自文(wén)明誕生以來，人類智慧一直在創造和維護複雜的系統。數字化雙胞胎的出現，将幫助人們實現更複雜系統的運作(zuò)，并改善設計和生産(chǎn)效率。人工(gōng)智能(néng)（AI）和擴展現實（XR）——包括增強現實（AR）和虛拟現實（VR）等，已經成為(wèi)可(kě)以幫助管理(lǐ)複雜系統運作(zuò)的工(gōng)具(jù)。數字化雙胞胎可(kě)以用(yòng)AI來增強，而新(xīn)興的用(yòng)戶界面（UI）技(jì )術可(kě)以提高人們通過數字化雙胞胎管理(lǐ)複雜系統的能(néng)力。
數字化雙胞胎可(kě)以将人類智慧和AI結合起來，通過創建複雜系統的可(kě)用(yòng)代表，産(chǎn)生更偉大的東西。終端用(yòng)戶不需要擔心進入機器學(xué)習（ML）、預測建模和AI系統的公(gōng)式，也可(kě)以利用(yòng)它們的力量作(zuò)為(wèi)他(tā)們自己知識和能(néng)力的延伸。數字化雙胞胎與AR、VR和相關技(jì )術相結合為(wèi)用(yòng)戶提供了一個框架，将智能(néng)決策覆蓋到日常運營中(zhōng)（圖1） 。
圖1：數字化雙胞胎可(kě)以用(yòng)AI來增強，而新(xīn)興的用(yòng)戶界面技(jì )術可(kě)以提高人們通過數字化雙胞胎管理(lǐ)複雜系統的能(néng)力。圖片來源：SAS和IIC
為(wèi)數字化雙胞胎創建智能(néng)現實
物(wù)理(lǐ)雙胞胎的操作(zuò)可(kě)以通過傳感器、照相機和其他(tā)類似的設備進行數字化，但這些數字流并不是唯一可(kě)以供給數字化雙胞胎的數據來源。除了流數據，積累的曆史數據也可(kě)以為(wèi)數字化雙胞胎提供信息。相關的數據可(kě)以包括不是由資産(chǎn)本身産(chǎn)生的數據，如天氣和商(shāng)業周期數據。此外，計算機輔助設計（CAD）繪圖和其他(tā)文(wén)件可(kě)以為(wèi)數字化雙胞胎提供幫助。AI和其他(tā)分(fēn)析模型可(kě)以獲取原始數據，并将其處理(lǐ)成幫助人類理(lǐ)解的系統形式。
AI還可(kě)以幫助用(yòng)戶智能(néng)地選擇内容。這樣的指導可(kě)能(néng)非常受用(yòng)戶歡迎，因為(wèi)用(yòng)戶輸入工(gōng)具(jù)與典型的鍵盤和鼠标非常不同。如圖1右上角所示，人類可(kě)以将系統視為(wèi)一個智能(néng)現實（一個技(jì )術增強的現實），可(kě)以幫助他(tā)們進行認知和判斷。
人類與數據和數據可(kě)視化的互動有(yǒu)着悠久的曆史，從William Playfair在17世紀末發明的線(xiàn)圖、條形圖和餅圖就開始了。而現在，當使用(yòng)平闆電(diàn)腦、智能(néng)手機和AR頭盔等移動技(jì )術時，數字現實被疊加在物(wù)理(lǐ)現實上成為(wèi)一個視圖。
考慮為(wèi)數字雙胞胎創造智能(néng)現實的第一步是了解整個用(yòng)戶界面的數據可(kě)視化選項。接下來，考慮一種報告整合方法，它可(kě)以在不需要新(xīn)的硬件範式（如AR頭盔）的情況下實現智能(néng)操作(zuò)和分(fēn)析。AR頭盔有(yǒu)可(kě)能(néng)為(wèi)運營帶來好處，但前提是要在應用(yòng)中(zhōng)成功地設計為(wèi)可(kě)用(yòng)性。
可(kě)視化數字化雙胞胎輸出
在Cap Gemini的“運營中(zhōng)的增強現實和虛拟現實”報告中(zhōng)，來自奧迪AR / VR能(néng)力中(zhōng)心的Jan Pflueger建議采用(yòng)以業務(wù)為(wèi)先的方式進行可(kě)視化項目，“首先，專注于您的應用(yòng)，而不是技(jì )術本身。确定用(yòng)例後，請專注于信息處理(lǐ)和數據，以便為(wèi)技(jì )術提供正确的信息。”
考慮呈現數字化雙胞胎的5種技(jì )術方法和它們各自的能(néng)力。這些是傳統的台式機；智能(néng)手機或平闆電(diàn)腦；單鏡片AR；立體(tǐ)AR，包括混合現實（MR）設備；和全沉浸式VR（圖2）。
