简单百科
数字孪生

数字孪生

数字孪生（Digital Twin）或数字双胞胎，最早被称为“镜像空间模型”（Mirrored Spaces Model），是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。通过创建一个物理实体或过程的数据化映射，数字孪生能够实时监控和模拟其性能，从而优化系统的可靠性、可用性和总体效能。因此它具有实时监控、便于创新、精确度高的测量和预测、经验的数字化、提高性能以及加快生产时间等特点。

数字孪生概念模型最早在2003年由密歇根大学迈克尔·格雷夫斯（Michael Grieves）教授提出。2011年3月，美国空军研究实验室结构力学部门的一次演讲中首次明确提到了数字孪生这个词汇。从2014年开始，工业产品和设备变得更智能，数字孪生覆盖整个产品生命周期，形态和概念不断丰富。2015年，研究机构和企业纷纷启动数字孪生相关研究，以实现物理工厂与虚拟工厂的交互融合，推动智能制造。2021年，中兴通讯发布了“中兴开物AR点云数字孪生平台”。利用点云算法快速构建数字化现实世界模型，并统一管理接口能力并对外开放。

数字孪生技术以建模仿真为核心，并集成了物联网、云计算、边缘计算及大数据技术，其体系架构包括数据保障层、建模计算层、功能模块层和沉浸式体验层等四个层面。随着数字孪生概念的丰富，数字孪生的应用范围也随之扩大，车间、教学、物流、医疗、仓库、驾车机以及城市等方面都有数字孪生技术的运用。未来，数字孪生将趋向于拟实化、全生命周期化和集成化的发展。然而，虚拟模型的构建和数据准确性的提升仍是其面临的主要技术挑战。

概述

数字孪生（Digital Twin）或称数字双胞胎，可以直观地认为是物理世界中虚拟的镜像对象。数字孪生是具有数据链接的特定物理实体或过程的数字化表达，该数据链接可以保证物理状态和虚拟状态之间的同速率收敛，并提供物理实体或流程过程的整个生命周期的集成视图，有助于优化整体性能。

数字孪生结合了设计工具、仿真工具、物联网技术和虚拟现实技术，同时也支持大数据分析和机器学习技术，使用户能够评估当前状态、诊断问题，并预测未来趋势。此外，数字孪生还可以保存专家经验，形成智能诊断和判决，从而提高设备故障诊断的准确性和自动化水平。

由于数字孪生具备虚实融合与实时交互、迭代运行与优化，以及全要素、全流程、全业务数据驱动等特点，因此它被应用到产品生命周期各个阶段，包括产品设计、制造、服务与运维等。

发展历程

概念起源阶段

数字孪生的概念最早可以追溯到20世纪六七十年代美国航空航天局（NASA）的阿波罗计划。NASA地面站拥有多个模拟器，用于训练宇航员和指挥控制人员。在过去的训练任务中包括了任务失败时的多种情景模拟，其中一些模拟训练的成果，被用在了阿波罗13号的救援任务中。NASA使用了当时最先进的通信技术与阿波罗13号航天器中的各种设备以及宇航员们持续保持实时联系，而这些通信数据则被地面控制人员用于迅速地调整模拟器环境参数，来模拟现实中受损航天器的实时情况。此次行动也是利用虚拟模型与现实联系并解决问题的实例。

蓬勃发展阶段

如果物理对象在数字空间有一个与其一致的孪生体，那就是“数字孪生”。2003年，密歇根大学迈克尔·格雷夫斯（Michael Grieves）教授提出“与物理产品等价的虚拟数字化表达”概念，这可以看作是产品数字孪生的一个启蒙。

2010年，美国航空航天局描述了航天器数字孪生概念和功能。2011年3月，美国空军研究实验室（Air Force Research Laboratory，AFRL）结构力学部门人员做了一次演讲，题目是“Condition-based Maintenance Plus Structural Integrity（CBM+SI）\u0026 the Airframe Digital Twin（基于状态的维护+结构完整性\u0026战斗机机体数字孪生）”，首次明确提到了数字孪生这个词汇。

