一、什么是工业元宇宙

元宇宙通常被描绘为一个包罗万象的单一数字世界，但其实它可以被分为三个不同的领域，即工业元宇宙、企业元宇宙和消费元宇宙。各个元宇宙领域的发展速度尚不确定，但所有分析都预测，未来十年，工业元宇宙及其使能技术将快速增长。

工业元宇宙是元宇宙的一个分支，是对高度复杂系统如机器、工厂、城市、交通网络的映射和模拟。它可为参与者提供完全沉浸、交互式、持续、实时且同步的现实世界的呈现和模拟。

现有以及正在发展的技术，包括数字孪生、人工智能和机器学习、扩展现实、区块链以及云计算和边缘计算，将成为工业元宇宙的基石。这些技术将融合在一起，在现实世界和数字世界之间创建一个强大的接口，实现协同效应。利用工业元宇宙工具，企业在将实际资源投入项目之前就可以在虚拟环境中进行无限次设计迭代、实时建模、原型化和测试，工业元宇宙将开创一个以数字化方式解决现实世界问题的新时代。

(一)构建工业元宇宙的主要技术要素

1. 数字孪生

数字孪生(digital twins)是现实世界(系统)的数字化。数字孪生技术定义为：充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应实体装备的全生命周期过程。

2. 物联网

物联网(internet of things，IoT)是在计算机互联网基础上利用射频识别(RFID)技术、无线通信技术、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监测和管理的一种网络。在这个网络中物品间能够进行“交流”而无须人工干预。

3. 人工智能和机器学习

人工智能涵盖了认知与推理(包含各种物理常识和社会常识)、计算机视觉、自然语言理解与交互(包含听觉)、机器学习等广泛的学科领域，目的是让机器能够像人一样理解、思考和学习。

机器学习是人工智能的一个分支学科，主要研究的是让机器从过去的经历中学习经验，对数据的不确定性进行建模，对未来进行预测。在大数据时代，机器学习领域还有一个热点是把系统与算法结合，设计大规模分布式的机器学习算法与系统，使机器学习算法可以在多处理器和多机器的集群环境下作业，处理更大量级的数据。

4. 云计算和边缘计算

云计算把网络上的服务资源虚拟化，整个服务资源的调度、管理、维护等工作由专门的人员负责，用户不必关心“云”内部的实现，因此云计算实质上是给用户提供像传统的电力、水、煤气一样的按需计算服务，是一种新的有效的计算使用范式。从云计算部署的角度，云计算分为私有云、社区云、公共云和混合云。私有云被一个组织管理操作;社区云由多个组织共同管理操作，具有一致的任务调度和安全策略;公共云由一个组织管理维护，提供对外的云服务，可以被公众所拥有;混合云是以上两种或两种以上云的组合。从云计算服务的角度，云计算服务类型可以分为基础设施即服务(IaaS)、平台即服务(PaaS)、软件即服务(SaaS)。

边缘计算中的边缘(edge)指的是网络边缘上的计算和存储资源，这里的网络边缘与数据中心相对，无论是从地理距离还是从网络距离上来看都更贴近用户。边缘计算则是利用这些资源在网络边缘为用户提供服务的技术，使应用可以在数据源附近处理数据。如果从仿生的角度来理解边缘计算，人们可以做这样的类比：云计算相当于人的大脑，边缘计算相当于人的神经末端。

5. 通信网络(5G/6G)

从 5G 开始，通信网络将逐步进入万物智联时代。6G 将会突破传统针对个人通信设计的移动网络架构瓶颈，从云、网、边、端、用的协同与融合的角度出发，实现全频域、全场景、全业务的灵活适配与资源协同，最终实现一体化的网络架构目标。数字孪生、扩展现实(XR)与全息通信和全域万物智联将是 6G 网络的主要应用方向。这些应用对基础通信系统的传输速率、实时性和连接规模提出新的挑战 。

6. 区块链

区块链技术的突出优势在于去中心化设计，通过运用加密算法、时间戳、树形结构、共识机制和奖励机制，在节点无须信任的分布式网络中实现基于去中心化信用的点到点交易，解决了目前中心化模式存在的可靠性差、安全性低、成本高、效率低等问题。

7. 虚拟现实 / 增强现实

增强现实(AR)系统添加或删除虚拟对象，这些对象与现实世界共存于同一空间。AR 效果的展示手段可以是 AR 眼镜、手机、平板等。虚拟现实(VR)系统通过计算机生成 3D 对象，模拟虚拟世界，并通过使用 VR 眼镜、可穿戴设备等外围设备来切断用户对现实世界的感知。MR 被称为“混合现实”，是现实世界和虚拟环境的融合。MR 提供了新的环境和可视化，通过专业的 MR 眼镜，使物理和数字对象可以共存并实时交互。

