适读人群：本书的读者对象主要是装备制造企业的领导者、负责研发数字化转型的架构师、企业中的研发及IT人员，以及各类研究机构、大专院校中有志于数字化转型、正向研发、协同创新、iMBSE、数字孪生、工业4.0、工业互联网等方面研发创新的人士。
当前，人类社会正在经历第四轮工业革命，快速演进到工程学科和数字科技大融合的工业互联网新时代。中国制造企业要抢占先机成为引领者，就必须进行数字化转型，由逆向工程为主转型到真正的正向研发和创新驱动。而实现创新快速迭代的关键就是在数字虚拟世界里快速试错、快速学习——追求日臻完美的产品系统“数字孪生”。怀着加速中国从制造大国转型为制造强国的梦想，西门子数字化工业软件大中华区技术团队依托科技部“网络协同制造和智能工厂”重点专项，组织30多位资深技术专家，历时两年多，研究了大量世界顶级大学、研究机构和创新型企业的有关理论和实践，并总结多年来工业领域的实战经验，编写了本书。
参与本书策划和编写的30余位专家都是数字孪生的实战派，在系统工程、产品生命周期管理、机电软等不同领域拥有丰富的实践经验，对复杂装备系统数字孪生及其实现具有一流的洞见。
方志刚
西门子数字化工业软件大中华区副总裁兼CTO，联合出版《数字孪生实战》《智能制造之路》与《工业4.0实战》等书。
特别值得一提的是，作者深厚的理论功底和他在世界制造业/软件行业巨头西门子公司的供职，使得此书成为同类著作中的佳作……此书的一大亮点便是丰富的案例，包括西门子公司在数字孪生等方面的探索和实践。这些都是值得学术界和工业界读者学习和借鉴的。中国欲从制造大国转型为制造强国，要点之一当是从产品逆向工程转型为正向研发，而数字孪生的应用又是其关键。相信本书将对数字孪生技术在中国工业界的应用以及推动中国企业的产品正向研发和协同创新产生重大影响！——李培根中国工程院院士中国机械工程学会理事长华中科技大学教授
第四次工业革命的核心技术特征是众多工程学科和数据科技的大融合，在这个信息繁杂的时代，本书能够帮助读者快速鸟瞰全貌，建立清晰的知识层次结构。——梁乃明西门子数字化工业软件全球高级副总裁兼大中华区董事总经理
序言一
序言二
前言
第1章复杂系统研发模式变革——立本趋时，数济天下1
1.1从伽利略到“好奇号”3
1.1.1人类太空探索的历史和成就3
1.1.2从“好奇号”看现代航天系统的复杂性7
1.1.3“好奇号”的成功秘诀9
1.2从DBSE到MBSE和iMBSE11
1.2.1系统工程及航天系统工程应用11
1.2.2航天系统复杂性演进对传统系统工程的挑战13
1.2.3复杂系统驱动系统工程转型14
1.3从物理试验、建模与仿真到数字孪生19
1.3.1物理试验19
1.3.2建模与仿真20
1.3.3数字孪生23
1.4从第一范式到第四范式27
1.4.1吉姆·格雷和科学研究的“四个范式”27
1.4.2人工智能及其研究领域28
1.4.3人工智能在复杂系统研发中的应用32
1.5国外对研发体系数字化转型的探索35
1.5.1美国数字工程35
1.5.2欧盟框架计划项目40
第2章创新的三大思维模式——鼎新变通以尽利46
2.1设计思维47
2.1.1设计思维的发展历程48
2.1.2设计思维的应用49
2.2系统思维51
2.2.1系统思维的起源与发展51
2.2.2开展系统思维的步骤53
2.2.3钱学森的复杂巨系统理论58
2.3数字思维64
2.3.1数字思维的体系化：控制论、信息论和计算机64
2.3.2数字思维的拓展：工程控制论等66
2.3.3数字思维无所不在：当代数据科学和人工智能新进展67
2.3.4数字思维在研发体系数字化转型中的应用68
第3章iMBSE概述——举其要而用功少71
3.1iMBSE定义72
3.2基于模型的方法74
3.2.1正式模型74
3.2.2以模型为中心75
3.3iMBSE流程76
3.3.1需求工程流程78
3.3.2系统工程流程79
3.3.3领域工程流程81
3.4iMBSE内涵82
3.4.1系统模型84
3.4.2领域模型87
3.4.3系统生命周期管理88
第4章产品定义——运行分析与系统建模89