2012年，美国航空航天局和AFRL合作共同提出了未来飞行器的数字孪生体范例，以应对未来飞行器高负载、轻质量以及极端环境下服役更长时间的需求。

2014年以后，随着物联网技术、人工智能和虚拟现实技术的不断发展，更多的工业产品、工业设备具备了智能特征，而数字孪生也逐步扩展到包括制造和服务在内的完整的产品生命周期阶段，数字孪生的形态和概念在不断丰富。

广泛运用阶段

2015年，包括工业4.0研究院在内的多家研究机构和企业纷纷启动了数字孪生相关的研究课题。同时世界各国也提出制造业转型战略，其中核心目标之一是构建物理信息系统（Cyber-Physical System，CPS），这意味着实现物理工厂与信息化的虚拟工厂的交互和融合，从而推动智能制造。数字孪生被认为是实现物理工厂与虚拟工厂交互融合的最佳途径，备受学术界和企业高度关注。从物理信息系统和数字孪生的内涵来看，它们都是为了描述信息空间与物理世界融合的状态，物理信息系统更偏向科学原理的验证，数字孪生更适合工程应用的优化，更能够降低复杂工程系统建设的费用。

2018年底，全球知名的技术研究和咨询公司高德纳咨询公司发布了“2019年十大战略技术发展趋势”，数字孪生位列其中。2021年，中国国际信息通信展期间，中兴通讯也发布了“中兴开物AR点云数字孪生平台”，该平台基于点云核心算法，能够快速、精准地构建现实世界的数字孪生底图，同时将接口能力统一管理并开放。

随着云计算、物联网大数据、人工智能等信息技术的快速成熟，全面、实时、精准、双向控制联通的数字孪生得以实现。数字孪生对象的应用也得到了极大拓展，一台设备、一个制造车间、一条供应链、一个城市甚至网络空间，都可以构建“数字孪生体”并与之对应。数字孪生迅速向智能制造、智慧城市、网络安全等各个领域拓展，逐步成为一种改造现实世界的通用目的技术。

工作原理

数字孪生的基本特征是虚实映射。通过对物理实体构建数字孪生模型，实现物理模型和数字孪生模型的双向映射。构建数字孪生模型需要通过对数字孪生模型的分析和优化，来改善其对应的物理实体的性能和运行效率。

数字孪生的工作原理是创建一个或一系列和物理对象完全等价的虚拟模型，虚拟模型通过对物理对象进行实时性的仿真，从而能够监测整个物理对象当前运行的实时状况，甚至根据从物理对象中采集的实时运行数据来完善优化虚拟模型的实时仿真分析算法，从而得出物理对象的后续运行方式及改进计划。

体系架构

数据保障层

数据保障层支撑着整个数字孪生技术体系的运作，包括高性能传感器数据采集、高速数据传输以及全生命周期的数据管理。高性能传感技术可获得充分、准确的数据源，高带宽光纤技术可使海量数据传输满足系统实时跟随性能要求，分布式云服务器存储可为全生命周期数据的存储和管理提供平台保障，以满足大数据分析与计算的数据查询和检索速度要求。

建模计算层

建模计算层是数字孪生技术体系中最核心的一层，是数字孪生解决方案中上层功能和应用的前提和基础。这一层包含的数字建模、大数据与AI，以及云边融合计算等相关技术，均为构建数字孪生技术体系的中坚力量。

功能模块层

功能模块层主要包括描述及呈现、诊断及分析、双向交互、辅助决策、优化及进化等模块化功能。该层是数字孪生业务能力的核心支撑，针对不同的行业和应用场景，数字孪生侧重功能也不同。

沉浸式体验层

沉浸式体验层主要是为使用者提供良好的人机交互使用环境，让使用者能够获得身临其境的技术体验，从而迅速了解和掌握复杂系统的特性和功能，并能通过语音和肢体动作访问功能层提供的信息，获得分析和决策方面的信息支持。

沉浸式体验层是直接面向用户的层级，以用户可用性和交互友好性为主要参考指标。沉浸式体验层通过集成多种先进技术，实现多物理。多尺度的集群仿真，利用高保真建模和仿真技术及状态深度感知和自感知技术构建目标系统的虚拟实时任务孪生体，持续预测系统健康、剩余使用寿命和任务执行成功率。

核心技术

数字孪生的发展是数字样机到数字孪生的发展，从“形”似到“行”似，其关键在于建模仿真技术，这也是数字孪生的核心技术。此外，大数据技术、物联网技术、云计算、边缘计算等诸多技术都与数字孪生相辅相成。

