将数字孪生引入工厂车间
想象一下，一个水晶球可以告诉您未来项目是否成功，或者是否会在后续过程中出现致命故障。现在把这个水晶球想象成一个镜像。欢迎来到数字孪生的世界。
对于制造商和整个工厂环境来说，这一概念激动人心，意义非凡，并引发了很多人的兴趣。 CCS Insight 首席运营官兼物联网研究主管 Martin Garner 和英特尔工业解决方案总监 Ricky Watts 将为我们作详细介绍。究竟是什么数字孪生？制造商采用这项新技术时可能面临哪些挑战？短期和长期优势有哪些？CCS Insight 还在一份白皮书中分享了对该主题的研究，该白皮书现已向 Insight.tech 读者提供。
尤其是在制造业环境中，究竟什么是数字孪生？
Martin Garner：我喜欢来自相关行业机构“数字孪生联盟”的观点，即数字孪生是机器、工厂流程和现实世界中存在的其他事物的虚拟模型。实物和虚拟模型之间需要某种同步，可能是实时同步，也可能同步过程非常缓慢。您还需要知道正在同步的数据的质量，以及同步的频率。这听上去可能很简单，但实际上需要层层叠进。
对于制造业来说，您可以想象会议室墙上有一个詹姆斯·邦德样式的图表，所有操作的实时状态都显示在一个视图中。您可以借助该视图分析流程、查看损耗率，还可以进行预测性维护、流程建模和优化。也可以开展员工培训，但不会影响人们在机器上的实际操作。我非常喜欢的一种数字孪生用途就是软件测试和模拟。例如，您可以先在虚拟机上进行软件更新，验证更新，确保不会发生崩溃或中断，然后再将软件下载到真实机器上。
我们现在也开始考虑更宏大、更上规模的数字孪生愿景。工厂是大型供应链的枢纽，那么为什么不制作整个供应链的数字孪生？其中甚至可能包括您向客户提供的一台用于了解该级别工作情况的机器。特斯拉就把它应用到了他们的汽车上。
Ricky Watts：我想补充一点，如果思考一下数字孪生因何存在，以及数字孪生出现的位置，会发现它确实与数据息息相关。
我们开始看到越来越多的数据从工厂中流出，那么在应用数据之前，我们需要以智能的方式理解这些数据。某种程度上说，数字孪生是数据从机器中流出时呈现数据的一种方式，对数据进行某些评估，理解数据，然后再应用输出或结果。
这些新型数字技术带来了哪些挑战？
Ricky Watts：其中一个挑战是，制造商通常并不是真正了解人工智能和机器学习的人；确实存在某种程度的技能差距。那么，如何依靠现有的员工队伍来实施此类工作呢？当然还有另一方面，都是相对较新的：您如何信任数据？如何应用数据？我认为这也是人工智能和机器学习面临的一些挑战。
还有中小型企业，它们代表着巨大的工业足迹。因此，扩大这些解决方案的应用规模十分重要，将数字孪生扩展至汽车制造商，让那些为汽车制造商生产螺丝的人也能拥有数字孪生。这样才能确保我们不只为制造商赋能；我们还需要为生态系统赋能，让生态系统广泛服务于这些模型。
我们在英特尔肯定会开展这些工作：如何简化其中某些技术的使用；以及建立伙伴关系和生态系统以引入基础设施。这背后还有很多事情要做。
制造商如何成功采用数字孪生？
Martin Garner：在最全面的版本中，数字孪生可以是一个跨运营技术和信息技术的长期项目。在这种情况下，它确实并非一个快速解决方案。在当前的经济环境下，一些公司可能会对较大型的长期项目犹豫不决。但可以利用数字孪生来获取一些短期收益。有一些非常好的用途，且回报周期确实也不长；预测性维护和软件测试是其中两个关键用途。其中的秘诀就在于确保获得架构合理的系统。该系统需要足够开放，可供构建生态系统、插入其他机器，并能逐步扩展，实现更全面的愿景。
Ricky Watts：我们都是技术人员；我们看到了这一巨大潜力。但目前我认为聚焦制造商需求至关重要。这些制造商非常关注自己将如何在未来几年可能颇为艰难的经济环境中生存下去。这真的变成了一个策略性问题：今天做哪些工作能让我明天就受益，而不是等到下周，下下周，甚至明年。
是的，预测性维护就是一个很好的例子。如果您有一个代表机器上的某个部件的数字孪生，并且这个数字模型告诉您机器即将发生故障，那么您就可以在故障发生之前先行修复。如果可以做到这一点，就能让工厂继续保持运转。