4.1系统工程发展演进的四个阶段90
4.1.1第一阶段：基于文档或视图的系统工程90
4.1.2第二阶段：Harmony-SE/OOSEM+SysMLV192
4.1.3第三阶段：ARCADIA+Capella95
4.1.4第四阶段：OOSEM/ARCADIA+SysMLV298
4.2新一代MBSE方法和实践：ARCADIA/Capella99
4.2.1功能分解100
4.2.2系统架构104
4.3基于ARCADIA的火星车产品定义106
4.3.1火星探索运行分析106
4.3.2火星车系统功能定义107
4.3.3火星车逻辑架构定义108
4.3.4火星车物理架构定义110
第5章创成式架构设计、探索和优化113
5.1系统架构创成式设计和优化114
5.1.1系统架构创成式设计理论114
5.1.2火星车案例119
5.2电子电气架构创成式设计123
5.2.1电子电气架构创成式设计理论123
5.2.2火星车案例126
5.3领域架构设计131
5.3.1多领域仿真架构131
5.3.2电子电气系统架构132
5.3.3嵌入式软件架构134
5.3.4机械系统架构134
第6章领域建模与仿真136
6.1领域模型概述及研究进展137
6.2机械领域模型142
6.2.1机械领域模型概述142
6.2.2从综合架构设计到DFX设计146
6.2.3设计仿真一体化和仿真驱动设计149
6.2.4机电系统联合仿真模型152
6.2.5从零部件到系统级声学仿真模型156
6.2.6高级计算流体动力学性能仿真模型158
6.2.7基于模型的系统测试161
6.2.8集成行业专家知识的定制化162
6.2.9火星车机械领域模型实践165
6.3电子器件的实现——PCB设计171
6.3.1PCB设计171
6.3.2PCB验证174
6.3.3火星车电气分配盒的PCB设计175
6.4复杂电气系统的创成式设计176
6.5互联设备的高效通信——车载网络设计181
6.5.1车载网络设计181
6.5.2火星车网络设计184
6.5.3ECU的软件开发186
6.6基于模型的软件架构设计190
6.6.1开发流程191
6.6.2火星车软件架构设计194
6.7多学科仿真和设计空间探索198
6.7.1多学科仿真和设计空间探索综述198
6.7.2神经网络在系统仿真中的应用201
6.7.3多物理场耦合模型204
6.7.4设计空间探索207
第7章基于数字线程的系统全生命周期管理211
7.1数字线程释放价值链潜能212
7.2研发设计资源及模型定义214
7.2.1研发设计资源建模及共享面临的困境215
7.2.2研发设计资源集成与共享平台的建设217
7.3模型生命周期管理的要素220
7.3.1模型生命周期管理及模型定义221
7.3.2模型生命周期管理要素223
7.3.3模型存储、通信和安全技术225
7.4需求管理227
7.4.1复杂系统的需求管理227
7.4.2需求管理的业务流程和方法228
7.4.3参数管理233
7.5模型生命周期管理235
7.5.1模型生命周期管理需求235
7.5.2模型生命周期管理系统236
7.5.3仿真模型生命周期管理238
7.5.4试验模型生命周期管理244
7.6模型连续的IVVQ流程和管理246
7.6.1基于连续IVVQ的业务流程247
7.6.2基于连续IVVQ的数字孪生思想248
7.6.3基于连续IVVQ的验证管理方案249
7.6.4基于连续IVVQ的设计、仿真、试验一体化管理250
7.7基于模型的质量工程252
7.7.1智能复杂装备系统质量的新需求252
7.7.2基于模型的安全可靠性建模分析技术254
7.7.3基于数字线程的安全可靠性管理265
第8章闭环数字孪生——依于数字，智周万物268
8.1Hackrod：游戏化的工业4.0269
8.2数据探索时代工业的特点273
8.3数据探索中的先进技术274
8.3.1智能网络274
8.3.2基于模型的先进制造277
8.3.3数据闭环279
8.4从芯片到城市283
参考文献285