建模

数字建模技术起源于20世纪50年代，其核心目的是简化和模型化人们对物理世界或问题的理解。数字孪生的本质在于通过数字化和模型化消除各种物理实体的不确定性，尤其是复杂系统。因此，建立物理实体的数字化模型或信息建模技术是创建数字孪生的源头和核心技术，也是实现数字孪生的关键步骤，代表着“数化”阶段的核心发展方向。

仿真

仿真是一门建立系统模型（如数学、物理或数学-物理混合模型）并在此基础上进行实验的综合学科。它依托控制理论、相似理论、信息处理与计算技术等，使用计算机及其他专用设备作为工具。仿真通过模拟真实或虚拟系统，结合专家知识、统计数据进行实验结果分析和决策支持。数字孪生技术是在线数字仿真的一种形式，涵盖了对象、特性、时钟、架构、粒度和用途等多个分类，可应用于如训练目的的分布式、超实时体系级数字孪生，借鉴仿真领域的技术体系以拓宽其应用范围。

大数据技术

大数据技术是指采集获取汇聚处理数据的技术总称，包括数据的采集、数据预处理、分布式存储、数据库、数据仓库、机器学习、并行计算、可视化等。数字孪生作为实体物理模型的虚拟数字化映射对象，需要大数据支持其数据需求。因此，大数据可以为数字孪生提供支持，弥补其不足。数字孪生和大数据融合应用可以打破产品生命周期不同阶段之间的壁垒，缩短产品开发和验证周期，推动智能制造。

物联网技术

物联网的核心技术在于采用传感设备通过互联网实现人与物、物与物之间的信息交互与智能决策，具有闭环传输、模块处理及互联互通等重要特征。根据物联网技术层次标准，可划分为基础感知、信息传输与数据处理反馈等重要环节，因此包含了庞大的技术群落，主要包括感知层、传输层、应用层等所构成的网络交互。

物联网技术正在加快着元宇宙数字孪生场景的构建，在数字孪生的模型构建中，精准地把握目标的数据是核心任务。在“万物互联”的物联网技术下，人们能够精确地收集构建数字孪生所需要的数据。如微软已经对“商用元宇宙”应用做了详尽的技术分层，其中最底层技术就包括了物联网和数字孪生技术。当数字孪生体被“喂养”了足够多的现实数据，不仅可以更好地模拟、构建过去和未来，还可以打破现实和虚拟的场景界限。

云计算

云计算是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后通过由多部服务器组成的系统处理和分析这些小程序，得到结果并反馈给用户。云计算早期，简单地说，就是简单的分布式计算，进行任务分发，并进行计算结果的合并。因而云计算又被称为网格计算。通过这项技术，可以在很短的时间（几秒钟）内完成对数以万计的数据的处理，从而实现强大的网络服务。

云计算为数字孪生提供了重要的计算基础设施。云计算采用分布式计算等技术，集成强大的硬件、软件、网络等资源，为用户提供便捷的网络访问。用户使用按需计费的、可配置的计算资源共享池，借助各类应用及服务实现目标功能，且无须关心功能实现的方式，显著提升了用户开展各类业务的效率。云计算根据网络结构可分为私有云、公有云、混合云和专有云等，根据服务层次又可分为基础设施即服务（Laas）、平台即服务（Paas）和软件即服务（SaaS）。

边缘计算

边缘计算是指在靠近或数据源头的一侧，通过融网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。云端计算可以访问边缘计算的历史数据。

边缘计算通过以云边端协同的形式为数字孪生提供分布式计算基础。在终端采集数据后，将一些小规模局部数据留在边缘端进行轻量机器的学习及仿真，只将大规模的整体数据回传到中心云端进行大数据分析以及深度学习训练。对高层次的数字孪生系统来说，这种云边端协同的形式更能够满足系统的时效、容量和算力的需求，即将各个数字孪生体靠近对应的物理实体进行部署，完成一些具有时效性或轻度的需要，同时将所有边缘侧的数据及计算结果回传至数字孪生总控制中心，进行整个数字孪生系统的统一存储、管理及调度。

