数字化网络化智能技术：工业互联网平台与工业APP 课件 第5、6章 边缘计算、平台层重要技术

第5章边缘计算教师：******CATALOGUE目录5.1边缘计算概述5.1.1边缘计算的定义与特点5.1.2边缘计算与工业互联网平台5.1.3边缘计算与云计算5.1.4边缘计算与区块链5.1.5边缘计算与智能制造5.2边缘计算关键技术5.2.1计算任务卸裁CATALOGUE目录5.2.2边缘缓存5.2.3边缘数据管理与分析5.2.4边缘人工智能5.2.5云边协同5.3边缘计算应用5.3.1在离散制造业中的应用5.3.2在流程行业中的应用5.4实验:数据采集与可视化015.1边缘计算概述边缘计算的应用场景边缘计算在物联网、智能制造、智慧城市等领域都有广泛的应用，能够有效地支持这些领域的数字化转型。边缘计算的定义边缘计算是一种新兴的计算模式，它将计算任务从中心化的数据中心转移到网络边缘，更接近用户和设备。边缘计算的优势边缘计算具有低延迟、高带宽和更安全等优势，能够更好地满足实时计算和数据处理的需求。5.1边缘计算概述025.1.1边缘计算的定义与特点边缘计算的定义边缘计算是在网络边缘侧融合网络、计算、存储、应用核心能力的分布式开放平台，提供边缘智能服务，满足行业数字化关键需求。5.1.1边缘计算的定义与特点边缘计算的作用边缘计算通过部署数字世界的网络、计算、存储和应用资源，将核心云计算的任务“下沉”到边缘云服务器进行处理，满足时延通信、能耗等方面的需求。边缘节点的作用边缘节点的计算功能主要依赖于边缘节点来实现，边缘节点面向产生数据的设备，收集、处理数据，并提交与网络系统有关的处理结果或直接对现场设备进行控制。边缘节点的实体边缘节点的实体是携带软件或硬件编程的设备，一般封装有计算、网络、存储资源，如边缘网关、边缘控制器、边缘云和传感器等产品。01.5.1.1边缘计算的定义与特点边缘节点的功能边缘节点具备控制、分析、优化三大功能，控制功能包括通信、设备管理、感知、建模、执行等，可用于简单的控制，如在温度达到某一阈值时停止某项功能。02.边缘节点的优势分析功能是边缘节点相对于传统现场设备的显著优势之一，能够实现对数据的深度分析和计算性能的提升，为物理世界的控制提供更智能的支持。03.035.1.2边缘计算与工业互联网平台工业互联网边缘计算平台功能映射到边缘侧，实现生产现场数据的实时处理和业务的快速优化，满足工业领域对实时性、可靠性、确定性等需求。平台侧网络侧边缘计算是云、边、网、端协同的关键枢纽，算力网络、边缘智能等技术不断创新发展，推动边缘计算向智能化及协同化方向发展。工业互联网边缘计算是工业4.0场景下的重要技术，涉及平台侧和网络侧两个部分。5.1.2边缘计算与工业互联网平台边缘计算赋予设备本地计算能力，提升生产效率，工业互联网与制造业深度融合，表现出连接性、智能化、协同化、安全性和可靠性五个特点。边缘计算在工业互联网中的特点连接性是边缘计算的基础，需要具备多样化的连接功能，包括多元化的网络接口、网络协议、网络拓扑、网络部署与配置、网络管理与维护等。连接性5.1.2边缘计算与工业互联网平台045.1.3边缘计算与云计算5.1.3边缘计算与云计算中心式云计算的不足01中心式云计算在数据处理的及时性、网络依赖性和安全与隐私方面存在不足，难以满足工业互联网的高带宽、超低时延需求。边缘计算对中心式云计算能力的补充02边缘计算通过将工作负载下沉至网络边缘侧，解决了中心式云计算在实时性、网络依赖性和安全与隐私方面的不足，是工业互联网建设的重要支撑技术。实时数据处理和分析03边缘计算节点部署在数据产生源头附近，可实时计算处理数据，无需传输至外部数据中心或云端，减少处理延迟。节约成本04相较于传统的云计算中心，边缘计算能有效降低数据本地化处理的管理成本，提高数据处理的效率。055.1.4边缘计算与区块链工业互联网的目标工业互联网的目标是打破企业信息系统之间的壁垒，使得产业链上的所有企业能够对等地参与到生产、运输、销售等环节中，以满足最终用户的需求。