数字孪生模型和基于模型的电池设计

我们已经确定数字孪生概念可不仅仅只是一种炒作。在本篇博客文章中，我们将讨论如何结合使用高保真多物理场模型与轻量化模型和测量数据，来创建可用于理解、预测、优化和控制真实系统和真实系统模型的数字孪生模型，下面我们以混合动力汽车的电池组为例进行说明。

数字孪生概念

传统的基于模型的设计需要进行模型验证和确认，这可以用来优化设备或过程的设计或运行。我们通常通过比较实验结果和模型结果并进行参数估计来验证模型。

数学建模和仿真广泛用于设备和过程设计。

数字孪生（也称为虚拟孪生）的概念涵盖了上述基于模型设计的验证和确认步骤。不同之处在于，数字孪生意味着模型与设备或过程之间的信息传递更加紧密，而且通常是实时性的。数字孪生概念可用于设备或过程的设计、制造和运行阶段，目的是基于虚拟空间中的模型来理解、预测、优化和控制真实系统。我们可以认为数字孪生模型适用于相对复杂且成本较高的系统。我们不太可能为传统汽车的每根排气管构建数字孪生模型或管理数字孪生模型实例，这可能不会带来投资回报。然而，电池组是一个成本相对较高的系统。

在本篇博客文章中，我们举例说明了数字孪生模型在混合动力或电动汽车电池组的设计和运行阶段的应用。

电池组的数字孪生模型

下图显示包含真实空间中物理设备的数字孪生模型概念：一个带有传感器和控制系统的电池组。虚拟空间包含模型，本例中为电池组模型。数据和信息的传递将真实空间与虚拟空间联系起来（参考文献 1）。

混合动力汽车的电池组体现了数字孪生模型概念。

多物理场、多尺度和轻量化模型

虚拟空间包含真实过程的丰富表示，以非常高的保真度虚拟地模拟真实过程（参考文献 2）。不仅如此，当需要较小时间尺度的结果时，轻量化模型还可用于更快的交互，我们可以不断地校准这些轻量化模型，得到高保真的模型。

在电池组案例中，数字孪生模型可以是同样包含历史数据的电池组多物理场和多尺度系统模型，轻量化模型可以是电池组的集总和等效电路模型。历史数据可以包含特定电池组的测量数据，包括：

• 温度
• 荷电状态
• 阻抗谱
• 极化（电流与电压的关系曲线）

它还可能包含来自同一模型的其他电池组的数据。特定电池组的数字孪生模型可称为该电池组模型的数字孪生模型实例。

数字孪生模型由一系列不同的模型构建而成，这些模型以极高的保真度一同模拟电池组的特性。

借助这些模型，我们可以使用测量数据和报告中的数据精确地表示电池组的内部条件，并提取模型中的参数。然后将这些模型用于预测电池组的运行情况，并计算可用于电池组控制的控制参数。

信息处理意味着发回控制参数，这些参数使电池组的运行适应电池的状态、驾驶员的驾驶状况以及当前的运行和驾驶条件，它还可以向电池组和驾驶员发回有关预计电池组未来运行状况和特性的报告。例如，如果存在温度过高的风险或者在电池的特定充电状态下，它可以发送在充电期间（制动期间）暂时限制最大电流的参数，还可以检测到异常电池组中的电池，并将其与电路断开。

机器学习、云计算和物联网

虚拟空间中的复杂模型可能需要功能强大的计算机才能足够快地生成实时有用的结果。这意味着数字孪生模型的大部分性能可能是由通过功能强大的服务器（例如，使用云计算）远程运行的进程提供的，而另外一些进程可能在汽车中安装的控制装置中本地运行。

例如，上述轻量化模型可直接用于电池组中的控制装置。为了保持这些轻量化模型的准确性，我们可以将控制参数与较大时间尺度上计算的更丰富模型的预测数据和结果进行比较，从而实时更新控制参数。更丰富的模型可以对电池的温度分布、充电状态以及其他电化学和物理参数进行详尽的物理描述。因此，数字孪生模型可以在不同组件部署于不同平台和位置的系统中产生。

部署在不同位置的多个组件和模型可能有助于创建数字孪生模型。

数字孪生模型与其实际对应物通常不是孤立的系统。在大多数情况下，它们是更大系统的一部分，这个系统可能还包含其他设备及相应的数字孪生模型。此外，为了优化、控制和预测设备的各个方面，真实设备可能具有多个数字孪生模型，称为数字孪生模型集合体。

举例来说，如果电池组的某些零件容易发生疲劳，我们可能想要为电池组的结构性能创建一个数字孪生模型。这可能只在更大的时间尺度上影响电池组的运行，因此这种数字孪生模型可以更松散地耦合到模拟电池组电性能的数字孪生模型中。电池组的数字孪生模型也可与混合动力汽车的发电机、电动机和内燃机的数字孪生模型交换信息。