类型

产品孪生：这是产品在开发阶段的数字，包含了开发所需的所有信息，如3D模型、原始数据、工程图纸、测试特性和数据。

生产孪生：这是对产品孪生数据的拓展，这些数据显示了其与周围环境的相互作用，如其他机器和设备的几何形状、工具及程序等。这将创建完整的制造过程的数字映射。

性能孪生：记录产品和（或）设备在运行（制造或使用）过程中的性能数据，如交货时间、质量和故障等。

组件孪生：组件孪生或零件孪生是整个系统中单个部分的数字表示。这些是资产运营的重要组成部分，例如风力涡轮机内的电机。

资产孪生：在数字孪生术语中，资产是两个或两个以上的组件，它们作为更全面的系统的一部分协同工作。资产孪生以虚拟方式表示组件如何交互并生成性能数据，可以分析这些数据以做出明智的决策。

系统孪生：资产孪生的更高级别抽象是系统孪生或单元孪生。系统孪生展示了不同资产作为更广泛系统的一部分如何协同工作。系统孪生技术提供的可视性使能够就性能增强或效率做出决策。

流程孪生：流程孪生向展示整个对象的数字环境，并深入了解其各个组件、资产和单元如何协同工作。例如，数字化流程孪生可以以数字方式重现整个制造工厂的运行情况，将其中所有组件汇集在一起。

标准体系

优势特点

便于创新：数字孪生通过设计工具、仿真工具、物联网和虚拟现实等各种数字化的手段，将物理设备的各种属性映射到虚拟空间中，形成可拆解、可复制，可转移、可修改，可删除，可重复操作的数字镜像，这极大地加速了操作人员对物理实体的了解，可以让很多原来由于物理条件限制、必须依赖于真实的物理实体而无法完成的操作，更能激发人们去探索新的途径来优化设计、制造和服务。

精确测量：对于很多无法直接采集到测量值的指标，传统测量方法往往无能为力。而数字孪生技术可以借助于物联网和大数据技术，通过采集有限的物理传感器指标的直接数据，并借助大样本库，通过机器学习推测出一些原本无法直接测量的指标。

精准预测：数字孪生可以结合物联网的数据采集，大数据的处理和人工智能的建模分析，实现对当前状态的评估，对过去发生问题的诊断，以及对未来趋势的预测，并给予分析的结果，模拟各种可能性，提供更全面的决策支持。

经验数字化：在传统的工业设计，制造和服务领域，经验往往是一种模糊而很难把握的形态，很难将其作为精准判决的依据。而数字孪生的一大关键进步，是可以通过数字化的手段，将原先无法保存的专家经验数字化，并提供保存，复制、修改和转移的能力。

提高性能：通过数字孪生提供的实时信息和见解，可以优化设备、工厂或设施的性能。问题可以在出现时进行处理，从而确保系统在高峰期工作并缩短停机时间。

远程监控：数字孪生的虚拟性质意味着可以远程监控和控制设施。远程监控还意味着检查具有潜在危险的工业设备所需的人员更少。

加快生产时间：数字孪生通过构建数字副本，可以加快产品和设施的生产时间。通过运行场景，可以看到产品或设施对故障的反应，并在实际生产之前进行必要的更改。

技术挑战

多维度虚拟模型构建和融合问题：虚拟模型的准确性来源于对目标系统内所有关注对象外在视觉和内在逻辑上的精准反映。在工作时，需要对不同的部位进行建模，不同部位的模型需从多个维度进行刻画。

虚实一致问题：数字孪生系统要求虚拟模型实现目标系统高精度复刻，包括目标对象变化时的复刻，要求虚拟模型可根据即时数据感知和分析、自我调整和更新，在持续的数据供给中实现自主进化。因孪生对象具有动态变化特征，所以如何确保虚实一致性是数字孪生建模中的关键问题。

虚拟模型准确性评估问题：一个完整的数字孪生系统包含多个对象、多种维度的虚拟表达模型。不同的模型根据其描述维度和对象的不同，性质也各异，因此评估工作难度大。以何种标准进行评定，在不同性质的模型中如何执行这些标准，标准执行后可靠性判定是模型可靠性挑战层面有待研究的问题。

多源异构数据融合问题：数字孪生系统是一种面向多对象、多元素的复杂系统。如何将多个对象中多个维度感知的多种异构物理数据进行统一表示、一致转化以及可靠表达是需要在数字孪生虚实交互研究中的重要问题。

