数字孪生体是云环境中物体或设备的实时表示，是物联网解决方案的核心。一个物体或设备的数字孪生体就像JavaScript对象标记（JSON，JavaScript Object Notation）文档一样简单，或者与实时数据交互的CAD模拟模型一样复杂。

在本文中，我们专注于公有云供应商，例如微软Azure、亚马逊AWS和谷歌GCP，因为它们是物联网应用程序的重要推动因素，并且它们为批量和实时分析提供经济高效的存储和计算基础架构。

连接的设备和连接的工厂物联网解决方案将真实的物理设备或物体（例如泵、发电机、自动售货机等）建模为其相应的数字孪生体表示。

发电机组的数字孪生体

上图显示了一台物理设备（发电机组）的JSON表示通过数字孪生体映射到一个位于云的基于“工业互联网参考架构”的物联网平台。

公有云物联网平台非常适合用于表示物体或设备的本身，但它们缺乏对物体或设备之间的层次关系进行建模的能力。例如在物联网平台上利用数字孪生体对包含泵和槽装置的泵站点进行建模。

数字孪生体中相关设备建模的挑战包括：

对系统和组件之间的关系进行建模；

对系统组件之间的“继承”进行建模；

利用数字孪生体表示系统结构的相关问题；

由于操作技术和信息技术团队之间的需求不能完全表达清楚，目前的工具不适合的问题；

利用工厂车间设备的现有语义表示（OPC UA信息建模、SensorML和S95）；

其他问题。

本文提出了一个如何解决这些挑战以生成复杂系统（如工厂）的数字孪生体表示的独特方法。

让我们以一个用例说明数字孪生体如何在工业物联网解决方案实施中发挥核心作用。图45描绘了一个水泵站的简化表示。我们以不同颜色来表来指示静态、命令和被报告的遥测值。

我们区分出了至少两种作为水泵站部件的设备：水泵站设备=水箱设备+水泵设备

水泵站的数字孪生体建模

让我们来创建每个设备的基础JSON表示，最后创建整个水泵站的JSON表示。

首先创建水箱设备的JSON数字孪生体表示。

水箱的JSON数字孪生体模型

正如所看到的，水箱的JSON表示有一些基本不会发生变化的“静态属性”（比如名字、位置、水箱高度等）和“遥测属性”（比如外部温度、水位高度、进水水流等）。水箱的JSON表示没有包括“命令”。GUID#1是被生成的识别此设备的唯一身份编码。

我们可以得到其他的运营信息，比如：

可用的瞬时水量，

利用可用水量支持水流量的能力，

根据历史数据模拟出水流量。

接下来水泵设备的JSON数字孪生体表示是：

水泵JSON数字孪生体模型

与水箱设备相似，水泵的JSON模型展示了静态属性、遥测数据和命令。GUID#2是被生成的识别此设备的唯一身份编码。我们再一次可以获得其他的运营信息，比如：

计算水泵是否能跟上即将到来的供水量；

使用历史功率、流量或累计运行时间等的水泵的预测性维护警报。

水泵站设备是水箱和水泵设备的总和（甚至更多）。针对讨论，我们提出了水泵站表示的建议方案。

水泵站JSON数字孪生体模型

我们赋予每个子孪生体一个唯一的标识符，通过引入子孪生体将相应的水箱和水泵设备连接起来。这清楚地模拟了这三种设备之间的物理关系。水泵站表示与子设备的任何静态或动态属性相关联，而同时泵站设备管理着对每个子孪生的命令。

以上是通过数字孪生体表示来模拟物理世界复杂性的第一个基本步骤。接下来，我们想通过添加围绕子孪生体的“逻辑规则”来扩展该模型。

水泵站数字孪生体的高级建模

上文提出的模型包含一个数字孪生体表示，它封装了物理组件及其关系的行为。通常，这种复杂的建模需要超出基本物联网框架的专有云后台支持，但我们希望在不久的将来，云平台即服务（PaaS）基础架构将在本地支持这一点。