真实系统可以与许多数字孪生模型互动，而这些数字孪生模型之间也可以互动。

较大系统中的不同部分和它们的数字孪生模型可能需要相互通信。此外，数字孪生模型可能需要从安装在不同物理位置的传感器和设备获取数据。物联网（IoT）及相关技术可用于传感器、设备和产生数字孪生模型的计算机系统之间的通信。

机器学习（有时也称为人工智能或 AI）算法可用来训练数字孪生模型，以决定何时应查询不同设备或其他数字孪生模型的数据，何时应更新不同的控制参数，以及何时应更新数字孪生模型和真实系统的报告。因此，数字孪生模型、云计算、物联网和人工智能等术语是高效开发、设计、制造和运行高成本电池系统（如安装在电动汽车上的系统）的重要概念。

如何将 COMSOL Multiphysics® 模型并入数字孪生模型？

工程技术人员和科研人员可以使用 COMSOL Multiphysics® 软件创建极其精确的多物理场和多尺度模型。此外，该软件还能轻松组合轻量化模型，并根据较丰富模型预测的高保真特性持续更新轻量化模型。我们可以使用最先进的参数估计和优化方法不断验证模型。这种模型是数字孪生模型的关键组成部分。

为了使用 COMSOL Multiphysics 模型创建数字孪生模型，我们必须允许这些模型不断接收来自外部系统的测量数据和报告，然后将预测和控制参数传回该系统，最简单的方法是使用与 Java® 结合使用的COMSOL API。

举个例子，COMSOL Multiphysics 模型文件可能包含代表数字孪生模型不同方面的多个模型组件。在电池组示例中，这些模型组件可以是三维高保真模型组件、微观尺度的精细电化学模型组件以及用于快速交互的集总模型组件。当模型保存为 Java® 模型文件时，我们可以从 Java® 程序中访问所有这些组件。包含在这种程序中的 Java® 模型文件可以与外部系统通信，比如通过使用动态链接库文件（dll 文件）来实现。借助 Java® 生态系统，你还可以将虚拟空间实现为一个网络服务（例如，运行在 Tomcat 内部的基于 Java® 的网络服务），该服务可以提供代表性状态传输（representation state transfer，简称 REST）API，用于与真实空间通信。

在真实空间与虚拟空间之间建立连接的另一种方法也可以通过COMSOL Server™中的 App 和使用COMSOL Compiler™创建的编译 App 获取。这里的限制在于，在 COMSOL Server™ 或已编译 App 中运行的仿真在执行过程中无法更新。但我们可以启动或重新启动执行程序，以根据事件触发的变化来更新真实物理设备和数字孪生模型；例如，文件中的更改、传感器触发的命令或操作员触发的事件。真实空间与虚拟空间之间的数据和控制参数可作为由这些事件触发的命令的结果来回发送。

结束语

数字孪生模型的概念在军事和空间应用之外刚刚开始变得切实可行，并且备受青睐。分析人员提出的一个问题是缺乏模型，以及缺乏产生高保真预测所需的建模和仿真知识（参考文献 3）。

许多数字孪生模型仅仅依靠对输入数据的统计处理以及对历史数据的查表来创建数字孪生模型。其缺点在于，我们很难了解和理解设备或过程中的真实情况。对于特定制造商的大量设备或过程，我们还需要非常大量的可靠数据；而对于大批量生产的成本较低的产品来说，这可能是一种可选的方法。

相比之下，多物理场模型在得到验证后即可用最少的数据在广泛的运行范围内保持精确。出于这些原因，包含某种基于模型描述的数字孪生模型是理想之选。对于电池组等高成本产品，尤其需要使用可靠的多物理场模型。

偏微分方程（Partial differential equation，简称 PDE）是表述物理定律的最精确方法（参考文献 4）。借助 COMSOL Multiphysics，我们能够使用基于 PDE 的多物理场模型，根据最精确的描述创建数字孪生模型。

参考文献

1. M. Grieves, “Digital Twin: Manufacturing Excellence through Virtual Factory Replication,”Michael W. Grieves, LLC,2014.
2. E. Glaessgen and D. Stargel, “The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles,”53rd Structures, Structural Dynamics and Materials Conference, 2012.
3. J. Voskuil, “Model-Based — The Digital Twin,” Jos Voskuil’s Weblog, 2 July 2018;https://virtualdutchman.com/2018/07/02/model-based-the-digital-twin/.
4. R. Feynman,Differential Calculus of Vector Fields,The Feynman Lectures on Physics, 1963–1965.

Oracle 和 Java 是 Oracle 和/或其附属公司的注册商标。