数据语义一致性保证问题：孪生数据物理层感知采集到的原始信号不能为模型层虚拟模型直接使用，语义需经物理数据信息化处理；虚拟模型产生的信息数据或知识不能为物理设备或相关人员直接理解，需进行信息/知识数据的物理/指令化才可得以被理解和执行。此外不同模型间的数据也存在语义理解不通的问题。只有在正确理解和使用的基础上虚拟模型或指令才能被精准接收并执行，因此如何解决复杂体系架构中的多层次多模型间的语义理解是数据发送后的重要问题和挑战。

风险

定位风险

数字孪生应用的过程中，政府部门等技术使用人持续添加新的数据至已有的数字电路会直接增加其复杂度。受制于人类计算能力的局限。政府部门对数字孪生数据统计、情景再现、风险预测、方案优化等方面的功能愈加依赖。会逐渐弱化主导主体的治理意识与创新观念，甚至形成数字孪生取代人类成为实际上的制度决策者的局面。随着数字孪生技术的多维应用，最终会带来政府决策的僵化与社会治理人文色彩的弱化，甚至进一步激化政府与民众的矛盾。

标准风险

由于缺少数字孪生相关模型、数据、服务、链接等标准的参考，各公司研发的数字孪生产品差异度较大且难以兼容。这导致数字孪生产品数据集成困难且汇总结果公信度偏低。为数字孪生产品的实践应用埋下了难以估量的隐患。

技术风险

数字孪生虚拟模型构建过程中，信息采集死角难以避免，且全面采集自然人的信息可能触及伦理与法律的“敏感地带”甚至“禁区”。在数字孪生医疗服务过程中，虽然可通过数据时刻监测患者的身体状态并对可能的疾病作出及时预警，但患者的心理承受能力、情感变化等因素难以得到必要考虑。此时数字孪生虚拟模型成果的真实度难以保障，再加上仅有少量主体掌握数字孪生虚拟模型，即使存在数据失真的现象也难以及时发现。这直接增大了数字孪生技术应用的风险并降低了虚拟模拟结果的公信力，一定程度上增加了数字孪生技术应用扩围的难度。

安全风险

数字孪生技术应用过程中，海量数据分布于用户、服务器、生产终端、数据监控等多种设备上，任何一个设备遭受攻击都可能引发系统性的数据安全风险。且随着数字经济的蓬勃发展，数字孪生、物联网、区块链等技术应用深度融合，黑客可攻击的网络安全风险点大量增加，入侵方式与攻击路径也大幅扩展，数字孪生虚拟模型的安全系数堪忧。

应用

数字孪生车间

数字孪生车间由物理车间、虚拟车间、车间服务系统、车间孪生数据和上述四部分的信息集成与交互组成。应用一系列建模技术、仿真技术、物联网技术、虚拟现实技术等手段，实现从新车间规划、设计、模拟仿真、设计优化到车间投产后生产运营全过程的物理车间的人、机、料、法、环全要素、全流程虚拟映射，实现工艺流程模拟仿真、迭代优化、3D体验，以此最大限度地实现车间资源优化利用，提高生产效率，改善产品质量，降低生产成本。

教学

教学控制是整个教学过程中非常重要的一个环节，指的是教师在教学过程中对学生的学习情况进行检查、评价，根据评价结果对教学方案进行优化调节的过程，其目的在于保证教学质量，实现教学目标。基于数字孪生的教学智能控制可以对教学过程进行优化设计，改变传统教学模式下教学过程不透明的状态，提高整个教学过程的可视化程度，为基于学生多维特征的教学预警及教学策略的精准验证提供科学依据。

物流设备作业调度

数字孪生旨在将物理实体及过程以数字化形式呈现，通过生数据驱动物理世界与信息世界的融合，借助孪生数据模拟物理实体在现实情况下的运作流程。物流设备的运行存在大量未使用的数据，为数字孪生技术在物流设备作业调度中的使用奠定了一定的基础。

