng)用到航天飛行器的PHM健康維護(hù)和全生命周期過(guò)程等問(wèn)題中；2017年，在世界智能制造大會(huì)上數(shù)字孿生被確定為世界智能制造十大科學(xué)技術(shù)進(jìn)展之一；同年，北京航空航天大學(xué)陶飛等人，提出數(shù)字孿生車間概念[11]，并論述其系統(tǒng)組成、關(guān)鍵技術(shù)、運(yùn)行機(jī)制等[12]；2019年，陶飛教授再次創(chuàng)造性的提出數(shù)字孿生五維模型[12]，從物理實(shí)體、虛擬實(shí)體、服務(wù)、孿生數(shù)據(jù)、連接五個(gè)維度進(jìn)一步探討在工業(yè)領(lǐng)域的應(yīng)用。盡管數(shù)字孿生車間尚處于發(fā)現(xiàn)初期，但前途無(wú)疑是光明的。

 

02

數(shù)字孿生車間的

體系架構(gòu)

 

針對(duì)實(shí)際車間管理人員受限于合理及定制化的技術(shù)和工具的及時(shí)支撐，被迫采用傳統(tǒng)管理方式，管理效率低；企業(yè)管理層缺乏全面、全量、統(tǒng)一的決策支撐技術(shù)和工具，大部分解決方案不成熟、難落地，精準(zhǔn)決策難等問(wèn)題，設(shè)計(jì)了基于數(shù)字孿生智能車間的體系架構(gòu)。

 

 

 

圖1 基于數(shù)字孿生的智能車間體系架構(gòu)

 

如圖1所示，基于數(shù)字孿生的智能車間是由物理車間、虛擬車間、車間服務(wù)、車間孿生數(shù)據(jù)等幾個(gè)部分組成。物理車間是車間現(xiàn)有物理實(shí)體的集合，涵蓋人、工廠、產(chǎn)線、設(shè)備、傳感器、邊緣計(jì)算設(shè)備等；虛擬車間是物理車間在信息空間上的呈現(xiàn)，涵蓋直觀展示管控平臺(tái)、視頻、三維、ERP、MES等車間的運(yùn)行狀態(tài)；車間服務(wù)主要實(shí)現(xiàn)功能服務(wù)和基于PaaS層的業(yè)務(wù)服務(wù)；功能服務(wù)包括感知控制、數(shù)據(jù)處理、模型構(gòu)建、機(jī)理模型4部分，將其表示為：

 

 

 

 

其中FS（Functional Services）為功能服務(wù)；PC（Perceptual Control）為感知控制；DP（Data Processing）為數(shù)據(jù)處理；MB（Model Building）為模型構(gòu)建；MM（Mechanism Model）為機(jī)理模型。i為第i個(gè)感知控制模塊；m為感知控制模塊總數(shù)；j為第j個(gè)數(shù)據(jù)處理模塊；n為數(shù)據(jù)處理模塊總數(shù)；k為第k個(gè)模型構(gòu)建模塊；o為模型構(gòu)建模塊總數(shù)；l為第l個(gè)機(jī)理模型模塊；p為機(jī)理模型模塊總數(shù)。

 

車間孿生數(shù)據(jù)既包括基于MPP的Greenplum、專為物聯(lián)網(wǎng)優(yōu)化設(shè)計(jì)的Tdengine、處理圖關(guān)系的Neo4j等多種關(guān)系型和非關(guān)系型數(shù)據(jù)庫(kù)，又包括存儲(chǔ)仿真、監(jiān)控、工藝、環(huán)境等業(yè)務(wù)的實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)，還包括如設(shè)計(jì)BOM、過(guò)程等生產(chǎn)管控?cái)?shù)據(jù)。

 

03

數(shù)字孿生車間

的技術(shù)應(yīng)用

 

數(shù)字孿生車間是集成多學(xué)科、多物理量、多尺度、多概率的車間仿真過(guò)程，在某企業(yè)里主要應(yīng)用以下三種核心技術(shù)。

