近年，数字孪生、大数据、云计算、人工智能、物联网、工业互联网一系列新概念相继提出，从而引发了新的技术革新***。从应用角度看，这些技术是一个不可分割整体的不同侧面，存在着内在的必然联系。本文仅从大数据和数字孪生两个侧面阐述个人的观点。

相关概念

数字孪生概念，数字孪生体是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策[1]。

正如数字孪生及其在航空航天中的应用一文所描述，数字孪生体建设的最终目标是模拟真实物理世界的运行，从而服务于真实物理系统的优化与决策（如图1所示）。从数字孪生体存在的价值角度看，其优势在于：

1）对物理世界描述的完整性，通过数字孪生体的建设，将物理世界全生命周期的数据集中管理和应用，从而这与真实物理世界的双向沟通提供了基础;

2）与物理世界的动态一致性，通过数据收集与设备控制环节，实现了针对变化物理世界的数字孪生体的实时性跟随变化，数字孪生体具有了在物理世界生命周期内的成长和演化能力。

图 1数字孪生体概念

数字孪生体作为物理世界的一个虚拟系统，可以反映物理世界的行为、状态特征，监测物理世界的健康状态；与此同时，通过实例化为多个运行对象，并以不同的状态向前推演，可预测物理世界未来的状态，从而达到对物理世界优化决策的目的。

大数据概念，大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产[2]；是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征[3]。

一般认为大数据具有海量（Volume）、异构（Variety）、高速（Velocity）、可变性（Variability）、真实性（Veracity）、复杂性（Complexity）、价值（Value）等特征。

根据《大数据标准白皮书》对大数据技术参考框和关键技术的介绍，大数据技术参考模型如下图2所示，在信息流维度上，大数据价值通过数据采集、集成、分析、使用结果来实现。

图 2大数据技术参考模型图

从两个概念可以看出，两个技术都以数据为基础，数据采集都是二者不可缺少的环节，不同的是数字孪生技术更强调优化，大数据更强调数据分析。

正如在文献[5]所描述的一样（如下图3所示），大数据技术可以认为是数字孪生模型建设所应用的核心技术。无论是从大数据出发，还是从数字孪生出发，最终建设形成的信息系统可能殊途同归，最终形成可能都是当前数字孪生标准所描述的系统。

图 3 数字孪生与大数据技术关系图

案例分析

目前，大数据和数字孪生应用的主要领域集中在商业和城市等领域，如智慧交通、智慧城市建筑、智慧警情（舆情）等。在工业应用方面，无论是大数据技术还是数字孪生技术形成的案例都不多，至少没有构成应用的主流。对于一种技术而言，工业上的普遍应用才是技术成熟的标志。下文仅从几个大数据或数字孪生在工业方面应用案例入手，说明大数据与数字孪生技术在应用中的共性和联系。

1.风机故障诊断模型

大数据和数字孪生技术可以应用在风力发电的很多方面，风机的故障诊断和预防性维护是其中一个重要的应用。在风机的日常运行过程中，用于固定风机叶片的螺栓会发生松动，最终会导致风机叶片掉落，甚至造成整个风机的倒塌。

图 4 风机

由于风机往往成片地建设在山顶等处，距离维护人员驻地比较远，叶片又安装在几十米高的支柱上，维护人员很难时常对叶片紧固螺栓进行检测，巡查中也很难发现问题。应用现代化的手段进行检测和维护成为必然。这就是建立风机数字孪生模型和应用大数据对风机进行故障诊断的主要动力和源泉。

首先是在风机上安装噪音传感器和振动传感器，应用大数据技术建立风机基本运转模型，将风机传递回来的噪声和振动数据进行A计权声压级分析，应用大数据的相关算法（也可以认为是人工智能算法），对风机运行模型进行训练，形成可用于智能诊断的风机运行模型。然后，将传感器实时传递回来的数据与风机运行模型数据进行比对，也同时将多个风机数据进行比对，形成决策机制，从而诊断风机故障，如下图5所示。

图 5 风机故障诊断模型示意图

大数据模型可能主要关注风机故障分析判断，风机数据孪生模型建设主要是着眼于成片风机的预测性维护及优化。如果在上述模型的基础上，对风机故障与天气、时间等一系列数据进行综合，进而可以形成风机预防性的维护模型，完成对成片风机的预防性维护，达到运营管理和维护优化的目的，形成完整的数字孪生模型。

从系统平台角度看，上述的风机故障诊断系统（与数据孪生模型对照）可简述如下图6所示。该模型构建过程，既是大数据的应用范例，也可以认为是数字孪生应用的范例。

图 6 风机故障诊断系统与数据孪生模型结构对照

2.船用钢板质量诊断模型

我国是世界造船大国，也是世界船用钢板生产大国。在钢板轧制过程中，由于各方面的原因，钢板内会存在残余应力。在残余应用作用下，钢板存放过程中会发生变形，从而造成船厂的钢板退货，给钢厂造成经济损失。

图 7 船用钢板

在钢板轧制过程中，涉及多道工序，工艺参数多达数十个，而且钢板内残余应力形成与生产过程中的参数关系并不是显性已知的，这就形成了一个典型的大数据问题。实际上建设这样一个大数据系统也就是一个钢板轧制数字孪生体。为解决钢板轧制残余应用问题所建设的数字孪生体的核心主要应用大数据技术构建。其示意图如下图8所示：

图 8 钢板轧制过程数字孪生模型

与上例相似，在钢板轧制过程各工艺数字孪生体的基础上，建设基于大数据算法模型，通过模型训练，形成钢板轧制质量模型。应用该模型，将钢板材轧制过程实时数据作为输入，进而判断轧制钢板的残余应用水平，解决钢板的残余应力问题。

3.飞机液压系统数字孪生模型

这里引用的是《数字孪生技术拾遗》中“飞机前起落架数字孪生解决方案”的例子。在飞机上，前起落架/主起落架的收放、舵面的操纵往往是通过液压系统完成的。在使用过程中，可能会因微小渗漏等原因，使液压系统压力会逐渐降低。当这个压力降低到一定程度时，就可能引起前起落架意外收起等问题从而引发如图的飞行事故。

图 9 前起落架意外收起事故

通过在飞机前起落架上安装液压系统的压力传感器，记录每个起落后液压系统的压力值，通过应用大数据技术建立数据预测模型，预测下一个起落的液压系统压力，或在不添加液压油的情况下，可以执飞的起落数，从而描绘出如上图9所示的液压系统压力曲线，保障飞行安全，减少事故的发生。

正如上面的案例一样，像飞机、船舶等复杂装备的健康管理和预防性维护是数字孪生技术应用的重要领域和方向，美国空军和海军启动了不少此类研究项目，并总结形成了如下图10所示的基于数字孪生的飞机寿命预测模型。该数字孪生模型的建立也主要是应用大数据技术建立相关的模型，从而实现数字孪生技术的应用和系统建设。

图 10 基于数字孪生的飞机寿命预测模型

总结

数字孪生技术给出了一个数字孪生模型解决问题的框架性建议方案，大数据技术给出的是依据数据解决具体问题的算法和模型。正如本文中所列案例说明的一样，在数字孪生模型构建中可以广泛应用大数据、人工智能技术，构建其核心模型。

而在数字收集与控制层可以广泛应用像5G、物联网这样的技术等等。数字孪生技术与当前众多的信息新技术形成一个共存共荣的整体，不必也不可能排斥，其它的信息新技术。本文所讲的大数据与数字孪生其实只是其关系的一角。