建立可信的协同机制区块链技术的定义5.1.4边缘计算与区块链在全产业链协同中，建立可信的协同机制显得尤为关键，区块链技术为解决这一问题提供了新的解决方案。区块链是一种链式数据结构，通过密码学方式保证不可篡改和不可伪造，利用分布式节点共识算法生成和更新数据，并使用智能合约编程和操作数据。区块链系统的组成区块链系统由数据层、网络层、共识层、激励层、合约层、应用层组成，每层都承担着特定的职责和功能，共同实现区块链的网络数据的存储、验证、传递、交换。区块链的核心特征区块链的核心特征可以概括为去中心化和透明化，网络拥有许多验证对等节点，从而无须集中权限就可以访问信息，因此事务(记录)是透明且可追溯的。5.1.4边缘计算与区块链065.1.5边缘计算与智能制造边缘计算边缘计算是智能制造的核心技术之一，通过在工业内网中融合网络、计算、存储、应用核心能力，提供边缘智能服务，满足制造企业数字化转型的关键需求。工业信息物理系统架构引入边缘计算后的工业信息物理系统架构通过工业服务适配器将现场设备封装成Web服务，并连接到工业数据平台中进行动态管理和组合。智能制造提升边缘计算为智能制造带来设备灵活替换、生产计划灵活调整、新工艺/新型号快速部署等方面的提升，推动智能制造领域的发展。边缘计算的作用边缘计算能够提供快速连接、实时业务、数据优化、应用智能、安全保护等关键服务，解决当前控制系统中计算资源分散、独立、效率低下的问题。5.1.5边缘计算与智能制造075.2边缘计算关键技术边缘计算的主要目标是实现快速决策，满足业务在快速连接、实时业务、数据处理、智能分析、安全保护等方面的需求。边缘计算的目标为了实现快速决策，需要在边缘侧为业务提供计算、存储、网络、安全、应用等能力。边缘侧的能力提供为了满足业务的云边通信和任务协调的需求，还需要为业务提供云边协同管理能力。云边协同管理5.2边缘计算关键技术085.2.1计算任务卸裁5.2.1计算任务卸裁卸载的优势相较于将任务发送到云服务器，边缘计算能够提供更快速、高效的计算服务，并且有助于减轻核心网络的压力。卸载的步骤计算卸载的主要步骤包括节点发现、程序分割、卸载决策、程序传输、执行计算和结果回传。边缘计算卸载边缘计算中的计算卸载技术，允许用户终端将任务传输至邻近的边缘节点，利用边缘节点的计算资源完成任务处理，解决设备在资源存储、计算性能和能效等方面的不足。030201卸载决策是计算卸载的核心问题，涉及是否卸载、卸载什么、何时卸载、卸载到哪里、怎样卸载等问题。程序传输是计算卸载的重要环节，需考虑网络通信状况，将卸载的计算程序安全、稳定地传输至节点。执行计算是计算卸载的关键步骤，主要在边缘节点进行，用户只需等待即可。结果回传是计算卸载的最后步骤，将边缘节点处理后的计算结果传回用户的移动设备终端。5.2.1计算任务卸裁卸载的应用传输的程序执行计算的过程卸载的最后步骤095.2.2边缘缓存无线网络传输延迟边缘缓存的步骤热门内容资源压力边缘缓存的基本特点当前的无线网络主要是基于基站的蜂窝接入网络。当用户发出请求时，数据需要从基站传输到远程云服务器，这会导致较大的传输延迟。边缘缓存通常包括内容的放置和内容的传递两个步骤。内容的放置涉及确定缓存的内容、选择缓存位置以及将内容下载到缓存节点的方式。如果有大量用户同时请求相同的热门内容资源，会给核心网络的回传造成巨大压力，同时也会导致带宽资源的浪费和用户体验的下降。边缘缓存的基本特点包括缓存形式、缓存内容、缓存位置和缓存命中率。缓存形式有编码缓存和非编码缓存，缓存内容与流行度和用户偏好有关。5.2.2边缘缓存105.2.3边缘数据管理与分析5.2.3边缘数据管理与分析工业边缘数据的构成工业边缘数据是指工业制造工业互联网场景下，涉及的各种端设备以及边缘计算系统所需管理和分析的各类数据的总称。工业边缘数据的分类工业边缘数据的特点根据数据来源，工业边缘数据主要包括机器数据和运营系统数据（交互数据）两类。工业边缘数据具有数据来源多、异构性特征强、数据时序性强、因果关系强和高可靠性五个特点。