 

1）三維建模仿真技術(shù)：（1）集成物理建模工具，實(shí)現(xiàn)基于三維掃描建模工具的自動(dòng)化幾何建模，實(shí)現(xiàn)數(shù)字孿生模型構(gòu)建效率。（2）集成虛擬現(xiàn)實(shí)和可視化技術(shù)提供全新人機(jī)交互模式下的車間虛實(shí)反饋，圖2所示。

 

 

 

圖2 三維仿真建模技術(shù)

 

2）數(shù)據(jù)傳感交互技術(shù)：（1）應(yīng)用基于華為芯片的傳感控制技術(shù)。（2）提供基于數(shù)字線程技術(shù)的智能傳感、多傳感器融合、分布式控制和便于技術(shù)等服務(wù)。見(jiàn)圖3所示。

 

 

 

圖3 數(shù)據(jù)傳感交互技術(shù)

 

3）數(shù)據(jù)治理技術(shù)：（1）基于傳統(tǒng)業(yè)務(wù)數(shù)據(jù)集成技術(shù)和產(chǎn)品數(shù)據(jù)集成技術(shù)結(jié)合數(shù)字孿生管理殼技術(shù)提供數(shù)據(jù)治理服務(wù)。（2）提供基于數(shù)據(jù)孿生基礎(chǔ)管理環(huán)境下的標(biāo)識(shí)解析、數(shù)據(jù)管理、模型管理等應(yīng)用。如圖4所示。

 

 

 

圖4 數(shù)據(jù)治理技術(shù)

 

04

基于數(shù)字孿生的

智能車間管控平臺(tái)

 

基于智能車間管控平臺(tái)應(yīng)用建設(shè)，提出了實(shí)時(shí)匯數(shù)據(jù)、智能找問(wèn)題、精準(zhǔn)做決策的生產(chǎn)管控設(shè)計(jì)理念。

 

 

 

圖5 生產(chǎn)管控設(shè)計(jì)理念

 

其理念如圖5所示，首先，通過(guò)設(shè)備狀態(tài)、工廠級(jí)別設(shè)備集群數(shù)字孿生模型等將數(shù)據(jù)實(shí)時(shí)匯聚起來(lái)，實(shí)現(xiàn)虛實(shí)交匯反饋；然后聚焦車間問(wèn)題，明晰解決機(jī)制，發(fā)現(xiàn)問(wèn)題→分析原因→快速?zèng)Q策。然后，基于歷史數(shù)據(jù)、產(chǎn)品狀態(tài)信息與數(shù)字孿生模型等，利用人工智能算法完成查找問(wèn)題方案，實(shí)現(xiàn)數(shù)據(jù)融合分析；進(jìn)而發(fā)掘車間潛能，實(shí)現(xiàn)優(yōu)化迭代，找到優(yōu)化方向→逐步提升效果。最后，利用加工設(shè)備、大數(shù)據(jù)與數(shù)字孿生結(jié)合決策支撐模型，對(duì)管控平臺(tái)精準(zhǔn)決策，并對(duì)決策迭代持續(xù)優(yōu)化。

 

05

管控平臺(tái)功能特點(diǎn)

 

5.1 實(shí)時(shí)匯數(shù)據(jù)

 

實(shí)時(shí)匯數(shù)據(jù)在管控平臺(tái)主要分為數(shù)據(jù)的采集和展示，如圖6所示。

 

 

 

 

圖6 實(shí)時(shí)匯數(shù)據(jù)

 

采集：產(chǎn)線設(shè)備數(shù)據(jù)、模型數(shù)據(jù)、生產(chǎn)進(jìn)度數(shù)據(jù)、質(zhì)量數(shù)據(jù)、物流數(shù)據(jù)、NC程序等通過(guò)自動(dòng)化采集、條碼掃碼采集、終端輸入采集等方式實(shí)時(shí)傳輸?shù)綌?shù)據(jù)中心。