接下来我们来看看现有的工厂车间标准，这些标准已经具备了物件或设备的语义以及如何利用这些标准来加快完成工厂数字孪生体表示的创建。

对于智能工厂应用而言，数据一般来自可编程逻辑控制器、驱动器、历史数据库等。过去，数据借助“原子”数据点或标签的列表进行收集。

OPC UA（OPC Connect）、SensorML、SSW（语义传感器网络）、Sensor Grid等标准结合语义信息，被用于捕获这些工厂车间设备之间的关系。这与上面的例子类似，但是要复杂得多——因为工厂有数千个数据点，并且设备之间有许多层次关系。

OPC UA的信息建模功能是最符合模型设备及其关系的要求的标准，应该用于为智能互联工厂或互联设备创建数字孪生体表示的语义本体。

一个对象的OPC UA表示

这种表示遵循对象导向的方法：对象可以由物体和属性构成；对象经过分类，它们之间的关系可以建模。

OPC UA设备示例

上图是一个温度控制器被表示为设备对象的例子。组件参数集包含了描述设备的所有变量。组件方法集包含设备提供的所有方法。这两类组件都是从拓扑元素类型（TopologyElementType）继承而来。“拓扑元素类型”是设备对象类型层次结构中最基本的对象类型。

另一种对象类型“功能组类型”（FunctionalGroupType）用于将设备的参数和方法分组为逻辑组。“功能组类型”和分组概念在统一架构的DI部分中所定义，但这些分组是针对特定的设备类型的，即在此示例中“流程数据”（ProcessData）和“配置”（Configuration）由“温度控制器类型”（TemperatureControllerType）定义。

OPC UA在行业中拥有广泛的安装基础，是一个行之有效的标准。这为利用OPC UA信息模型自动生成相应物联网数字孪生体的JSON表示提供了机会，并且避免了大型系统的繁琐工作。

好处包括：

从现有模型自动生成的数字孪生体有更高的保真度；

减少工作量，因为翻译工具能够从OPC UA模型生成云表示；

更快的实施和缩短投入运营前所需的时间，原因与上述相同；

敏捷性、灵活性和可重用性；

一旦得到云物联网框架的支持，模型复杂性具有可扩展性；

更广泛的市场接受度（技术上和业务上）；

为了对大型智能工厂物联网实施方案进行建模，新的标准需要解决如下问题：

扩展基本的数字孪生体表示以包含子孪生体层次结构，将一个行为建模为一系列逻辑规则。云供应商需要扩展当前的框架来支持这些高级模型，或者提供全面的应用编程接口（API）以允许第三方软件公司扩展它们。

利用行业标准（如OPC UA信息建模）来捕获设备之间的复杂关系，并自动生成现有已安装设备的数字孪生体表示。

总体来说，数字孪生体为物联网的应用带来了好处：

云技术带来了物联网解决方案的全新时代（低成本、高存储和计算能力、高信息吞吐量、信息安全性等）。

数字孪生体是一个互联设备和智能工厂物联网战略的核心技术。

大部分云供应方已经为数字孪生体实施方案提供了一个平台（亚马逊的CoreGreenGrass、微软的Azure IoT Hub、Google IoT等）。

目前，云物联网框架仅支持基于专有后端代码来模拟复杂系统的原子装置表示。

工厂厂房标准，如OPC UA、SensorML、S95等，已经为大型设备和它们的关系提供了一个逻辑模型。

需要新标准才能将这些工厂车间模型迁移到云物联网框架，从而加速实施智能工厂物联网解决方案。

云框架应该扩展其物联网框架以加速推进物联网解决方案。另外，第三方软件供应商可以基于云物联网框架提供扩展。

这些新标准不仅仅是为了迁移现有的工厂车间标准，而是为了把握公有云带给物联网的巨大潜力。

* 以上文章是数字孪生体研究中心（DTRC，Digital Twin Research Center）学习研究数字孪生体高级应用的案例材料。欢迎国内外研究数字孪生体的专家和团队联系我们，共同交流利用数字孪生体构建工业互联网体系的工作。