115.2.4边缘人工智能5.2.4边缘人工智能边缘人工智能在工业互联网中具有低延迟、高实时性的特点，适用于处理大规模数据和复杂计算任务。边缘人工智能的特性边缘人工智能可应用于智能制造、无人驾驶、智能安防等领域，提高系统的响应速度和决策准确性。边缘人工智能面临计算资源有限、网络带宽压力、延迟和丢包等问题，需解决这些挑战以实现更好的性能。边缘人工智能的应用边缘人工智能具有分布式计算、隐私保护和安全性的优势，可确保数据的安全性和隐私性。边缘人工智能的优势01020403边缘人工智能的挑战125.2.5云边协同5.2.5云边协同云边协同云边协同是指云计算与边缘计算之间的协同合作，以提供更高效、可靠的云计算服务。云边协同的关键技术云边协同的关键技术包括计算任务卸载、边缘缓存、边缘数据管理与分析等。云边协同的优势云边协同可以降低维护成本、提高制造设施响应能力、提高网络可靠性。云边协同的应用云边协同已应用于智能制造、离散制造业和工程机械领域，并取得了良好的实践效果。135.3边缘计算应用边缘计算应用边缘计算在当今社会中已经得到了广泛的应用，如自动驾驶、智能制造、智能家居等领域。边缘计算的优势边缘计算通过将计算任务从云端转移到边缘设备上，实现了更低延迟、更高带宽和更安全的数据处理。边缘计算的挑战随着边缘计算设备的不断增加，如何有效地管理和维护这些设备，以及如何确保数据的安全性和隐私性，是需要解决的问题。5.3边缘计算应用145.3.1在离散制造业中的应用5.3.1在离散制造业中的应用离散制造高质量发展随着离散制造业的发展，对高质量发展的需求日益凸显，对业务时延、隐私及安全等关键性指标的期望不断攀升。精细化智能化作业趋势促使整体作业向着更为精细化、柔性化和智能化的方向发展，需要云计算的整体运筹和边缘计算的本地实时决策职能。边缘计算价值边缘计算在离散制造业中具有重要价值，可以有效解决离散制造系统的连接性问题，提供边缘侧建模与智能工具，以及决策和效率优化能力。155.3.2在流程行业中的应用边缘计算的价值随着我国工业化和经济的快速发展，流程行业正逐步迈向数字化、智能化的转型之路，边缘计算为流程行业带来的价值，主要体现在提升数据处理实时性，缓解云端计算负荷。边缘计算的作用边缘计算结合人工智能，对流程行业的数据价值进行了深入挖掘，解决了现有数据模型无法准确反映实际场景的问题，打破了行业内的技术壁垒。预测性维护技术流程行业通过边缘计算收集设备数据进行分析，实现状态识别和健康度预测，结合预测性维护技术，优化维护策略，提高设备生产效率。优化生产工艺流程行业传统的PID控制方法在处理多变量和控制滞后方面存在局限性，边缘计算结合模型预测控制软件系统，通过预测模型和历史数据优化生产工艺，促进节能降碳。5.3.2在流程行业中的应用01020304165.4实验:数据采集与可视化5.4实验:数据采集与可视化熟练掌握边缘计算平台基本功能，完成边缘计算基础实例，为实训中心智能产线提供稳定、高效的边缘计算服务。实验目的了解边缘计算概念和基本架构，掌握数据传输与处理技术，为实训中心智能产线提供稳定、高效的边缘计算服务。实验相关知识点采集堆垛机的坐标（X、Y、Z轴）数据，进行数据可视化展示与实时预警，确保产线的稳定运行和产品的质量。实验任务实验设备包括工业互联网平台、智能仓储工站等，主要使用工业互联网平台的边缘计算工具进行实验。实验设备介绍5.4实验:数据采集与可视化将计算任务和数据处理能力下沉到网络边缘，实现数据的快速处理和实时响应。边缘端负责采集数据，并通过网络将数据传输到边缘服务器。实验原理实验开始前确保边缘计算工具和智能仓储正常启动。任务一是采集堆垛机的坐标，包括连接智能仓库工站、配置堆垛机Y轴对应的OPCUA地址、编写采集流程、上传至边缘服务器。