医疗

随着经济的发展和生活水平的提高，人们越来越意识到健康的重要性。然而，疾病“预防缺”、患者“看病难”、医生“任务重”、手术“风险大”等问题依然困扰着医疗服务的发展。数字孪生技术的进步和应用使其成为改变医疗行业现状的有效切入点。未来，每个人都将拥有自己的数字孪生。结合医疗设备数字孪生（如手术床、监护仪、治疗仪等）与医疗辅助设备数字孪生（如人体外骨骼、轮椅、心脏支架等），数字孪生将会成为个人健康管理、健康医疗服务的新平台和新实验手段。

立体仓库

自动化立体仓库是一种利用高层立体货架来实现货物高效自动存取的仓库，由存储货架、出人库设备、信息管控系统组成，集仓储技术、精准控制技术、计算机信息管理系统于一身，是现代物流系统的重要组成部分。但用传统方法设计的立体仓库仍然存在出人库调度效率低仓库利用率低、吞吐量有待提高等问题。而数字孪生五维模型可为立体仓库的再次设计优化、远程运维以及共享仓库等问题提供有效解决方案。

驾车机

数字孪生技术的“虚拟实体与物理实体高保真同步”“虚拟实体与物理实体交互与优化””“基于虚拟实体的仿真预测”等能力与特性，为复杂设备的健康管理、故障诊断与预警提供了一种有效的方式。因此，研究团队将数字孪生应用到驾车机中，依托现场数据采集与分析，提供驾车机故障分析、寿命预测、远程管理等增值服务。

城市

城市是一个开放、庞大的复杂系统，具有人口密度大、基础设施密集、子系统耦合等特点。如何实现对城市各类数据信息的实时监控且围绕城市的顶层设计、规划、、建设、运营、安全、民生等多方面对城市进行高效管理，是现代城市建设的核心问题。借助数字孪生技术，参照数字孪生五维模型，构建数字孪生城市，将极大地改变城市面貌，重塑城市基础设施，实现城市管理决策协同化和智能化，有效确保城市安全有序运行。

发展趋势

拟实化

数字孪生体是物理产品在虚拟空间的真实反映，数字孪生体在工业领域应用的成功程度取决于产品数字孪生体的逼真程度，即拟实化程度。每个物理特性都有其特定的模型，包括计算流体动力学模型、结构动力学模型、热力学模型、应力分析模型、疲劳损伤模型以及材料状态演化模型（如材料的刚度、强度和疲劳强度演化等）。如何将这些基于不同物理属性的模型关联在一起，是建立产品数字挛生体，继而充分发挥产品数字挛生体模拟、诊断、预测和控制作用的关键。

多物理建模将是提高产品数字孪生体拟实化程度、充分发挥数字孪生体作用的重要技术手段。基于多物理集成模型的仿真结果，能够更加精确地反映和镜像物理产品在现实环境中的真实状态和行为，使得在虚拟环境中能够检测物理产品的功能和性能并最终替代物理样机成为可能，并且能够解决基于传统方法（每个物理特性所对应的模型是单独分析的，没有耦合在一起）预测产品健康状况和剩余寿命所存在的时序和几何尺度等问题。

全生命周期化

有关产品数字孪生体的研究主要侧重于产品设计或售后服务阶段，较少涉及产品制造阶段，例如美国航空航天局和AFRL通过构建产品数字孪生体，在产品使用/服役过程中实现对潜在质量问题的准确预测，在产品出现质量问题时实现精准定位和快速追溯。未来，产品数字孪生体在产品制造阶段的研究与应用将会是一个热点。

集成化

数字纽带技术作为产品数字孪生体的使能技术，用于实现产品数字孪生体全生命周期各阶段模型和关键数据的双向交互，是实现单一产品数据源和产品全生命周期各阶段高效协同的基础。美国国防部将数字纽带技术作为数字制造最重要的基础技术，工业互联网联盟也将数字纽带作为工业互联网联盟需要着重解决的关键性技术。当前，产品设计、工艺设计、制造、检验和使用等各个环节之间仍然存在断点，并未完全实现数字量的连续流动；基于模型定义（MBD）技术的出现虽然加强和规范了基于产品三维模型的制造信息描述，但仍主要停留于产品设计阶段和工艺设计阶段，需要向产品制造、装配、检验和使用等阶段延伸。并且，现阶段的数字量流动是单向的，需要数字纽带技术实现双向流动。因此，融合数字纽带和数字孪生体是未来的发展趋势。

参考资料

..2024-06-03

什么是数字孪生.aws.2024-04-20