2023数字孪生技术理念白皮书

信息模型在数字李生应用中的基石作用 互时科技出品2023.08 目录/Catalogue 引言.2 2.数字李生信息模型包含的信息9 结束语16 参考文献17 摘要 /Abstract 本白皮书围绕过程制造业、基础设施及高端装备等行业需求，系统性讲述数字李生及作为其基石的信息模型相关概念、技术、应用场景及客户价值。白皮书分析了传统信息化与数字化的差异，并认为数字李生技术在企业数字化转型过程中能发挥支点作用。数字李生应用具有不同成熟度等级，目前国内主要应用处于镜像层与描述层，这两个层级的应用及在功能、应用场景、客户价值上存在显著差异。信息模型通过构建单一数据源的数字底座，实现高质量的工业数据治理和分发，支持特定场景的减负增效以及跨场景的数据流转，是数字李生技术的基石，对于推动企业数字化转型具有至关重要的价值。 引言 /Introduction 不确定性是当前人类社会环境的重要特征。对企业尤其是制造业企业而言，无论是在供应链、市场需求、研发、制造等环节下，还是在宏观经济、社会及地缘政治环境等要素下，都面临着不确定性、不稳定性、复杂性及模糊性的巨大挑战，业内也基于这些特征将当下定义为VUCA时代。而想要化解不确定性，企业需要向数据驱动的模式进行转型，从而具备快速感知、分析及决策的能力。正如中国工程院院士邬贺所总结的，“数字化转型是应对不确定性最有效的举措”。企业必须通过数字化转型在不确定的时代赢得相对的确定性，才能得以生存发展。 国家在政策层面对于企业数字化转型也给予了高度重视。2023年2月，党中央、国务院联合发布的《数字中国建设整体布局规划》将数字中国建设的意义提升到了新的高度，极大推动了国内企业数字化转型的步伐。2023年4月，国家发改委发布的《政府投资项目可行性研究报告编写通用大纲2023年版》中，也首次在国家层面明确提出政府投资项目应考虑实施数字化交付。 与此同时，随若数字化转型应用的规模化及深入化，包括数字李生、大数据、人工智能、云计算、5G、物联网等在内的数字化转型相关支撑技术也备受关注，其中数字李生技术更被视为数字化转型的重要支点，成为当下的应用热点。 本白皮书主要围绕过程制造业、基础设施及高端装备等行业需求，系统性讲述数字李生及作为其基石的信息模型相关概念、技术、应用场景及客户价值，以期望为国内企业数字化转型提供助力。 01章 Digital Strategy 企业数字化战略 探讨数字李生技术之前，需要先提及企业的数字化战略。企业数字化战略是企业整体战略的子集，它与产品战略、销售战略、市场战略、人才战略等属于并列关系。数字化战略的根本诉求是通过对IT和数据的利用，支撑企业战略目标的实现，其最终仍是为业务所服务。 为实施数字化战略，企业需要搭建出数字化基础，来支择企业的诸多数字化行为。数字化基础主要包括研发、生产、供应链等环节的数字化资产信息，信息的质量与可用性，员工的数字化能力和数字化转型意愿，以及相应的企业文化等。现实中，企业往往会低估数字化基础的价值[1] 02/章 Digital Twin Keystone of Digital Transformation 数字李生--企业数字化转型的支点 国内信息化建设推进近30年来，廉置疑在提升企业运营效率等领域发挥了可观的价值。但在实施过程中，传统信息化模式也暴露出一定的局限性：业务驱动及点状建设模式容易导致信息孤岛；聚焦于点状、局部的效率提升，而无法实现全局优化；以及在实践过程中更多关注人，而较为忽视物这一关键生产要素等等。数字化转型的意义就在于去突破传统信息化的局限，实现企业从信息化向数字化的跃进，更大程度上发挥数据价值。 要想实现这一跃进，首先需要了解下信息化与数字化二者之间的差异。这两个概念紧密相关，但也存在显著不同，在现实中往往容易被混淆。 信息化、数学化概念的相关性主要体现在两者是一脉相承的。