中国制造必须从逆向工程为主转型到正向研发为主
快速浏览方志刚博士的新著，便深为此书所吸引。
几年前，我曾经访问一家著名的国有企业。在车间参观时，陪同的一位企业高管告诉我，他们的数字化水平与国外同行差距不大。我随即问到产品的水平如何，他的回答使我大吃一惊——与国际领军企业的产品差距约30年。中国近些年推进智能制造，总体上成效似乎不错。但就产品的创新（尤其是原创）而言，令人颇为揪心。看看工业世界的万千产品，属于中国首创的寥寥无几。这对身处制造大国的我们而言，是一件值得深刻反思的事情：中国要为世界未来的工业文明贡献什么？明天为全球、为人类增添福祉的创新机遇在哪里？
人类技术文明历经了农业文明、工业文明、互联网文明，正在进入新的阶段——“智能文明”时代。今天，智能制造已成为全球制造业的发展趋势和中国制造强国的战略方向，正在引领新一轮的制造业革命。
我国很多企业在推进智能制造的过程中，需要改变忽视智能化产品创新的现象。智能化产品已经不再是单纯的机电系统，而是复杂的机电软系统，“软件定义世界，数据驱动未来”的趋势越来越明显。大众CEOHerbertDiess博士在2019年达沃斯的“世界经济论坛年会”上表示：“在不远的将来，汽车将成为一个软件产品，大众也将会成为一家软件驱动的公司。”可以断言，未来的产品创新大多离不开软件的创新。本书正是聚焦于产品的正向研发和协同创新，书中从产品开发思维模式的转化，到产品定义、创成式设计、建模仿真等，无一不关乎软件。
第四次工业革命的核心理念是CPS（CyberPhysicsSystem），即数字与物理世界的深度融合，而最能反映CPS理念的非数字孪生（digitaltwin）莫属。数字孪生是指以数字化方式创建物理实体的虚拟模型，借助数据和模型模拟来改善物理实体在现实环境中的行为或性能。智能产品的研发需要利用数字孪生技术，发现潜在问题，激发创新思维，并不断追求优化进步。
数字孪生需要基于模型的系统工程（ModelBasedSystemsEngineering，MBSE）方法，MBSE是在复杂产品的背景下进行协同产品开发的最佳方法。NASA讲的“flybeforebuilt”（建造前飞行）就是指开始并没有制造，而是在虚拟数字环境下基于模型去设计、制造、试验等，这样就可以看到最终场景，并在整个过程中不断完善需求，不断适应变化，这就是基于模型的系统工程所带来的巨大变革。作者创造性地提出了复杂装备系统新一代MBSE，即iMBSE（integratedMBSE）的先进理念，并将系统模型、领域模型和系统生命周期管理（SysLM）三者有机地统一起来，进而实现基于模型的方法在整个工程中的应用，极大地拓展了传统系统工程和MBSE的内涵，为复杂装备系统研发模式的数字化转型提供了完备的理论指导和切实可行的实现路径。
书中系统地介绍了复杂装备系统研发模式的变革历程，国外在研发体系数字化转型方面的探索，创新的三大思维模式，基于iMBSE的复杂装备系统正向研发体系、流程和方法，以及支撑研发模式数字化转型的关键技术——数字孪生和数字线程（digitalthread），并通过火星车2030数字化工程实践验证（POC）为读者展示了iMBSE的应用场景，相信能够为有志于研发模式数字化转型和提升自主研发能力的企业提供巨大的参考价值。
数字孪生需要众多数字–智能技术的支撑，读者从此书中可以领略数字前沿技术的不同应用。例如：增强现实（AR）、混合现实（MR）技术应用在诸如协同设计、装配、运维等场景；拓扑优化、创成式设计提供了区别于传统经验式设计模式的创新设计方案，实现创新设计的自动化与智能化，即智能设计；3D打印技术让制造企业不再受传统工艺和制造资源的约束，在“设计即生产”“设计即产品”的理念下，为企业追求“创造无极限”拓展了产品创意与创新空间；多学科优化和设计空间探索可以极大地拓展设计师的设计空间，帮助设计师充分探索和利用系统中相互作用的协同机制，从而快速找到复杂装备系统的优化设计……随着越来越多新技术的融入，相信将进一步推动智能产品研发的革命。
