数字孪生（Digital Twin）技术综述：定义、特征、应用与设计启示
本文由Barbara Rita Barricelli（意大利Università degli Studi di Brescia）、Elena Casiraghi（意大利Università degli Studi di Milano）和Daniela Fogli（Università degli Studi di Brescia）合作完成，发表于2019年11月的《IEEE Access》期刊。文章系统梳理了数字孪生（Digital Twin, DT）技术的定义、核心特征、应用领域及设计启示，并探讨了当前研究的开放性问题与未来挑战。
数字孪生技术是人工智能（AI）、物联网（IoT）、大数据分析和云计算等技术融合的产物，其核心是通过虚拟模型实时映射物理实体的状态与行为。这一概念最早由Michael Grieves于2002年提出，并在NASA的航天任务（如阿波罗13号救援）中展现了早期应用潜力。随着工业4.0和智能制造的兴起，数字孪生被广泛应用于制造业、航空和医疗等领域，但其定义和特征尚未形成统一框架。本研究旨在回答三个核心问题：
1. RQ1：文献中如何定义数字孪生？
2. RQ2：数字孪生应具备哪些核心特征？
3. RQ3：数字孪生已在哪些领域得到应用？
通过对75篇文献的系统分析，作者归纳出数字孪生的29种不同定义，其共性包括：
- 虚拟映射：数字孪生是物理实体的动态虚拟副本，通过实时数据交换实现同步（如Grieves的三元模型：物理空间、虚拟空间及双向数据流）。
- 生命周期覆盖：数字孪生伴随物理实体从设计到报废的全生命周期，支持预测性维护（如NASA的航空器结构健康监测）。
- 智能决策：借助AI算法（如机器学习、模式识别），数字孪生可分析数据、预测故障并生成优化方案（如制造中的闭环优化）。
支持证据：
- NASA将数字孪生定义为“集成多物理场、多尺度的概率仿真模型”（Glaessgen & Stargel, 2012）。
- 制造业中，数字孪生区别于传统CAD模型的关键在于其实时性和AI驱动（Tao et al., 2018）。
作者提出数字孪生需具备以下技术特性：
- 实时数据交互：通过传感器和IoT实现物理与虚拟空间的双向数据流（如制造设备的状态监控）。
- 模块化与参数化架构：支持快速重构以适应物理实体的变化（如工厂布局优化）。
- 多源数据融合：整合历史数据、环境数据和实时传感数据，利用本体论（Ontology）实现语义统一。
- AI驱动分析：包括特征提取、预测性分析（如疲劳裂纹预测）和规范性分析（如维护策略生成）。
典型案例：
- 航空领域，数字孪生通过有限元分析（FEA）预测飞机结构损伤（Tuegel et al., 2011）。
- 医疗领域，患者器官的数字孪生（如“Living Heart”项目）支持个性化治疗方案测试。
创新案例：
- Sim&Cure公司的动脉瘤数字孪生辅助手术规划，将植入物匹配精度提升至90%。
- 俄克拉荷马州立大学的“虚拟肺”模型优化了靶向药物递送效率。
作者提出两种数字孪生生命周期模型：
- 同步设计：物理实体与数字孪生并行开发（如新型医疗设备设计）。
- 后置连接：为现有物理实体构建数字孪生（如传统工厂的智能化改造）。
两者均强调人机协同（Human-Work Interaction Design, HWID）和终端用户开发（End-User Development, EUD）的重要性。
本文是首篇系统整合数字孪生多领域应用的综述，其贡献包括：
- 明确了数字孪生的定义框架与技术特征。
- 提出了基于生命周期的设计方法论。
- 揭示了医疗数字孪生的伦理与法规需求。
创新点：首次将社会技术设计（Sociotechnical Design）纳入数字孪生研究，强调人机交互的关键作用。
数字孪生技术正从工业领域向医疗、城市管理等场景扩展，但其全面落地仍需解决数据安全、模型验证和跨学科协作等问题。本文为后续研究提供了理论基础与实践指南。