数学化是信息化发展的高级阶段：数字化并不是对信息化的革命，而是一种进化，是通过对企业以往信息化系统的整合优化，满足企业数字化时代的生产运营需求[2] 同时，信息化、数字化在特征上也存在显著差异。具体如表1所示。 换个视角，从生产力与生产关系的维度来分析，也能很好辨别出信息化与数字化的差异。在信息化时代，企业生产力的核心是人，在数据的获取、整合、使用等环节依旧需要人的深度参与，随之带来的自然是高昂的人工和时间成本。 而当企业实现数字化转型之后，以往难以获取或需消耗大量人工、时间成本才能获取的数据，可以被更高效率、低成本地获取；以往依赖于人工经验的数据分析、洞察手段，升级为专业高效的数字化分析工具；以往需要人工发现、解决的问题，在数据驱动模式下可以被智能识别，并自动找到科学的解决方法。企业的核心生产力已从信总化时代的人，转变为数据及其相关的分析、应用工具。 同时，在信息化时代，企业内部不同专业、部门以及不同企业之间都存在着一定边界，也就是所谓的“信息孤岛”，造成彼此间的信息隔离。而数字化转型则打破了这些边界，实现了数据的有效贯通；这意味着跨专业、部门及企业内外部的协同成为可能，企业的生产关系将被重构。 因此，从本质上来说，数字化转型实现了企业对于其生产力和生产关系的重构，并基于此产生更高的业务价值。 需要注意的是，数字化转型的前提是将物理世界完全解耦、重构、建模至数字世界，得以构建一个独立于物理世界的数字世界，而其中的核心支点就是数字李生技术。而相较金融、零售等服务型行业而言，过程制造业、基础设施、高端装备等都属于资产密集型行业；其实体对象复杂，物理属性丰富，可复制性差，实现数字李生的难度也随之提高。 03/章 Digital Twin Application Maturity Significant Differences Between Applications of MirrorLayer and Description Layer 数字李生应用成熟度一镜像层与描述层应用的显著差异 根据现有国际标准，数字李生应用被分为不同的成熟度等级。按照IEEEP3144数字李生成熟度模型标准草案，基于成熟度不同，数字李生应用可分为镜像、描述、诊断、预测及自治5个等级层次逐级提升（详见表2)[3]。 自前国内的数字季生应用主要集中在镜像层，描述层应用也开始逐新增多。二者及其分别对应的可视化模型、信息模型，在具体功能、应用场景、客户价值等多个维度存在显著差异（详见表3）。 概括来说，可视化模型与信息模型最大的差异体现在局部与全局的区别上。可视化模型好比于“盲人摸象”，能“摸”到的永远只是局部信息；这些信息无法实现与目标实体保持一致的完整描述，无法解决目标对象的能观性。而信息模型则与生俱来就包含全局的概念，它将所有的局部信息进行关联使之成为场景化信息，实现目标实体在领域、时间、空间等各个维度的完整描述。当然，二者之间的差异性还体现在是否全生命周期覆盖、集成及互操作能力、应用场景等诸多方面。从这些差异性中可以看出，相较于信息模型而言，可视化模型的客户价值较为局限。 目前国内多数企业对数字李生的认知，尚停留在镜像层的可视化应用上。这一认知现状对于企业进行数字化转型顾有阻碍。因此，突破这一认知并完成信息模型的构建，可以说是当前数字李生工作的核心任务，也是推动企业实现数字化转型的重要基础。 04章 Information Model Foundation of Digital Twin 信息模型-一数字李生的基石 1.信息模型--数字李生的基石 信息模型的概念在业界已有长久的发展历史，应用领域也相当广泛。基于不同的应用场景，信息模型在构建目标和复杂度上也存在一定差异。 如OPCUA协议、NAMUR的NOA（NAMUROpenArchitecture）架构、AutomationML等领域的信息模型主要关注互操作性，以解决现场来自不同供应商的传感器或机器设备数据的接入问题[]。 