特别值得一提的是，作者深厚的理论功底和他在世界制造业/软件行业巨头西门子公司的供职，使得此书成为同类著作中的佳作。从数字–智能技术（如数字孪生）的发展历程和演进，到前沿新技术（如iMBSE）的探索，均体现了作者对数字–智能技术领悟的广度和深度。另外，此书的一大亮点便是丰富的案例，包括西门子公司在数字孪生等方面的探索和实践。这些都是值得中国学界和工业界读者学习和借鉴的。
中国欲从制造大国转型为制造强国，要点之一当是从产品逆向工程转型为正向研发，而数字孪生的应用又是其关键。相信本书将对数字孪生技术在中国工业界的应用以及推动中国企业的产品正向研发和协同创新产生重大影响！
李培根
中国工程院院士
中国机械工程学会理事长
华中科技大学教授
2020年10月
倡导基于数字孪生的正向研发，努力建设创新型国家
亲爱的各位读者：
虽然目前是信息爆炸的时代，网络信息很丰富，但我仍然要向各位强烈推荐本书。
电气/网络/软件领域的建模和仿真验证工具Simcenter、系统生命周期管理与快速迭代平台Teamcenter等）进行对照实验，并结合火星车2030进行了实践验证。
梁乃明（LeoLiang）
西门子工业软件全球高级副总裁
兼大中华区董事总经理
2020年4月
从自动化、数字化到智能化，追求日臻完美的复杂装备系统数字孪生模型
有位作家说过，前言可能是一本书中唯一多余的章节。“Talkischeap，showmethecode”（能说算不上什么，有本事就把你的代码给我看看），Linux创始人LinusTorvalds的这句话可谓一针见血。在“buzzwords”（概念）创新充斥各个角落时，我们需要坚持“能畅想‘智能+’算不上什么，有本事就把你的数字孪生模型给我看看”的理念。换句话说，你所谈的“孪生”，是如同《龙兄鼠弟》里面的“孪生”，还是如同镜中映像的完美“孪生”？
2013年，德国提出的第四轮工业革命“工业4.0”，以比我们想象中更快的速度将设想变成当下的现实。云、大、物、移、智等新技术和制造业的交融，自动化和数字化的“两化融合”，机器学习在语音识别、图像识别、数据挖掘等诸多领域的应用，新材料、新工艺、新能源的技术突破，正在让制造业变得更柔（大规模柔性定制）、更软（软件定义一切）、更美（绿色环保）。一个物质极大丰富、全面智能化的新时代正在加速到来。
要在“工业4.0”时代生存和发展，制造业企业必须成功地进行数字化转型，成为一个软件定义的平台型企业，把产品重构为软件定义的可重构平台。制造平台型企业的核心是产品、工厂、企业的数字孪生模型，有了“数字孪生”，才能通过并行工程和快速迭代，用数字的消耗替代能源和物质的消耗，才能“多快好省”（T、Q、C、S、E综合优化）地实现产品创新和精益生产，以可接受的成本为消费者提供个性化消费体验，实现可持续盈利性增长，形成强大的市场竞争能力。
工业科技的发展是演进的，让我们简单回顾一下历史。“二战”前后，工程师认识世界和改造世界的“三论”——系统论、控制论、信息论逐渐成熟，在机械化和电气化的基础上，引发了第三轮工业革命。自动控制理论也从经典控制逐步发展到现代控制、计算机控制，直到今天兴起人工智能的第三轮浪潮。“工业4.0”时代，如何对企业系统进行建模和仿真——开发其“数字孪生”模型？
2002年，MichaelGrieves博士在密歇根大学和NASA研讨会上第一次提出“数字孪生”（digitaltwin）的理念。他认为，随着复杂性的日益增加，现代产品系统、生产系统、企业系统本质上均属于复杂系统。为了优化、预测复杂系统的性能，我们需要一个可观测的数字化模型，一个产品的综合性的、多物理场的数字表示，以便在产品的整个生命周期中维护并重复使用在产品设计和制造期间生成的数字信息。数字孪生在设计和制造过程中建立，并在产品生命周期中持续演进。一旦产品投入使用，其全生命周期历史将包括状态数据、传感器读数、操作历史记录、构建和维护配置状态、序列化部件库存、软件版本以及更多提供服务和维护功能的完整产品图像。通过数字孪生可以分析产品的当前状态和性能，以调度预防和预测维护活动，包括校准和工具管理。结合维护管理软件系统，数字孪生可以用于管理维修部件库存，并且指导技术服务人员完成现场修理、升级或维修。通过数据库中积累的实例，工业大数据分析工程师可以评估特定系列设备及其部件，并反馈给产品设计和工艺设计环节，用于产品和工艺的持续改进，形成闭环数字孪生（closedloopdigitaltwin）。
