数字孪生平台上的工业数字化建模和重用分类研究—阵列14（2022）100176

阵列14（2022）100176工业4.0时代的工业数字化：数字孪生平台上数字模型的分类、重用和创作ValentinaZambranoa，a，JohannesMueller-Roemerb，MichaelSandbergc，PrasadTalasilac，DavideZanind，PeterGormLarsenc，ElkeLoeschnere，WolfgangThronicke，DarioPietraroiaf，GiuseppeLandolfid，AlessandroFontanad，ManuelLaspalasa，JibinrajAntonyg，ValeriePoserg，TamasKissh，SimonBergweilerg，SebastianPenaSernai，SalvadorIzquierdoa，IsmaelViejoa，AsierJuana，FranciscoSerranoa，AndréStorkbaInstituto Tecnológico de Aragón-bFraunhofer Institute for Computer Graphics Research IGD，Fraunhoferstraße 5，64283 Darmstadt，Germany丹麦奥胡斯市奥胡斯大学Nordre Ringhus 1，8000dScuola Universitaria Escuale della Svizzera Italiana- SUPSI，Via Pobiette 11，6928 Manno，SwitzerlandeAtos Information Technology GmbH，Otto-Hahn-Ring 6，81739 Munich，Germanyf技术转让系统gDeutsches Forschungszentrum Für Künstliche Intelligenz- DFKI GmbH，Trippstadter Str. 122，67663 Kaiserstern，Germanyh威斯敏斯特大学并行计算中心，New Cavendish Street，W1W 6UW英国伦敦iClesgo GmbH，Seyfferstraße 34，70197 Stuttgart，GermanyA R T I C L E I N F O保留字：数字孪生可重用模型A B S T R A C T数字双胞胎（DT）是允许自我诊断、自我优化和自我配置而无需人工输入或干预的实时数字模型。虽然数字技术是正在进行的第四次工业革命（I4.0）的一个核心方面，但这一飞跃可能只适用于老牌大型公司，因为中小型企业（SME）采用数字技术的程度仍然很低。H2020欧洲项目“DIGITbrain”的目标是通过重用DT的基本构建块来支持DT的模块化构建，即，描述DT行为的模型、其相关算法和评估所需的数据。通过DT平台（数字孪生环境）提供这些构建模块作为服务，降低了中小企业采用这些技术的技术障碍。本文介绍了如何在DT平台上对数字模型进行分类、重用和创作。通过三个工业案例的实验分析，本文阐述了如何DTs与农业机器人的产品装配，聚合物注射成型，以及激光切割和金属板成形的铝。1. 介绍一个成功的制造企业必须敏捷、创新和高效。当今的公司不仅面临着来自全球化的激烈竞争，而且由于新的立法，法规和客户期望，产品要求不断增加。因此，制造企业已经利用数字化技术在竞争激烈的市场中取得成功这是正在进行的第四次工业革命的基础I4.0），这已经给制造工程带来了范式转变。I4.0建立在物联网（IoT）技术的基础上，其中传感器和软件嵌入在设备中（即，网络物理系统）以利用计算机化的不同方面。因此，I4.0的一个核心方面是部署所谓的数字孪生（DT）[1]，最终充当实时数字模型，并允许自我诊断，自我优化和自我配置，而无需人工输入或干预。然而，有数据表明，I4.0提供的飞跃可能是为老牌的大型公司保留的。例如，欧盟的数字化转型记分牌表明，中小企业和中型企业[2]采用数字技术的比例低于10%，∗ 通讯作者。电子邮件地址： vzambrano@itainnova.es（V. Zambrano），prasad. ece.au.dk（P. Talasila）。https://doi.org/10.1016/j.array.2022.100176接收于2022年4月25日;接受于2022年4月25日2022年5月10日网上发售2590-0056/© 2022作者。爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/locate/arrayV. Zambrano等人阵列14（2022）1001762如果要在整个制造业采用I4.0技术，这将构成重大障碍。DT在制造业中变得越来越重要。