而基于当下国内的数字化现状，本自皮书对于信息模型的讨论，在强调互操作性的同时，更为关注构建覆盖企业全生命周期的统一数字底座的定位，及其所带来的业务价值。 数字李生所包含的模型，大致可分为信息模型、可视化模型、机理模型及数理模型四种(详见表4）。 其中，只有信息模型是在全生命周期维度对实体对象实现全量、全粒度的数字化表达，并通过单一数据源的数字底座形式，自动为其他模型及各业务系统分发含有语义的标准化信息。信息模型对于数字李生技术而言不可缺失，可以称之为数字李生的基石。缺失了信息模型的数字李生只是空中楼阁，难以担当起数字化转型支点的重任。 而前文所提及的可视化模型，一般仅适用于增强人机交互的特定应用场景；虽也可接入应用场景数据，但因其目的主要用于展示，并不强调数据完整性，其定位并非数据载体或底座。至于机理模型和数理模型，则对应着更高阶的应用，对数字季生而言并非不可或缺。 因此，无论是可视化模型，还是机理、数理模型，其本质上都属于针对特定场景的应用型模型。而信息模型作为基石型模型，则可以向它们分发、推送所需求的数据。 2.数字李生信息模型包含的信息 信息模型可以帮助企业更好地理解与管理实体对象。由于要满足企业内外部门及相关业务的所有信息需求，信息模型往往需要包含海量的各类信息；但同时，企业也需要对未来的信息需求度有个预判，以避免无用信息造成的资源浪费。 为便于管理信息模型所包含的客类信息，首先需要对其进行分类。自前业内尚无统一的规范，本白皮书所采用的是当下较为常用的分类方式，如下图所示。 简单来说，数字李生信息模型主要包含了两类数据：本体数据和活动记录。 本体数据涉及性能、设计、规程类数据，用于描述实体对象的构成、规程、材质、关联及拓扑关系等属性信息，主要产生于工程设计与建造阶段；而活动记录涉及状态、历史、商务类数据，主要用于描述实体对象当前的工作状态及历史运营记录等，多产生于企业运营与维护阶段，对企业诊断事故成因等场景必不可少。 造阶段的工程数据，也包括采购数据，以及运营阶段的实时数据、管理数据等。这些类型各异的海量数据原本非常分散，属于未经治理的非关联、非场景数据，所以称之为原始数据。 而基于一定规则，以抽象方式构建出信息模型后，这些原始数据实现了有效分类和场景化(Context)，进而彼此关联转化为标准化的信息。我们也可以理解为通过信息模型的构建，这些原始数据转化成为具有语义的（其关键价值是以一致的方式提供对现实世界场景化和关联信息的访问）、高可用性的信息[5] 所谓数字化交付，也就可以窄义理解为设计与建造阶段构建的数字李生信息模型，向运营与维护阶段的递交，并成为运营与维护阶段信息模型的起点。 3.数字李生信息模型的研究与推广 基于数字李生信息模型在数字化转型中的重要地位，欧美国家对相关的研究与推广非常重视。例如近些年德国工业4.0工作组提出的资产管理壳（AssetAdministrationShell，AAS)概念，其本质就是基于一定规则的信息模型，包含标识及子信息模型等要素[6]；而北美地区较为普及的资产信息管理（AssetInformationManagement，AIM）的概念，其核心也是资产的信息模型。 过往国内业界对于信息模型的关注程度普遍不高。但近年来，追于企业数字化业务的需求，在信通院等机构的推动下，业界对信息模型的研究也已起步，值得期待[7]。 4.数字季生信息模型包含的信息 信息模型作为数字李生的基石，需要具备被所有数据用户迅速接入、理解、执行及分享的能力。 在项目设计与建造阶段，业主需要与设计、施工、采购、监理以及政府监管部门等多方进行协同；而在运营与维护阶段，又涉及到设备供应商、维护服务商、工艺供应商、仪表与自动化供应商等。由于相关参与方都有各自的数据需要输入到信息模型中，针对信息模型的所有权、数据接入、决策权等方面达成统一的规范和协议，是非常重要的。 为提高协同效率，降低数据交换与共享的成本，需要标准的信息模型/数据集成规范来进行信息管理] 国际上