 

展示：指標(biāo)數(shù)據(jù)和相關(guān)信息節(jié)點(diǎn)數(shù)據(jù)實(shí)時(shí)匯總通過(guò)處理分析進(jìn)行可視化展示，實(shí)現(xiàn)包括看板、視頻、三維仿真等方式的車間狀況實(shí)時(shí)監(jiān)控。

 

主要應(yīng)用在：

 

1）關(guān)鍵指標(biāo)匯數(shù)據(jù)，多類別多層級(jí)

 

匯聚車間全要素/全業(yè)務(wù)/全流程物理與信息融合數(shù)據(jù)，建立以效率、質(zhì)量、風(fēng)險(xiǎn)為主要維度的指標(biāo)體系。

 

2）數(shù)據(jù)展示多端多維度

 

可通過(guò)PC電腦、移動(dòng)端，查看業(yè)務(wù)看板、數(shù)字化虛擬仿真車間、視頻監(jiān)控等信息。

 

3）虛實(shí)交互反饋，三維場(chǎng)景聯(lián)動(dòng)

 

在車間孿生數(shù)據(jù)的驅(qū)動(dòng)下，實(shí)現(xiàn)產(chǎn)品全加工過(guò)程的實(shí)時(shí)監(jiān)控、過(guò)程優(yōu)化和遠(yuǎn)程控制。

 

4.2 智能找問(wèn)題

 

智能找問(wèn)題在管控平臺(tái)主要分為顯性問(wèn)題發(fā)現(xiàn)和隱性問(wèn)題挖掘。顯性問(wèn)題發(fā)現(xiàn)可通過(guò)生產(chǎn)過(guò)程清晰的狀態(tài)感知，包括：車間生產(chǎn)過(guò)程中的設(shè)備工況、生產(chǎn)節(jié)拍、過(guò)程實(shí)況、物料信息、人員操作、能耗變化、產(chǎn)品質(zhì)量和安全環(huán)境等狀態(tài)的實(shí)時(shí)感知。隱性問(wèn)題挖掘基于三維仿真模擬，主要基于數(shù)字孿生的智能車間通過(guò)應(yīng)用大數(shù)據(jù)及生產(chǎn)系統(tǒng)模型，建立的多級(jí)指標(biāo)連接響應(yīng)機(jī)制可以及時(shí)模擬生產(chǎn)情況，借助虛實(shí)對(duì)照，實(shí)現(xiàn)流程差異反饋和歷史環(huán)節(jié)追溯。如圖7所示。

 

 

 

圖7 智能找問(wèn)題

 

智能找問(wèn)題，主要應(yīng)用在以下幾個(gè)方面。

 

1）通過(guò)KPI看板監(jiān)控業(yè)務(wù)管理問(wèn)題

 

（1）效率看板

 

通過(guò)設(shè)備開(kāi)機(jī)率、有效利用率、資源調(diào)度效率、人員績(jī)效分析、異常處理響應(yīng)效率綜合展示車間生產(chǎn)效率問(wèn)題和訂單執(zhí)行進(jìn)度，輔助管理層開(kāi)展短期調(diào)整和長(zhǎng)期優(yōu)化工作，監(jiān)控業(yè)務(wù)管理如圖8所示。

 

 

 

 

圖8 效率看板

 

（2）質(zhì)量看板

 

聚焦工件質(zhì)量問(wèn)題信息，實(shí)時(shí)把控工件質(zhì)量趨勢(shì)數(shù)據(jù)，奠定質(zhì)量?jī)?yōu)化基礎(chǔ)，并且以項(xiàng)目為單位開(kāi)展交付產(chǎn)品質(zhì)量管控工作，監(jiān)控業(yè)務(wù)管理。

 

（3）風(fēng)險(xiǎn)看板

 