(二)工业元宇宙应用方向

1. 预测性维护

将 CAE 模型进行降阶，直接部署在边缘设备上，结合相应传感器，实时模拟设备状态，对有可能出现的问题提前预警。西门子推出的xDT(可执行数字孪生)与边缘设备主要针对这类应用，将设备研发 CAE 模型，应用于制造现场。

2. 改善设计和工程协同

不同部门、不同地点甚至不同行业的团队成员可以借助工业元宇宙技术相互协作，与客户互动，设计新产品，获得实时的深入认识，无须耗费时间、金钱和大量资源，减少差旅。

3. 广泛的测试和验证

通过将超现实的环境与多实体模拟相结合，各行各业可以测试各种不同的场景。相比数字孪生，工业元宇宙具有更广泛的测试和验证场景。同时，通过机器学习和合成数据训练，新产品开发速度也将大大提高。

4. 虚拟调试

使用制造系统的虚拟模型建立仿真场景，在不中断生产线的前提下检测和纠正设计和软件研发过程中的早期错误，避免实体资源的消耗。

5. 增强运营能力

通过模拟工厂或其他工作场所，团队成员可以在数字世界中收集数据，这些数据可以用于各种人工智能应用，例如虚拟工厂规划、自主机器人运行监控、预测性维护和大数据分析。

6. 服务一线操作者

有学者认为 AR/VR/MR 和沉浸式体验仅仅是消费元宇宙需要的元素，但在实践过程中人们发现 AR/VR/MR 能为一线操作者提供支持，提高他们在现实世界工作效率。

TeamViewer 公司将 AR/VR/MR 应用于远程专家支持、新员工培训、作业指导书展示、物流配送等领域，节省了差旅成本、人力培训成本，并能使一线操作人员解放双手，提高效率，提高作业质量。

美国波音公司在电缆网装配过程中引入TeamViewer 公司的 AR 技术，使用语音与 AR 眼镜交互，操作者只要报出线缆号，AR 眼镜上就会提示在插头中的位置，大大提高了电缆网装配效率和正确率。

BSH 公司在产线虚拟调试中使用 VR 技术配合可穿戴设备，最多可同时有 16 名来自全世界各地的工程师在 Process Simulate 产品中对整条产线进行虚拟调试，同时也提高了仿真设备维护维修的可操作性。这项技术的应用在疫情和后疫情时代为客户节省了大量差旅经费，缩短了项目周期，大大提高了产线设计精确度。

7.AI 的深入应用

越来越多的 AI 算法应用于硬件控制，如RTR(real time robotic)，基于机器视觉的物料分拣算法等。工业元宇宙在模拟 AI 算法执行结果的同时，也会将 AI 算法引入机器代码编制过程中，大幅提升离线编程效率，提高代码质量。

8. 超写实渲染

仿真中使用的轻量化仿真模型可转换为USD 格式，增加光影、材质的二次处理，实现超写实渲染，可部分替代原型设备或样机的制造。

二、如何从数字孪生迈进工业元宇宙

工业元宇宙现阶段应用是本文第一部分提及的主要技术的深度应用或组合应用。只要是满足基于复杂数字孪生的更广泛、更高效的协同方向的应用或研究，都应属于工业元宇宙应用范畴。

(一)数字孪生与工业元宇宙的主要区别

1. 模型的复杂度

这里所指的模型，不单单是 3D 物理模型，还包括系统运行的逻辑。比如整个工厂的调度逻辑。在建立数字孪生时，往往会将模型简化，例如独立建立物流仿真模型和调度逻辑，通常与排产、设备保养维护计划等独立分开，互不影响，人力资源系统也与生产系统独立。在元宇宙时代，所有系统都应参与到仿真中，各系统独立但又相互关联，正如现实世界中各系统的存在模式一样。

2. 算力的需求

模型简化不是因为仿真软件不支持复杂的仿真模型，而是算力无法支持在相对短的时间内得到收敛解。因此，工业元宇宙级别的仿真通常都需要云计算这样强大算力的支撑，仿真软件也需要支持云端并行计算。

3. 可参与实时协同交互的人员

目前，工业软件应用门槛比较高，使用者多为仿真专家，而工业元宇宙是为了更多人实时交流、协作的虚拟世界。是否能够降低专业仿真工具使用门槛，让它为非仿真专家提供实时、准确、可视化辅助决策依据是数字孪生区别于工业元宇宙的重要标志。