实施针对复杂装备系统iMBSE的闭环数字孪生，需要分别支持产品系统、生产系统、运行系统的数字孪生模型，并实现三大系统模型的一体化整合。若希望以高精度、高可信度建立这三类模型，我们认为，需要理论和实践的创新：在产品系统数字孪生领域，要发展新一代MBSE，用于预测物理结构和特征、物理绩效特征、环境响应、失效模式等；在生产系统数字孪生领域，要利用生产系统工程（ProductionSystemEngineering，PSE），对各生产系统要素、产线、车间、供应链系统进行建模和仿真，用于优化物理布局和特征、产能和利用率、产出和节拍；在运行系统数字孪生领域，要打造工业物联网（IndustrialInternetofThings，IIoT），提供物理系统的实时运行状态，优化运营水平，预测维护，并对设计进行验证。
为了加速中国从制造大国转型为制造强国，以及实现产品从逆向工程转型为正向研发的梦想，西门子工业软件大中华区技术团队组织专家顾问和航天科技集团有关专家，在总结多年实战经验的基础上，适当加以抽象，编写了“数字孪生”系列书籍，以供智能制造、工业互联网、工业人工智能领域的政产学研各界读者参考。
一、新一代基于模型的系统工程
要做到“神似”，须在从“基于文档”的系统工程提升到“基于模型”的系统工程的基础上，进一步演进到“新一代MBSE”。我们认为，新一代MBSE应该是多层次的（整机系统功能架构、领域系统架构、领域模型）、多物理场的、动态的、闭环的数字孪生，由计算机对设计空间自动寻优，并由一个数字线程（或称数字神经）系统支持设计方案的快速迭代。模型的复杂度、精确度和实时性随着产品生命周期的演进逐步提升。要实现基于数字孪生的正向研发理念，需要建设两个基础平台，即全生命周期的管理平台以及基于云和物联网的资源共享平台，并且提供三个维度的技术支撑——不同研发阶段的协同，不同子系统之间的集成，不同领域和不同学科之间的耦合。
在系统架构建模层面，MIT教授EdwardCrawley领衔撰写的《系统架构：复杂系统的产品设计与开发》从形式和功能两个方面深入讲解了如何分析系统，并给出了创建良好系统架构的指导原则。国际系统工程学会（INCOSE）则列出了各种主流的建模语言、方法论和工具。本书中的实例采用西门子公司提供的SystemModelingWorkbench，并采用西门子的Simcenter1D、3D和Test支持FMI/FMU2.0标准的实现。
有一个重要的问题，近几年兴起的机器学习（人工智能）能否用于复杂装备系统的数字孪生模型？
机器学习是人工智能的一个分支，简单地说，就是通过算法使机器从大量历史数据中学习规律，从而对新的样本进行智能识别或对未来进行预测。常见的机器学习算法有神经网络（neuralnetwork）、支持向量机（SupportVectorMachine，SVM）、boosting、决策树（decisiontree）、随机森林（randomforest）、贝叶斯模型（Bayesianmodel）等。其实，在深度学习浪潮掀起之前，力学和工程领域早已开始在计算力学研究中结合神经网络模型开发更优的算法，一个典型的例子便是有限元神经网络模型。由于在实际工程问题中存在大量非线性力学现象（如在结构优化问题中），需要根据需求设计并优化构件结构。这是一类反问题，这些非线性问题难以用常规的方法求解，而神经网络恰好具有良好的非线性映射能力，因而可得到比一般方法更精确的解。
将有限元与神经网络结合的方法有很多，比如针对复杂非线性结构的动力学系统建模问题，可以将线性部分用有限元进行建模，非线性部分用神经网络描述（如输入非线性构件状态变量，输出其恢复力），再通过边界条件和连接条件将有限元模型部分和神经网络部分结合，得到混合模型。另一种方法是先通过有限元建立多种不同的模型，再将模态特性（即最终需要达到的设计要求）作为输出变量，将对应的模型结构参数作为输入变量，训练神经网络，利用神经网络的泛化特性得到设计参数的修正值。结合蒙特卡罗方法进行多组有限元分析，将数据输入神经网络中进行训练，可以用来分析结构的可靠度。