通過(guò)識(shí)別異常信息結(jié)合歷史數(shù)據(jù)分析識(shí)別當(dāng)前項(xiàng)目風(fēng)險(xiǎn)，支持定位到具體的風(fēng)險(xiǎn)預(yù)示指標(biāo)，如項(xiàng)目質(zhì)量風(fēng)險(xiǎn)、項(xiàng)目成本風(fēng)險(xiǎn)、項(xiàng)目進(jìn)度風(fēng)險(xiǎn)，監(jiān)控業(yè)務(wù)管理。

 

2）實(shí)時(shí)在線異常報(bào)警

 

車間生產(chǎn)過(guò)程中設(shè)備、系統(tǒng)、資源等Error及Warning級(jí)異常警報(bào)，使用紅色及橙色醒目標(biāo)識(shí)在三維場(chǎng)景中閃爍，并伴有語(yǔ)音提醒。點(diǎn)擊異常位置的標(biāo)識(shí)，彈出異常信息卡片展示異常描述，并有一鍵查詢關(guān)聯(lián)信息功能，為用戶提供客觀的異常相關(guān)信息，快速定位可能造成異常的原因。可應(yīng)用于加工設(shè)備實(shí)時(shí)數(shù)據(jù)和產(chǎn)線狀態(tài)監(jiān)控，以及業(yè)務(wù)管理監(jiān)控。

 

3）虛實(shí)交互發(fā)現(xiàn)問(wèn)題

 

面對(duì)生產(chǎn)過(guò)程精確建模，并對(duì)相關(guān)結(jié)構(gòu)部件進(jìn)行精簡(jiǎn)優(yōu)化，幫助發(fā)現(xiàn)問(wèn)題的同時(shí)通過(guò)虛實(shí)交互解決問(wèn)題，可應(yīng)用設(shè)備/產(chǎn)線/車間建模、精簡(jiǎn)結(jié)構(gòu)部件、合并優(yōu)化場(chǎng)景數(shù)，監(jiān)控業(yè)務(wù)管理。

 

4）通過(guò)歷史回溯數(shù)據(jù)找問(wèn)題

 

當(dāng)出現(xiàn)設(shè)備警報(bào)異常時(shí)，可以通過(guò)仿真加工歷史回溯功能模擬過(guò)去一段時(shí)間內(nèi)的機(jī)床運(yùn)行狀況，結(jié)合當(dāng)時(shí)的加工數(shù)據(jù)進(jìn)行展示。同時(shí)也支持調(diào)用機(jī)床歷史攝像回放。基于歷史回溯數(shù)據(jù)找問(wèn)題的方法在車間加工數(shù)據(jù)回溯、產(chǎn)線運(yùn)行仿真回溯、加工設(shè)備狀態(tài)回溯取得了良好的效果，監(jiān)控業(yè)務(wù)管理如圖9所示。

 

 

 

圖9 通過(guò)歷史回溯數(shù)據(jù)找問(wèn)題

 

4.3 精準(zhǔn)做決策

 

精準(zhǔn)做決策在智能車間管控平臺(tái)的運(yùn)行分析和決策方法如圖10所示。

 

 

 

圖10 基于數(shù)字孿生的智能車間運(yùn)行分析與決策方法體系

 

目的：精準(zhǔn)做決策，保障數(shù)據(jù)信息的全面性、時(shí)效性、對(duì)稱性、可視化。

 

思路：智能管控平臺(tái)大屏可視化的本質(zhì)是將數(shù)據(jù)信息呈現(xiàn)從“簡(jiǎn)單再現(xiàn)原始數(shù)據(jù)”變成“支持決策性、模型化再現(xiàn)數(shù)據(jù)集關(guān)系”。

 

做法：基于客戶業(yè)務(wù)模型和產(chǎn)品價(jià)值開(kāi)展協(xié)調(diào)整合工作，實(shí)現(xiàn)用戶業(yè)務(wù)場(chǎng)景實(shí)時(shí)整屏顯示，支持屏內(nèi)用戶業(yè)務(wù)需求與邏輯集中呈現(xiàn)，支撐服務(wù)于業(yè)務(wù)、決策的信息關(guān)聯(lián)展示。