实验步骤THANKS感谢观看第6章平台层重要技术教师：******CATALOGUE目录6.1工业数据管理与分析6.1.1数据预处理6.1.2时序数据6.1.3数据处理6.1.4数据可视化6.1.5工业机器学习与智能认知6.2工业数据建模6.2.1信息模型CATALOGUE目录6.2.2机理和数据模型6.2.3人工智能大模型6.2.4业务模型6.3数字孪生6.3.1数字孪生的定义与内涵6.3.2工业数字孪生功能架构6.3.3数字孪生技术6.4实验:数据处理与集成016.1工业数据管理与分析6.1工业数据管理与分析工业数据管理01工业数据管理与分析正在从依赖开源工具转向成熟的商业解决方案，各平台专注于满足工业领域的特定需求，普遍开展定制化开发以增强工业数据管理能力。实时流分析02工业现场对实时性业务需求的迫切要求，推动着平台加大对实时流分析能力的发展，以便更好地满足工业领域的特定需求。人工智能应用03人工智能技术的应用进一步拓展了平台解决工业问题的广度和深度，使得平台能够处理更加复杂的工业问题，并提高了分析效率。数据可视化工具04平台还不断丰富数据分析和可视化工具，催生工业数据PaaS，显著降低数据分析的门槛，提高分析效率，为工业领域提供更加便捷、高效的数据分析服务。026.1.1数据预处理工业大数据特点：工业大数据因噪声大的特点，呈现出“低质”和“高频”现象，包含大量噪声数据、缺失数据以及异常数据等。01数据预处理方法：主流的数据预处理方法包括工业数据降噪处理、工业数据补全处理和工业数据纠错处理。02时序数据预处理方法：时序数据是一组按照时间顺序索引的数据点，需要采用专门的预处理方案。03工业场景中的时序数据：工业场景中产生的数据均具有时序性，来源于传感器或监控系统，并实时采集反馈系统或作业状态。04主流时序数据预处理方法：主流时序数据预处理方法主要分为基于统计的预处理、基于约束的预处理和基于机器学习的预处理。056.1.1数据预处理036.1.2时序数据时序数据库定义时序数据库是专门用于管理时序数据的数据库，应当具备写入和查询操作功能。时序数据库分类内存型时序数据库6.1.2时序数据时序数据库可分为内存型时序数据库、基于关系数据库的时序数据库、基于KV存储的时序数据库和原生时序数据库。使用内存作为存储介质，具有高写入吞吐量和低访问延迟，适用于热数据访问频次高的场景。关系数据库的扩展基于关系数据库的时序数据库是在关系数据库基础上进行扩展，以优化时序数据的存储，适用于对SQL功能依赖度高且要求数据一致性的场景。6.1.2时序数据NoSQL数据库的扩展基于KV存储的时序数据库是通过扩展NoSQL数据库来实现时序数据的存储，具有高扩展性，但部署复杂、运维困难。原生时序数据库是全新研发的时序数据库，面向时序数据存储而设计。046.1.3数据处理大数据计算模式大数据计算模式解决问题代表产品批处理计算大规模数据的批量处理MapReduce、Spark等，流计算流数据的实时计算Flink、Storm、S4、Flume、Streams、Puma、DStream、SuperMario等，图计算大规模图结构数据的处理Pregel、GraphX、Giraph、PowerGraph等，查询分析计算大规模数据的存储管理和查询分析Dremel、Hive、Cassandra、Impala等。批处理计算批处理计算主要应对大规模数据的批量处理需求，这是日常数据分析工作中非常常见的一类数据处理需求，MapReduce是最具代表性和影响力的大数据批处理技术，可用于并行执行大规模数据处理任务，用于大规模数据集（大于1TB）的并行计算。6.1.3数据处理SparkSpark是一种针对超大规模数据集的低延迟集群分布式计算系统，比起MapReduce速度更快，采用内存分布式数据集，支持交互式查询，优化迭代工作负载，利用内存替代HDFS或本地磁盘来存储中间结果，因此Spark的速度比MapReduce快许多。流计算流数据也是大数据分析中的重要数据类型，流数据（或数据流）是指在时间分布和数量上无限的一系列动态数据集合体，数据的价值随着时间的流逝而降低，必须采用实时计算的方式给出秒级响应。6.1.3数据处理056.1.4数据可视化数据可视化技术数据可视化特点数据可视化主要方面数据可视化类型数据可视化技术是一种将数据以某种概要形式呈现出来的科学技术研究，包括相应信息单位的各种属性和变量，并对这些数据加以可视化解释。