二、基于模型的生产系统工程
PSE经历了从人工劳动到采用机械自动化设备，进而采用计算机的发展过程。值得一提的是，20世纪70年代兴起的分布式控制系统（DistributedControlSystem，DCS，或称集散控制系统）实现的从单机到联网是一个巨大飞跃。DCS是一个由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统，综合了计算机、通信、显示和控制技术，其基本思想是分散控制、集中操作、分级管理、配置灵活以及组态方便，在大型复杂工厂运行管理方面得到了广泛应用。20世纪80年代末90年代初，CIMS（计算机集成制造系统）被寄予厚望。CIMS是通过计算机软硬件，综合运用现代管理技术、制造技术、信息技术、自动化技术、系统工程技术，将企业生产全部过程中有关的人、技术、经营管理三要素及其信息与物流有机集成并优化运行的复杂大系统。
本质上，CIMS基于复杂系统工程理论，试图建立整个企业系统的数字孪生模型，它面向整个企业，覆盖企业的多种经营活动，包括生产经营管理、工程设计和生产制造各个环节，即从产品报价、接受订单开始，经计划、设计、制造直到产品出厂及售后服务等全过程。CIMS一般需要五大子系统，即产品生命周期管理系统（PLM）、企业资源计划系统（ERP）、制造执行系统（MES）、自动化物流系统和自动化生产线系统。PLM又可以分为计算机辅助设计和计算机辅助工程系统（CAD/CAE）、计算机辅助工艺设计系统（CAPP）、计算机辅助制造系统（CAM），而自动化生产线系统主要包括柔性制造系统（FMS），以及数控机床（NC，CNC）、机器人等。CIMS将信息技术、现代管理技术和研制技术相结合，并应用于企业全生命周期的各个阶段，通过信息集成、过程优化及资源优化，实现物流、信息流、价值流的集成和优化运行，达到人（组织及管理）、经营和技术三要素的集成，从而提高企业的市场应变能力和竞争力。
为了推动CIMS系统集成，MESA制定了ISA-95标准框架。ISA-95把企业系统分成如下几层：L0（现场/机台层），L1（控制层，PLC、传感器和作动机构），L2（操作层，SCADA/HMI），L3（工厂层，MES、批记录、历史数据），L4（企业层，ERP、PLM、工艺）。一般来说，L1和L2是自动化层，L3和L4是数字化层。在自动化层，比如在西门子成都电装工厂、汽车焊接车间，最关键的是报警、安全都要实现实时处理。自动化要求在L1和L2层实时处理和优化数据，通过L3MES进行数采以后，再分析、判断并进行处理。MES是IT和OT“两化融合”的一个结合点，关键点在于数采。
现在，数字化制造为什么要进化到智能化制造？在数字化已经非常强大的平台上，智能化制造还能带来哪些效益？它的关键点在哪里？智能化制造的本质就是让工业生产线和主要的设备有自学习、自适应和自判断能力。这就是智能制造和数字化制造的根本区别。人工智能、边缘计算和网络数据信息安全这三个关键点缺一不可，网络和数据安全也非常关键。由于系统是纵向集成的，因此黑客在侵入后可以直接破坏底层的传感器和执行机构。如果对黑客攻击的防范不到位，底层的设备和自动化就有可能被破坏。
进一步考察，对汽车制造业而言，人工智能到底有什么作用呢？现在无论是整车制造、焊接工艺还是总装车间，实际上更加复杂，因为其中包含很多手动工位、半自动工位以及混合的人机协作等。这需要大量的数据，而且在现场就要处理，让机器做出判断和决策，不能等到L3再做，否则就不是实时决策了。因此，需要实时决策才能提高产能和效率。
以电池制造行业为例。电池的电芯制造中有一道工艺是裁布，裁布以后涂布，涂布之后进行卷绕、切割，形成电芯，再加电极并进行焊接等。裁布这道工艺非常重要，因为裁的是金属而不是通常的布料。金属布料裁下来以后产生的毛刺可能有各种排列，如果有尖峰，卷绕以后就会戳破绝缘层，导致电芯不合格。这个问题该如何处理？不可能再等MES，而是需要利用机器视觉技术，并且是高速的机器视觉技术，实现一分钟检查两米布。通过高速的机器视觉技术来判断一段布裁下来以后产生的毛刺是否合格，这需要进行大数据分析。利用过去几万米布的毛刺数据，采用最小二乘法，并将算法写入AI处理器，实现了处理器的快速、准确决策。