圖2：該表顯示了呈現數字化雙胞胎的5種技(jì )術方法：傳統台式機；智能(néng)手機或平闆電(diàn)腦；單鏡片AR；立體(tǐ)AR，包括MR設備；和全沉浸式VR。每種類型的設備功能(néng)各不相同，這些差異可(kě)能(néng)會影響産(chǎn)品在不同應用(yòng)下的使用(yòng)效果。
每一類設備的能(néng)力各不相同，而這種差異可(kě)能(néng)會影響産(chǎn)品在不同使用(yòng)情況下的可(kě)行性。這對AR頭盔來說尤其如此。顯示分(fēn)辨率、視場和計算能(néng)力因産(chǎn)品而異。此外，關于将電(diàn)池和計算單元放在耳機上，還是放在一個單獨的連接模塊上的設計決定，會對其舒适度和實用(yòng)性産(chǎn)生影響。AR頭盔的另一個實際問題是它們與工(gōng)作(zuò)服是否可(kě)以無縫整合，如無塵室和食品加工(gōng)操作(zuò)所需的工(gōng)作(zuò)服。
在數字化雙胞胎環境中(zhōng)進行報告
在一個交互式的視覺分(fēn)析應用(yòng)中(zhōng)，可(kě)以使用(yòng)集成的3D模型創建智能(néng)現實報告（圖3）。數字化雙胞胎提供了可(kě)以與報告中(zhōng)其他(tā)對象進行交互的自定義可(kě)視化效果，包括在表格或圖形中(zhōng)顯示數據。
圖3：使用(yòng)SAS Visual Analytics和Autodesk Forge軟件可(kě)以實現系統集成。在這個例子中(zhōng)，Autodesk Forge被集成到SAS Visual Analytics的報告界面中(zhōng)。
這種可(kě)視化方法遵循了長(cháng)期存在的數據顯示傳統，不需要增加常規台式機設置以外的新(xīn)硬件。 用(yòng)戶界面顯示在帶有(yǒu)鼠标和鍵盤的典型計算機上。 用(yòng)戶幾乎不需要額外的培訓就可(kě)以使用(yòng)數字化雙胞胎的功能(néng)。
增強現實的可(kě)用(yòng)性和易學(xué)性
當從台式機轉移到AR頭盔時，應用(yòng)程序設計人員将面臨一系列新(xīn)的可(kě)用(yòng)性挑戰。可(kě)用(yòng)性是任何技(jì )術成為(wèi)工(gōng)具(jù)的基石。盡管AR是一種新(xīn)的交互範例，但長(cháng)期使用(yòng)的可(kě)用(yòng)性标準仍然适用(yòng)。這些标準可(kě)以指導将AR與數字化雙胞胎集成的工(gōng)作(zuò)。一個良好的界面應該是高效、易學(xué)、令人難忘、不經常出錯且使用(yòng)愉快的。
一些用(yòng)戶發現AR最初很(hěn)困難，因為(wèi)他(tā)們無法依靠自己的固有(yǒu)知識來操作(zuò)系統。然而，這種挫折是暫時的，用(yòng)戶通常會有(yǒu)所改善。根據目标受衆的不同，學(xué)習能(néng)力差異很(hěn)大。為(wèi)專家設計的工(gōng)具(jù)具(jù)有(yǒu)較高的學(xué)習曲線(xiàn)，但整體(tǐ)功能(néng)更強大，專家的效率應證明延長(cháng)培訓時間是合理(lǐ)的。通過将現實世界中(zhōng)的信息與程序中(zhōng)的信息相結合，體(tǐ)驗認知提高了執行任務(wù)的效率。
與任何應用(yòng)程序一樣，錯誤率通常受界面設計的影響。一個好的界面設計人員将能(néng)夠在人為(wèi)因素的限制内很(hěn)好地創建用(yòng)戶體(tǐ)驗，這也适用(yòng)于AR。盡管交互方式不同于點擊式，但系統設計人員已經考慮了可(kě)以識别的輸入種類，并限制了使用(yòng)過程中(zhōng)不可(kě)恢複的錯誤數量。多(duō)項研究表明，相比傳統的交互範例用(yòng)戶更喜歡AR。
創建深度學(xué)習模型的常見做法
深度學(xué)習模型是在大型數據庫上訓練的，幾乎總是脫機完成的。花(huā)費數小(xiǎo)時或數天的時間來訓練模型并不罕見。訓練完模型後，通過推理(lǐ)進行的模型應用(yòng)程序将不再需要大量的計算資源，但仍比數字化雙胞胎應用(yòng)需要更多(duō)的計算資源。