所以，专注于一些能带来短期价值的事情。这有两个好处。第一，它解决了今天的问题。第二，它让制造商开启了自主学习之路。它提供了一个短期结果，解决了您的一些短期挑战；此外，从长远来看，您可以借此让员工在这类环境中使用数据。而随着数字孪生技术得到更广泛的应用，这些近期机遇实际上可以让我们长期受益。
在此过程中，制造商需要具备哪些技能？
Ricky Watts：培养数据科学家并不能一蹴而就。那么您怎么才能有效地将石油天然气工厂中的过程控制工程师转型为数据科学家，而不是花上 10 年进行培训？我们正在后台创建工具和功能，以改变过程控制工程师运用技能的方式。比如说，“利用您现有的技能告诉我目前的情况。然后我们将以非常简单的方式将其应用于数据模型和数字孪生模型。”
从某种意义上说，我确实认为需要技能：如何安装计算机？如何去照管？但我们也不要忽略那些过程控制工程师的优势：他们知道结果如何。当制造过程中出现问题时，他们会知道。我们可以将这些转化为数字孪生、模型和人工智能中的计算代码，然后识别出问题所在。
实施此方法需要哪些工具和技术？
Martin Garner：人们发现最难的一点就是如何组织和设置数据馈送以实现数据的相互兼容。不同传感器和不同的机器以各种方式提供数据，因为它们并不以兼容为目的。工厂本身十分复杂。他们拥有各种各样不同的机器和技术，涉及了技术堆栈中从连接一直到人工智能各个层面的技术。这使得制定任何类型的模板都非常困难。
这意味着对于一个更大型的系统来说，可能需要进行大量系统集成工作才能真正实现价值。我认为，您可以从简单的小型系统入手，先从某个小领域中获得价值，然后逐步扩展。但随着规模的扩大，很快就会发展成更大的项目。
Ricky Watts：我们正在做的工作之一就是尝试通过工厂标准，使用通用语言（如 OPC UA）来打造统一性。这意味着使用一种通用语言让机器相互对话，这样每台机器至少能够在某种程度上理解其他机器。
Martin Garner：很棒的一点在于，它将孤立、垂直的专有技术转变为更水平的平台式方法。这更加适用于跨制造商、供应链、不同部门等扩大规模。这是一种更加出色且全面的方法。
英特尔® 如何成功实现数字孪生概念？
Ricky Watts：英特尔做得非常出色。显然，他们构建了在网络边缘运行这些任务的绝佳计算平台，但除此以外，他们还关注规模化，关注标准的制定。我们正在与行业合作伙伴合作，共同确定如何制定这些标准，为联盟的建立添砖加瓦。在石油和天然气行业，我们始终围绕他们所谓的 OPAF（Open Process Automation Forum，开放过程自动化论坛）开展这项工作。
我们一直在研究计算平台，以确保能为制造商提供所需的技术。例如，它们需要与原子钟保持同步，这样，两个平台上的数据的时间戳才能同步。我们支持软件生态系统使用这些功能，确保我们在 Linux 操作系统、Windows、虚拟机和 Kubernetes 上验证所有这些奇妙的功能，这些基本上都属于软件基础设施层，可供我们运行应用程序。
当然，还要与最终用户社区合作，确保我们打造出的不是弗兰肯斯坦的怪物。
最后还有哪些要点？
Martin Garner：数字孪生的整体愿景可能包括行星尺度的天气和地质系统，这些系统会帮助我们增进对全球变暖等问题的理解。但与此相反，还有许多小公司确实不知道从何处着手。因此，我们需要让他们对这一概念的投资更加容易，也更加值得。
这意味着要真正着眼于短期目标：如何在下一季度利用数字孪生技术节省资金，如何让此类技术更容易购买和安装。愿景是一回事，我们还需要吸引大众市场上可能同样会用到此技术的人。我们不能顾此失彼；我们需要兼顾二者。
Ricky Watts：我认为 Martin 说得非常到位。保持小巧。保持简洁。我们拥有帮助您开启旅程的解决方案，我们非常关注您目前的问题。
相关内容
要了解关于制造业中数字孪生的更多信息，请收听播客数字制造运营的角色，并阅读 CCS Insight 关于该主题的白皮书。 要了解 CCS Insight 和英特尔的最新创新，请在 Twitter 上关注 @ccsinsight 和 @Inteliot，并在 LinkedIn 上关注 CCS-Insight 和 Intel-Internet-of-Things。