 

精準(zhǔn)做決策主要應(yīng)用于通過(guò)信息節(jié)點(diǎn)數(shù)據(jù)和三維模型提升項(xiàng)目管控能力。

 

1）通過(guò)信息節(jié)點(diǎn)數(shù)據(jù)提升項(xiàng)目管控，實(shí)現(xiàn)訂單生產(chǎn)進(jìn)度的實(shí)時(shí)追溯；實(shí)現(xiàn)生產(chǎn)計(jì)劃相關(guān)數(shù)據(jù)查看，如物料、刀具、工裝需求計(jì)劃等信息卡片，如圖11所示。

 

 

 

圖11 通過(guò)信息節(jié)點(diǎn)數(shù)據(jù)提升項(xiàng)目管控

 

2）通過(guò)三維模型提升項(xiàng)目管控，實(shí)現(xiàn)生產(chǎn)過(guò)程三維模型的真實(shí)模擬加工運(yùn)動(dòng)，物料的運(yùn)送都與真實(shí)場(chǎng)景實(shí)現(xiàn)1比1還原；生產(chǎn)制造訂單的每個(gè)工件都可實(shí)現(xiàn)制造記錄追溯，如圖12所示。

 

 

 

圖12 通過(guò)三維模型提升項(xiàng)目管控

 

06

一種典型應(yīng)用

 

下面以企業(yè)刀具環(huán)節(jié)基于數(shù)字孿生智能車間應(yīng)用為案例，展開(kāi)數(shù)字孿生技術(shù)在智能車間管控平臺(tái)的實(shí)踐驗(yàn)證。管控平臺(tái)對(duì)車間設(shè)備信息進(jìn)行數(shù)據(jù)監(jiān)測(cè)，優(yōu)化預(yù)測(cè)設(shè)備生產(chǎn)和運(yùn)行狀態(tài)。應(yīng)用場(chǎng)景是聚焦多品種小批量刀具產(chǎn)品全生命周期，通過(guò)部署傳感器采集數(shù)據(jù)，對(duì)采集到的數(shù)據(jù)進(jìn)行時(shí)域分析、頻域分析以及時(shí)頻域相結(jié)合分析，并進(jìn)行特征融合，然后將特征融合訓(xùn)練樣本中的數(shù)據(jù)輸入到網(wǎng)絡(luò)識(shí)別模型中以訓(xùn)練權(quán)重，神經(jīng)網(wǎng)絡(luò)每層的輸出為：

 

 

式中，g表示Prelu激活函數(shù)，Wl表示神經(jīng)網(wǎng)絡(luò)的第l層度權(quán)重，基于SGD優(yōu)化算法，以均方誤差（MSE）為loss損失函數(shù)，表示監(jiān)測(cè)磨損值與真實(shí)值的均方誤差，計(jì)算公式如下：

 

 

式中，n表示監(jiān)測(cè)樣本總值，xi表示第i個(gè)樣本的真實(shí)磨損值，表示第i個(gè)樣本監(jiān)測(cè)的磨損值。利用鏈?zhǔn)角髮?dǎo)法則，計(jì)算損失函數(shù)值，基于梯度下降法對(duì)權(quán)重矩陣等參數(shù)進(jìn)行訓(xùn)練，權(quán)重W更新如下：

 

 

式中，Wl表示深度學(xué)習(xí)第l層度權(quán)重，η表示學(xué)習(xí)率，通過(guò)選取batch批量樣本訓(xùn)練后對(duì)權(quán)重進(jìn)行更新，使預(yù)測(cè)值不斷逼近真實(shí)值。

 

通過(guò)實(shí)驗(yàn)驗(yàn)證，基于深度學(xué)習(xí)的方法挖掘車間加工刀具的電流、功率、扭矩和其經(jīng)過(guò)特征提取后的信號(hào)數(shù)據(jù)，可以提高了刀具監(jiān)測(cè)的精度和泛化能力，當(dāng)對(duì)剩余壽命占比（RULR）做標(biāo)簽后，可以對(duì)當(dāng)前磨損值做回歸分析，以提高刀具監(jiān)測(cè)的精度。如圖13所示。