优秀的数据可视化技术需具备新颖、充实、高效和美感几个特点，能够以新视角观察数据，传递信息，并提供清晰的目标。数据可视化技术主要包括数据空间、数据的开发和数据的分析三个方面，分别负责收集数据、计算推导数据和对数据进行多角度观察与剖析。根据数据类型不同，数据可视化分为低维数据、高维数据、时态数据、层次数据和网络关系数据几种，针对每种数据类型都有相应的可视化技术。6.1.4数据可视化066.1.5工业机器学习与智能认知工业机器学习与智能认知：将机器学习等人工智能技术应用于工业场景，以赋予工业主体一定的认知能力，提升工业认知能力。工业机器学习技术应用：在工业场景中，针对不同形式的工业数据和具体需求场景，通常会采用不同的技术来实现工业机器学习与智能认知学习。迁移学习：利用迁移技术将原环境中的知识迁移到新环境中，以实现跨领域的智能认知，在如跨域的故障诊断等工业应用中发挥作用。工业主体智能认知与决策：工业主体需要了解自身的运行状态，并对周围环境数据进行认知和决策，利用机器学习处理海量数据，指导制造设备运行。深度学习模型：随着深度学习模型的出现和应用，工业数据可以得到更准确的认知，特别是利用机器学习等人工智能技术强大的数据处理能力。6.1.5工业机器学习与智能认知0102030405076.2工业数据建模数据建模数据建模是根据工业实际元素与业务流程，构建供应商、用户、设备、产品、产线、工厂、工艺等数字模型，并结合数据分析提供诸如数据报表、可视化、知识库、数据分析工具及数据开放功能，为各类决策提供支持。模型的沉淀模型的沉淀、集成与管理成为平台核心能力。信息模型的集成与统一是提升平台工业要素管理水平的关键，为平台资产、功能提供统一的语义描述。而机理模型、数据模型、业务模型在平台中的沉淀，使平台化的提供工业个性服务成为可能。6.2工业数据建模086.2.1信息模型6.2.1信息模型OPCUA信息模型OPCUA作为垂直方向的设备互操作协议，通过14种系列规范定义元信息模型，采用分层结构，用户可通过继承内置节点和增加定义的语义来扩展类型定义。信息模型呈现形式OPCUA信息模型呈现形式如图6-2所示，系列规范覆盖对象类型、变量类型、数据类型和引用类型，每种类型都代表特定的语义，涵盖多种过程控制领域。工业互联网信息模型工业互联网信息模型是工业互联网全要素、全价值链、全产业链在信息空间的标准化表达，实现信息的标准化，为异构信息交互提供解决方案。030201建模过程具体的建模过程为需求获取、类型定义、模型实例化。数据编码与协议映射OPCUA还定义了数据编码、安全协议和传输协议的映射，数据编码方面可通过使用UA二进制、UAXML或者UAJSON来定义系列信息模型。OPCUA信息模型应用基于OPCUA的信息模型主要用于实现设备和系统信息的标准化，出现在信息化应用层，可以解决语义互操作问题。信息模型实例化OPCUA服务器需要对信息模型进行实例化，从而构建地址空间，向客户端暴露实例化的信息模型，客户端通过访问地址空间获取数据和信息。6.2.1信息模型096.2.2机理和数据模型6.2.2机理和数据模型机理模型是基于领域知识和物理化学规律建立的模型，能够描述工业过程中的各种现象和规律。机理模型数据模型则是基于工业数据的模型，通过机器学习等技术从数据中学习规律，用于预测和决策。数据模型模型融合是一种有机地融合领域知识和数据分析过程的方法，基于分解的综合方法将建模过程分为两步。融合方法子模型的迭代与综合是建模的关键步骤，将不同场景下应用的子模型综合起来，提高模型的适用范围。迭代与综合经典统计分析方法在独立同分布假设和干扰的随机性假设下工作，确保模型的有效性和可靠性。统计建模在复杂的工业过程中，领域知识往往不足以选择出最优的变量和模型结构，因此需要根据数据驱动的方法进行建模。领域知识不足6.2.2机理和数据模型多个因素共同作用当模型遇到特殊的奇点时，应该首先与领域专家讨论，然后再用数理统计方法进行验证和优化。