基于物理机理和大数据分析的混合数字孪生技术

数字孪生是工业数字化转型的重要技术手段，充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的模拟过程，在虚空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生技术不仅运用在设备的预测性维护方面，在优化控制，节能减排等方面，也取得了显著的成效。

物理仿真是数字孪生的基础。设备在设计阶段进行了大量的工况仿真，以保证设备满足设计要求。但由于工作环境，加工物料，操作习惯等差别，仿真并不能完全匹配现场的工况。而仿真计算，往往需要数小时，甚至数天的时间，不能满足实时监测和控制的节拍要求，所以数字孪生往往使用大数据分析技术。大数据分析技术虽然不乏成功案例，但缺乏物理机理的支撑，难以预知和改进数字孪生的效果。

在行业需求的推动下，出现了基于物理机理和大数据分析的混合数字孪生技术，Ansys公司的TwinBuilder就是其中的代表。如下图所示，TwinBuilder利用传统的物理仿真，来训练神经网络，产生所谓的降阶模型（ROM），并将现场工况，通过物理机理，抽象出子系统。利用现场的真实测量数据，来标定子系统参数。不仅将仿真速度提高到100毫秒到数秒的数量级，满足常用控制系统的节拍，而且仿真精度更加符合现场的实测数据。

在新能源领域，电机得到了广泛的应用。电机主要有磁性材料和线圈组成，高温不仅会造成磁性材料的退磁，降低运行效率，也会引起线圈短路，烧毁电机。在电机控制算法中，温度是一个重要的测量数据。但是在实际测量中，很难测量电机最热的转子的温度。由于温度的分布特性，更不可能预知转子最热的测量点。

下图是使用Ansys TwinBuilder，对电机转子温度进行虚拟测量的验证系统。Thingworx是工业领域的低代码数字中台产品，接口丰富，运行稳定，扩展方便，与TwinBuilder有内建的接口。

TwinBuilder软件不仅可以对流体，结构，电磁等仿真，建立降阶模型，同时根据现场系统，设计孪生模型，通过实时采集现场数据和仿真运算电机的温度分布，提取电机转子当前时刻的最高，平均和最低温度值，汇入数据中台，不仅用于优化电机控制，也可以为预测性维护等应用提供依据。Thingworx数据中台串接IT和OT系统的数据通信，存储关键数据，实现分析，报表和工况回溯。

TwinBuilder所提供的混合数字孪生技术，在综合节能领域也有着广泛的应用，如空调，冶金，水利等。

审核编辑：郭婷