再以汽车焊接工艺中的激光焊为例。如果15厘米的焊缝有一千个焊珠，用激光焊枪几秒钟就可以完成操作。但要在下一道工序之前快速判断是否合格，仍要借助机器视觉技术。机器视觉技术和PLC控制的程序不同：PLC程序编写后在PLC里运行，通过逻辑控制就可以实现；而机器视觉技术必须利用人工智能，通过边缘计算来解决这些问题，从而提高效益。这在汽车制造行业已经有非常多的实践。这些关键决策点决定了是否能够提高效益和产能，同时减少人力和人工。以上两个例子都是完全不可能由人来胜任的，因此，减少人工的好处不仅在于减少人力成本，还在于减少差错（理论上降低为零），提高效益。
再举一个例子，德国某豪华车总装车间已经开始试点，把总装中所有的拧紧操作（包括一个角度参数和一个力矩参数）通过AI技术在工厂的不同工位进行分配和判断，然后在底层实时处理这些数据。之后通过OPC协议，将数据打包后再传送上去。就拧紧、拧松这种数据而言，通过简单的边缘计算和人工智能模块完全可以实现现场处理。这就是智能制造，也就是从数字化工厂到智能制造的升级。
PSE的另一个重点是工艺数字化模拟仿真，包括虚拟调试，这对现在的数字化企业来说已经成为一个非常成熟且基本的工具和平台。西门子在平台研发上投入巨大，集成商和用户可以在平台上展开自己的想象，因为客户最懂工艺。客户懂工艺，可以提出对算法的要求；西门子懂平台，可以集成这样的算法。双方在算法上达成一致以后，将其植入边缘计算和处理芯片，在工艺上进行验证和实施。所有算法由线体商、集成商和最终用户一起讨论决定，最后可以形成基于线体商或者最终用户自主知识产权的算法和工艺流程，即优化后的工艺流程。
三、工业物联网
与处理大量的实时数据不同，工业物联网可以把边缘计算、人工智能以及MES数据放在云上。在进行大量的数据分析以后反馈给工艺产线，甚至反馈到原始设计端来进行产品的生命周期优化，进而实现产线、工艺过程和经营、生产管理过程的优化。这是一个更大的开放平台的概念。西门子工业物联网MindSphere已经于2019年4月入驻阿里云。在这个云平台上，边缘通过ping口直接与互联网相连，用户可以利用边缘计算和AI技术对数据包进行处理，并直接上传到云端。实际上，这个互联网需要云存储和云计算，因为它的数据量太大，本地服务器解决不了这些问题，必须采用开放式开发平台。这个操作平台的架构、操作系统和推荐的编程语言（Java和C++）都已经确定，主机厂、集成商、线体商在平台上可以自己做应用开发，也可以委托第三方，当然也可以委托西门子。这样就形成了一个完整的闭环，即智能制造平台。
当然，智能制造不等于整个工厂、所有机器都能够自学习，所有人和机器都可以相互直接协作，机器能读懂人的每个动作，等等。目前还达不到这个程度，可能也没必要达到这个程度。实际上，边缘计算和人工智能带来的真正效益是提高生产效率、减少设备投入，真正减轻人员的负担并降低错误率。如果能够做到这些，就可以说达到了整个智能制造的要求。
本书在编写过程中借鉴了大量文献的精华，包括《基于模型的数字化企业白皮书》（2012）、《工业4.0实战：装备制造业数字化之道》（2015）、《智能制造之路：数字化工厂》（2016）、《智能制造之虚拟完美模型：驱动创新与精益产品》（2017）、《数字孪生实战：基于模型的数字化企业（MBE）》（2019）。随着西门子数字化工业整合虚拟世界和物理世界过程的不断深入，我们也在追求完美数字孪生模型的道路上不断前进。
本书是航天科技集团和西门子团队合作的结晶。机械工业出版社华章分社的王颖女士为此“跟踪”了我们长达两年，特别感谢出版社各位老师的专业、敬业、耐心的态度。在这里，编委会还要特别感谢戚锋博士和夏纬先生，是他们的远见和经验促进了我们对工业自动化和数字孪生两大领域相互交融的理解，得以“闭环”。此外，也感谢四位实习生在2019年暑假完成了优异的辅助编辑工作，他们是康奈尔大学吴雨珂、上海交通大学孙雪涵、加州大学赵祺丰、美国LoomisChaffee高中邓泽智。