對于某些應用(yòng)，接近實時或稍微延遲的結果就足夠了。例如，在某些計算機視覺缺陷檢測中(zhōng)，在執行缺陷檢測的同時保留生産(chǎn)批次可(kě)能(néng)是可(kě)以接受的。而在其他(tā)情況下，則需要實時推斷。可(kě)以在有(yǒu)足夠資源的雲或數據中(zhōng)心中(zhōng)進行推斷。對于邊緣推理(lǐ)，具(jù)有(yǒu)足夠計算能(néng)力的邊緣網關正使其變得可(kě)用(yòng)，但是這種特殊需求需要進行規劃。
遞歸神經網絡（RNN）是一類專門為(wèi)序列或時間數據設計的深度學(xué)習神經網絡。在物(wù)聯網和數字化雙胞胎應用(yòng)中(zhōng)，有(yǒu)許多(duō)此類序列和時間數據的示例。随着時間的推移，許多(duō)傳感器都在收集數據。随時間變化的測量順序或模式可(kě)用(yòng)于了解數字化雙胞胎資産(chǎn)的有(yǒu)趣特征。一個示例是測量智能(néng)建築或電(diàn)網中(zhōng)的能(néng)源電(diàn)路。電(diàn)路上的能(néng)源使用(yòng)模式可(kě)以捕獲資産(chǎn)運行的開始或結束（例如電(diàn)機啓動），這預示着數字化雙胞胎資産(chǎn)的運行變化。RNN的另一個用(yòng)途是預測異常的時間序列數據。一個示例是預測太陽能(néng)發電(diàn)場的能(néng)量輸出。
使用(yòng)序列數據與使用(yòng)時間數據時，訓練RNN的過程有(yǒu)所不同。用(yòng)序列數據訓練RNN的過程如下：
● 将數據分(fēn)為(wèi)順序測量的各個部分(fēn)。段的長(cháng)度由數據的時間間隔和事件前兆的預期持續時間确定。
● 為(wèi)感興趣的事件創建目标變量，并将其用(yòng)于标記事件發生的序列。
● 訓練RNN。在這種情況下，不需要雙向模型拟合，因為(wèi)測量數據始終會及時向前移動。
然後可(kě)以将訓練後的模型用(yòng)于推理(lǐ)。在大多(duō)數情況下，模型推斷功能(néng)将足夠快，可(kě)以在雲，服務(wù)器或邊緣設備中(zhōng)的實時測量流上使用(yòng)。
基于機器視覺的數字化雙胞胎
計算機視覺或機器視覺是一種功能(néng)強大的工(gōng)具(jù)，它因能(néng)識别場景中(zhōng)的面部和物(wù)體(tǐ)而引起了衆多(duō)關注。對于數字化雙胞胎，它可(kě)以增加有(yǒu)關被監測物(wù)體(tǐ)的重要信息。可(kě)以通過與數字化雙胞胎的AR界面來增強需要目視檢查的任務(wù)。例如，計算機視覺可(kě)以通過比較成千上萬的圖像來檢測人類可(kě)能(néng)無法檢測到的異常，從而檢測缺陷。而且，諸如紅外線(xiàn)之類的專用(yòng)攝像機通過組合多(duō)個信息流，甚至可(kě)以進行進一步的分(fēn)析。
另一個選擇是創建一個模型，該模型可(kě)以在零件上找到容易識别的特征。生成的圖像可(kě)以使用(yòng)卷積神經網絡（CNN）創建分(fēn)類模型。根據數據标簽的好壞，模型可(kě)能(néng)具(jù)有(yǒu)各種複雜性。
通過收集大部分(fēn)為(wèi)良好的圖像，可(kě)以創建一個二元分(fēn)類模型，該模型可(kě)以識别出具(jù)有(yǒu)已知良好圖像或可(kě)疑異常圖像的可(kě)能(néng)性很(hěn)高的圖像。通過用(yòng)已知缺陷類型标記圖像，可(kě)以創建識别各種缺陷的更複雜的分(fēn)類模型。通過良好的位置識别，還可(kě)以分(fēn)解圖像并找到圖像中(zhōng)有(yǒu)缺陷的部分(fēn)。例如在半導體(tǐ)晶片生産(chǎn)中(zhōng)，可(kě)以基于具(jù)有(yǒu)缺陷的晶片的比例來量化預期的産(chǎn)量。
在模型被訓練之後，需要确定推斷的延遲并測試捕獲的新(xīn)圖像，以及是否需要逐流傳輸圖像并立即獲得結果。也可(kě)以捕獲一批圖像并進行批量處理(lǐ)。還要确定是否可(kě)以在雲中(zhōng)或服務(wù)器中(zhōng)完成推理(lǐ)，或者是否需要邊緣網關。
當在智能(néng)現實的保護下進行适當的架構和集成時，物(wù)聯網、人工(gōng)智能(néng)和擴展現實技(jì )術可(kě)以開辟新(xīn)的可(kě)能(néng)性，而數字化雙胞胎提供了一種可(kě)用(yòng)的表示方式，使得此類架構中(zhōng)固有(yǒu)的大量信息的價值被充分(fēn)挖掘出來。
