工业企业的数字化转型，需要面临制造理念、组织方式和商业模式的多种变革。一个产品，从设计理念开始，经历了制造、使用和报废，跨越了时空，呈现出一个完整的生命周期。如果设想这种产品有一本履历表，那么它将忠实地记录了这个产品的各阶段生命周期相关的数据。各种健康状况和风险，都会一目了然，然而事实却并非如此。对于制造商而言，各阶段的数据通常呈现孤立、分散的特征，尤其是用户对于产品使用过程中，基本就是黑匣子。数据的分裂，让产品的各个阶段，都成为一座座孤岛而互不相连，数据失去了流动性，大大约束了人们的洞察力。
 
数字孪生，作为连接实体与数字空间的一种高保真、实时互动的可视化模型，随着工业互联网的发展，成为一种全新而有效的解决方案。工厂的设备，可以通过实时可视化的数字孪生，模拟机器在生产系统中的表现，通过虚实交互、数物融合和知识自动化，形成一线操作者和管理者的决策支撑系统，提供更加实时、高效、智能的服务。
 
数字孪生研究背景
 
企业数字化转型，围绕着数据驱动而来。而数据要真正产生的价值，需要靠企业知识体系来提供。因此，数字化转型，首先需要面对的是企业知识的梳理。但是传统的知识体系，往往呈现非常僵化的状态。例如，工程图档往往是企业的重要知识资产，但很多制造企业都是采用传统的图纸档案管理方式，以“底图”或“蓝图”的形式，进行分类、分密级归档保存。而代表企业重要的知识体系，如工艺说明、操作手册、工程文件等，已经随着企业信息化应用的逐步发展，一般都是通过扫描后进行管理。

 
然而这些图纸、电子文档所保存的知识，都是静态、分散和割裂的。颗粒度太大，缺乏语义的连接，无法实现相互之间的关联，流动性很差。这种知识体系，只是被收藏起来，但却无法高效重复使用。对于资深工程师而言，这只是一种储存方式而已，因为信息查找而言，仍然非常低效；而对于经验不足的员工而言，这些知识则像是被隐藏起来。
 
面临数字化转型，由于缺乏系统性的知识体系支撑，因此工业企业呈现出如下的困境：
 
1）工业场景复杂，存在海量多源异构的工业数据，多样性、复杂性的工业数据，造成工业场景信息孤岛化，数据利用价值低。
 
2）工业场景中，存在显性知识与隐性知识，各种结构化、半结构化和非结构化知识，知识关联性弱。
 
3）人工智能（AI）正在逐渐成为大数据分析的重要技术，但是传统AI训练，过度依赖人工开发算法。它无法关联自然语言所对应的概念、属性、关联性等。
 
4）随着工业数字化普及，海量的CAD、CAE文件以及数字化的各类文档、说明书、操作手册等，信息量暴增，给用户决策带来新的痛点。
 
5）工业知识专业性强，且涉及技术领域广。零散化的知识晦涩难懂，工业术语解释专业性强，经验知识传播、传承困难。
 
而通过知识图谱，可以将各种概念，通过编码连接的方式，形成语义连接，将隐形的知识显性化；而数字孪生技术，则可以在传统静态模型中，增加了实时运行数据的反馈，动态记录，并且用可视化的方式进行展现。这将彻底改变原有的知识管理方式，激活沉默的知识资产，从而帮助人们重新认识、管理和控制机器世界