4. 是否使用 IoT 数据定期修正模型

目前的通信技术，使用 IoT 数据实时修正仿真模型，其工程实践的可行性有待商榷。但是可以依据实际需求，定期修正，以确保仿真模型无限接近系统实际情况，确保仿真结果的可靠性。

目前，主流的制造仿真软件均支持如 MQTT的 IoT 协议，设备状态信息如开机、故障等均可实时反馈仿真系统，但对于设备利用率(OEE)等统计值，仍需通过一定时间的积累和大数据分析才能得到。实时修正这些统计信息不仅会造成网络负担，影响仿真运算效率，对提高仿真精度的帮助也非常有限，因此并无太大工程意义和价值。相反，定期使用 IoT 数据修正仿真模型则是非常必要的。

(二)可行性方案

以下介绍的可行性方案可独立应用，也可组合应用，实施无顺序要求，可根据企业自身情况，酌情选择。

1. 软件云端部署

非云原生工业软件可采取 SOCA(scale-out computing on AWS)，帮助用户轻松地部署和运营一个多用户环境，以执行计算密集型工作，满足工业软件在高性能计算场景下的大型负载需求，实现并行计算，提高运算效率。在云上进行高性能计算是通过基础设施与上层应用程序的协同构建以达到最大效率利用硬件资源的目的，以及通过软件的方法容忍多个节点的错误，达到分布式计算系统可扩展性和可靠性两个方面的目标。

2. 精细化建模

精细化建模包括逻辑模型和 3D 模型的建立。在数字孪生时代，为了在可承受的时间内得到仿真结果，Plant Simulation 逻辑模型通常都会做简化，把复杂问题分解为多个独立事件进行求解，忽略了事件之间的复杂关联和相互影响。在工业元宇宙时代，算力已不再是瓶颈，曾经因为算力不足而进行的简化都应重新梳理、重新建模。

对 3D 模型的精细化处理可以在沉浸式体验中，比如云工厂参观、新员工培训混合现实(MR)等应用中获得更佳体验。

3. 为非仿真专家创建 APP

利用低代码技术，为各类角色创建相应的APP。专业仿真工具仅仅运行在云端作为解算器，实现软件 SaaS 化。各类人员通过专属 APP 进行互联互通，APP 可以运行在授权的手机、平板、电脑等任何终端上，实现信息的高效、准确传递。

4. 构建 IoT 和大数据分析平台

对现场数据进行采集、存储和大数据分析，并定期反馈，修正仿真模型，真正做到闭环。云计算作为大数据的基础平台和支撑技术，为大数据平台的完整价值体现提供了多种技术组件，并进行协同工作。文件系统提供最底层存储能力的支持。为了便于数据管理，需要在文件系统之上建立数据库系统。通过构建索引等，对外提供高效的数据查询等常用功能。

5. 为 AI 训练积累数据

通过 APP 将 Plant Simulation 的输入和输出结果存储在数据库中，经过不断积累就可以成为训练 AI 算法的基础数据集。一旦 AI 算法训练成功，将大大加速寻求最优解的效率，也能更好地辅助非仿真专家快速做出最优决策。

三、实际应用案例——基于生产计划的物流能力预测

本项目通过 Plant Simulation 的云端部署、精细化建模，为非仿真专家创建专属 APP，使用 IoT 数据修正仿真模型，形成闭环，初步尝试了从数字孪生向工业元宇宙的过渡。

(一)应用案例需求

生产计划对物流系统的硬件产能要求是通过建立仿真模型经仿真计算得出，仿真专家会提供关于物流配送需求的建议。如果物流配送无法满足排产需求，就需要重新进行排产，并再次进行仿真分析。

(二)实施过程

使用 Plant Simulation 软件作为基础，结合AWS 云端部署，可以为仓储主管等岗位人员创建一系列低代码 APP，以提供更便捷的工厂模拟体验。在这个方案中，仿真专家的主要职责是维护云端的工厂模型，确保模型的准确性和实时更新。通过这些 APP，各岗位人员可以通过简单的参数调整来进行仿真，无须深入了解Plant Simulation 软件的复杂操作。他们可以根据实际需求，灵活调整生产线布局、设备配置以及工作流程等参数，以便更好地优化生产过程。一旦参数调整完成，APP 会将仿真结果以直观的方式返回给用户。这些结果可以通过各种图表、图标和 3D 仿真动画的形式展示，使用户能够更清晰地了解生产线的运行情况和效率。同时，由于部署在 AWS 云端，这些 APP 具有高度可扩展性和灵活性。用户可以随时访问云端平台，无论是在办公室还是在外出差的情况下，都能够方便地进行仿真操作和查看结果。此外，云端平台还能够提供数据备份和恢复功能，确保数据安全性和可靠性。