模型的优化过程模型的优化过程是认识更加深入的过程，也是模型精度和可靠性不断提高、适用范围逐渐扩大的过程。间接原因所谓“间接原因”，即是隐藏在背后的更深层次的原因，例如，检测过程中存在的测量误差和仪器故障等。6.2.2机理和数据模型106.2.3人工智能大模型人工智能大模型依据应用范围，人工智能大模型可分为通用大模型和垂直大模型，两者各有特色，应用场景不同。人工智能大模型分类通用大模型通用大模型具备广泛跨领域适用性，训练成本高，但能挖掘数据潜在特征和规律，具备出色泛化能力。人工智能大模型凭借卓越的计算效能和广泛的应用前景，成为了解决各种复杂问题的有力工具，标志着人工智能领域的新变革。6.2.3人工智能大模型6.2.3人工智能大模型垂直大模型垂直大模型在特定行业领域中训练和优化，提供高度精准、专业化的解决方案和预测结果。技术技术Transformer模型是由Google在2017年提出的，基于注意力机制，摒弃了传统的循环神经网络和卷积神经网络。相较于循环神经网络和卷积神经网络，Transformer模型在训练效率上实现了显著的提升，显著缩短了训练时间。技术Transformer模型能够在不同的表示子空间中有效捕捉长距离依赖关系，提升了模型的表达能力。技术Transformer模型展现了高度的并行性，其多头注意力机制允许模型同时关注不同信息，提升了计算效率。技术Transformer模型的适应性广泛，不仅在自然语言处理领域取得了显著成果，还展现出了广泛的应用潜力。6.2.3人工智能大模型116.2.4业务模型业务理解与建模数据分析中的业务理解与建模是关键步骤，包括理解业务领域知识和建立数据模型。业务建模的重要性业务建模是数据分析中至关重要且复杂的环节，高度依赖于业务专家的领域知识。杜邦分析法杜邦分析法可用于计算净资产收益率，需要知道或预测有限的几个数据即可得到最终结果。6.2.4业务模型工业大数据分析工业大数据分析涉及对机器及生产过程的工艺进行分析，相关业务规则和工作机理较为复杂。系统上下文模型系统上下文模型包括人、机、料、法、环及工艺原理、流程等，如设备运维管理中的物料清单。系统动力学模型系统动力学模型是由麻省理工学院的福瑞斯特教授于20世纪50年代创立的，可用于非线性、复杂系统的建模和预测。0203016.2.4业务模型6.2.4业务模型设备健康管理设备健康管理通常采用动态监控模型，可用于预测设备的运行状态和剩余寿命。系统动力学模型应用系统动力学模型可根据使用目的分为监控模型、描述模型、预测模型、规划模型等。系统动力学模型分类根据描述的对象状态种类不同，系统动力学模型可分为动态模型和静态模型。126.3数字孪生6.3数字孪生数字孪生的定义数字孪生是制造技术、信息技术和融合性技术相互交织融合的产物。数字孪生的作用数字孪生实现不同数据源的实时同步，高效整合多种建模方法和工具，实现多学科、多维度、多环境的统一建模和分析。数字孪生的地位数字孪生被认为是工业互联网技术发展的集大成者。136.3.1数字孪生的定义与内涵6.3.1数字孪生的定义与内涵工业数字孪生是多类数字化技术集成融合和创新应用，基于建模工具在数字空间构建起精准物理对象模型，再利用实时IOT数据驱动模型运转，进而通过数据与模型集成融合构建起综合决策能力，推动工业全业务流程闭环优化。数字孪生的定义数字孪生的概念最早提出是用来描述产品的生产制造和实时虚拟化呈现，但由于当时的技术水平限制，这一理念并未得到足够的重视。随着传感技术、软硬件技术水平的提高以及计算机运算性能的增强，数字孪生的概念得到了进一步的发展。数字孪生的内涵数字孪生技术能够在产品的设计研发、生产制造、运行状态监测和维护、后勤保障等各个阶段为产品提供支持和指导，并且能够帮助产品设计专家判断和决策不同参数设计情况下的产品性能情况，使产品设计能够在综合考虑整个寿命周期发展变化的情况下得到更加完善的设计方案。数字孪生技术的作用010203146.3.2工业数字孪生功能架构连接层连接层是数字孪生闭环优化的起始和终止环节，主要功能是采集感知和反馈控制，获取物理对象的全方位数据，并完成物理对象的最终