 

 

 

圖13 刀具磨損監(jiān)測(cè)場(chǎng)景應(yīng)用

 

06

結(jié)語(yǔ)

 

為順應(yīng)國(guó)家智能制造和工業(yè)互聯(lián)網(wǎng)發(fā)展趨勢(shì)，本文是以企業(yè)數(shù)字孿生智能車間管控平臺(tái)為背景，在實(shí)踐中構(gòu)建了基于數(shù)字孿生智能車間的體系架構(gòu)和管控平臺(tái)應(yīng)用建設(shè)，從實(shí)時(shí)匯數(shù)據(jù)、智能找問(wèn)題、精準(zhǔn)做決策三個(gè)方面實(shí)現(xiàn)數(shù)字孿生的多個(gè)場(chǎng)景，最后展開(kāi)了基于深度學(xué)習(xí)方法在數(shù)字孿生智能車間刀具環(huán)節(jié)的一種典型應(yīng)用案例進(jìn)行分析。隨著5G等更多新技術(shù)的應(yīng)用，對(duì)智能車間的管控會(huì)提出更多的需求和挑戰(zhàn)，需要開(kāi)展更加深入的研究和探討，進(jìn)而提高數(shù)字孿生在智能車間的管控和應(yīng)用。

 

參考文獻(xiàn)：

[1] Rosen R, ichert G V,Lo G, et al. About The Importance of Autonomy and Digital Twins for the Future of Manufacturing[J]. Ifac Papersonline,2015,48(3):567-572.

[2] Grieves M W. Product lifecycle management: the new paradigm for enterprises[J].Int ernational Journal of Product Development, 2005,2(1):1-8.

[3] Wen J R,Mu-Qing W U,Jing-Fang S U. Cyber-physical System[J].Acta Automatica.

[4] 高星海.從基于模型的定義(MBD)到基于模型的企業(yè)(MBE)——模型驅(qū)動(dòng)的架構(gòu):面向智能制造的新起點(diǎn)[J].智能制造,2017(5):25-28.

[5] 秦曉珠,張興旺.數(shù)字孿生技術(shù)在物質(zhì)文化遺產(chǎn)數(shù)字化建設(shè)中的應(yīng)用[J].情報(bào)資料工作,2018(2):103-111.

[6] Miao Q,Wang C M. A Conceptual Model:Entrepreneurial Competence Based on Enterprise Competitiveness[J]. Journal of China University of Geosciences,2003,3:11-18.

[7] 劉建鑫.基于CPS的制造單元管控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京:北京交通大學(xué),2016.

[8] GRIEVES M.Digital twin:manufacturing excellence through virtual factory replication [EB/OL].[2016-12-20].http://www.apriso.com/library/Whitepaper_Dr_Grieves_DigitalTwin_ManufacturingExcelence.php.2014.

[9] GRIEVES M.Virtually perfect:driving innovative and lean products through product lifecycle management[M].Cocoa Beach,Fla.,USA:Space Coast Pres,2011.

[10] DGlaessgen E,Stargel D.[American Institute of Aeronautics and Astronautics 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference 20th AIAA/ASME/AHS Adaptive Structures Conference 14th AIAA- Honolulu, Hawaii] The Digital Twin Paradigm for Future NASA and U. S. Air Force Vehicles[J]. 2012.

[11] Fei T,Meng Z,Cheng J, et al. Digital twin workshop:a new paradigm for future workshop[J].Computer Integrated Manufacturing Systems,2017,1:21-32.

[12] 陶飛,等.數(shù)字孿生五維模型及十大領(lǐng)域應(yīng)用[J].計(jì)算機(jī)集成制造系統(tǒng),2019:1-18.