总之，基于 Plant Simulation 软件和 AWS 云端部署的低代码 APP 方案，为仓储主管等岗位人员提供了一种简便、直观的工厂仿真方法，帮助他们更好地优化生产线，并提高生产效率。同时，该方案还具备高度可扩展性和灵活性，能够满足用户随时随地进行仿真操作和查看结果的需求。

(三)架构云端

基于 Plant Simulation 提供的标准 COM 组件接口，该方案成功地将用户在 Plant Simulation本地操作界面上的仿真与调参等指令通过 REST API 接口的方式远程化，使用户通过 Web 服务即可访问和执行 Plant Simulation 的仿真作业。同时，借助 Mendix 低代码开发平台提供的 API中间件，仿真过程得以通过视频流的方式呈现在远程用户的浏览器上，方便人员实时监控仿真效果。针对服务面向的不同角色，仿真结果在APP上的显示也充分考量了易读性和差异性。

(四)实施结果

借助基于 Plant Simulation 软件和 AWS 云端部署的低代码 APP 方案，仿真耗时得以大幅缩短，从以往的 4h 左右减少到仅需 6min。这一巨大的时间节省使排产人员、仓库主管以及设备维护人员能够更高效地利用仿真结果作出决策，而不再需要依赖仿真专家的参与。通过各自的 APP，这些岗位人员能够直接利用云端 Plant Simulation 进行辅助决策。

排产人员可以根据实际需求，通过调整生产线的参数，如生产速度、工作人员数量等，优化排产计划。他们可以模拟不同的排产方案，并通过仿真结果快速评估每个方案的效果，以选择最佳的排产策略。

仓库主管可以利用 APP 优化仓库布局、货物存放策略等参数，以提高仓库的物流效率和货物的存储密度。通过仿真结果的直观展示，他们可以快速了解仓库运行情况，包括货物流动、拣选时间、库存水平等，从而作出相应的改进和决策。

设备维护人员可以利用 APP 模拟设备故障、维护计划等，以优化设备维护策略并降低生产中断的风险。他们可以根据设备运行数据和仿真结果，预测设备故障发生的概率和时间，制定相应的维护计划，并通过仿真结果评估维护计划的效果，以选择最优方案。

通过这些 APP，排产人员、仓库主管和设备维护人员能够直接参与仿真决策过程，无须等待仿真专家的参与和反馈，大幅提高了决策的响应速度和灵活性，使各岗位人员能够更加主动地应对生产线的变化和挑战。

项目开发难度主要集中在 Plant Simulation接口开发和视频流输出仿真结果至用户端并实现与 Plant Simulation 仿真结果的互动。

四、展望与总结

随着算力的增强，海陆空立体交通运输网协同仿真终将成为现实，自动驾驶也会得到全面普及。随着 AI 在工业领域的应用，大量耗时费力的技术劳动，如 PLC 编程、数控加工刀路创建等将变得高效，甚至完全自动化。通过大模型训练的决策模型会应用到工厂日常管理中，“黑灯工厂”也终将实现。工业元宇宙将彻底改变人们的生活方式，去中心化的趋势更加明显，人类终将走上追求个性化发展的道路。

工业元宇宙是元宇宙的一个分支，是对高度复杂系统如机器、工厂、城市、交通网络的映射和模拟。它可为参与者提供完全沉浸、交互式、持续、实时且同步的现实世界的呈现和模拟。

本文通过基于生产计划的物流能力预测这个实际项目，初步探索并验证了从数字孪生向工业元宇宙过渡的可行性方案。实施过程中最重要的工作有 3 点：一是全面升级 Plant Simulation模型，在工厂未来建设的物流配送系统中也加入已有的仿真模型，同时将排产计划直接导入Plant Simulation 中进行仿真，使仿真模型复杂度上了一个台阶。二是将 Plant Simulation 以 SaaS方式部署在 AWS 云端，使其作为解算器为工厂各类人员提供仿真服务，同时也能够大幅缩短仿真事件求解时间，使仿真专家从繁杂仿真事务中解脱出来，可以专注于工厂持续改进工作，并利用积累的 IoT 数据不断修正仿真模型，提高仿真精度。第三，为非仿真专家创建相应的APP，使人机交互更符合非仿真专家需求，输出结果简明扼要，易于理解。该可行性方案最终取得了良好效果，并投入工厂实际运营。