基于机器学习(ML)的AI应用程序通常被认为是制造业中一项有前途的技术[9]。然而,ML方法需要大量高质量的训练数据集。在监督式 ML 的情况下,通常需要手动输入来标记这些数据集[10]。这种方法成本高、容易出错且耗时,尤其是在复杂而动态的制造环境中[11]。阿列克斯普等人(2020)[12]指出数字孪生模型可以通过生成适当的训练数据集并通过模拟工具链自动标记来加速ML训练阶段,从而减少用户对训练过程的参与。这些合成数据集可以使用不需要大量使用的广泛真实世界数据进行扩展和交叉验证。范等人(2021)[13]研究并提出灾难城市数字孪生概念的愿景,该概念可以实现信息和通信技术(ICT)在危机信息学和灾难响应中的跨学科集成。这涉及结合人工智能算法和方法,以加强不同利益相关者之间的情况评估、决策和协调,从而提高对复杂灾害响应和人道主义援助动态的可见性。根据拉希德等人的(2019)[14]研究,数字孪生是复杂系统的自适应模型。计算管道、多物理场求解器、人工智能、大数据控制论、数据处理和管理工具的最新发展使数字孪生的前景及其对社会的影响更接近现实。数字孪生目前在广泛的应用中是一个显著上升的趋势。也称为计算巨型模型、设备影子、镜像系统、化身或同步虚拟原型。因此,数字孪生不仅在我们如何构建和管理网络物理智能系统方面发挥着变革性的作用,而且在我们如何促进多学科系统的模块化以解决基本障碍方面也发挥着变革作用。
在获取大量原始物理世界数据后,进行数据建模,并利用自动建模工具进行进一步处理,生成物理世界实际恢复的三维模型。除了环境的高精度虚拟重建外,数字孪生数据在支持各种操作流程方面也更有效。数据建模可分为两部分:可视化3D建模[21]和语义建模[22]。可视化 3D 建模是对物理世界的 3D 再现。数字孪生的语义建模包括“结构化”收集的数据并识别车辆、道路、人员和内部对象等对象。映射概念如图2 所示。