DTs能够优化流程和产品，由于他们的高保真预测能力，他们的执行。在制造业中，DT可以是不同系统的虚拟表示，例如，机器、生产线、产品或与制造过程相关的任何其他操作或服务。 因此，DT可以在制造过程中的任何时候引入，因此其用途不仅限于生产前规划和设计，其中应用产品或生产线的预测和优化，而且还可以用于维护，市场分析等。[3]的第11段。允许中小企业和中型企业访问I4.0技术的一种方法是通过一个平台提供服务，有时被称为数字孪生环境[4]。这不仅降低了公司的投资和基础设施要求，而且还使非技术人员仅需有限的培训就能获得关键技术。 数字孪生环境可以利用收集的数据，让模型和算法根据操作条件远程引导和优化产品和流程因此，制造公司现在可以将专业知识和供应链的部分[5]外包给服务提供商，这被称为制造即服务（MaaS）[6为了提供一个MaaS平台，需要几个构建模块，其中许多已经在之前资助的欧洲H2020项目中进行了探索这些欧盟项目的非详尽清单包括 ： 制 造 公 司 的 数 字 服 务 市 场 （ CloudiFacturing [11] ，MANUSQUARE [12] ） ; 在 开 源 物 联 网 平 台 中 部 署 智 能 应 用 程 序（FIWARE [12]）;云编排引擎（COLA [13，14]）;以及网络物理系统（INTO-CPS [ 15 ]）和模拟和预测技术（MAYA [ 16 ]）的基础研究从目前的技术水平来看，自然的一步是开发一套完整的解决方案，进一步扩展DT的概念，使制造公司能够充分挖掘I4.0的潜力。这是欧洲H2020项目DIGITbrain的目标，本文介绍了该项目为了提供一个数字集成平台，需要考虑软件和硬件组件。然而，DIGITbrain项目的核心技术之一是通过实现轻量级加密库来实现基于设备不可知软件的验证机制。模型是DIGITbrain中一种独立的、可重用的资产本文的结构安排如下：第二部分提供背景 通过回顾相关工作，为本文提供了参考;第3节确定并回顾了可用于MaaS平台评估的模型分类，包括模型的行为、组织以及耦合模型、嵌入式模型以及有状态和无状态模型的交互;第4节介绍了DIGITbrain中建议的模型特征化和元数据结构;第5节解释了如何创建模型;第6节列出了DIGITbrain项目第一年期间获得的一些最相关的结果，从而增强了模型的可重用性;最后，第7节总结了本文的发现。2. 背景和相关工作DT的使用可以追溯到50多年前的阿波罗13号计划，当时NASA设计了物理模拟器来反映宇航员在太空飞行期间在航天器中经历的条件[18]。虽然在其最初的介绍之后没有正式的通用定义，但现在的共识将DT描述为与物理系统进行近实时双向通信的数字模型[19]。因此，具有单向通信的模型是被定义为数字阴影，没有任何通信链接的模型只不过是物理系统的数字模型DT可以反映产品的整个生命周期[20，21]，然而，目标领域特定的应用，如裂纹扩展的监测和预测也很常见[22]。为了在I4.0制造环境中实现和使用DT，必须在DT架构的硬件和软件节点之间建立协议、访问配置文件和通信[23尽管如此，如第1节所述，DIGITbrain项目允许明确区分不同的资产，主要是数据、算法和微服务以及模型。在此范围内，仅分析模型，I4.0中用于DT的独立且可重用的构建块DT要使用的数据（即，信息物理系统）可以从各种传感器和其它设备收集，所述其它设备例如是摄像机、射频识别（RFID）标签，仪表（例如，变形、温度等）。当然，为了让系统 为了执行任何有意义的自主决策，必须实时或接近实时地传输数据。DT设置中的数据处理的最新评论可以在[27，28]中找到模型在DT环境中的作用是陈述、估计和预测。模型可以是纯语义的，因为它们完全基于以前收集的数据。这些模型也称为数据库模型，根据手动配置的需要，可以将其视为黑盒或灰盒方法。机器学习（ML）是语义模型的基础，在文献中可以找到几个例子，其中数据已被用于训练神经网络（NN）[28，29]。另一种建模系统行为的方法是使用基于物理的模型，也称为第一原理模型。在这里，基于几何信息、材料参数、工艺条件建立模型，并且用偏微分方程表征底层物理。例如，在DT设置中，控制方程可以基于热系统[30]或高保真计算流体动力学模型[31]中能量守恒的简单考虑。当求解控制基于物理的模型的偏微分方程时，必须采用诸如有限元法（FEM）或有限体积法（FVM）的离散化方法。因此，物理产品或过程被分解为大量的离散变量，并且该系统可能需要大量的计算工作来求解。如已经讨论的，仿真模型的运行时在DT设置中必须接近实时，因此基于物理的模型通常补充有语义（即， ML）[32]或降阶建模（ROM）技术[33，34]来降低计算时间，尽管后一种技术也可以用于构建完全数据驱动的DT，如第3节所述。基于德国之前的一些倡议，2012年启动了一项名为PlattformIndustrie 4.0的联合努力，通过将公司，员工，工会，相关协会，科学和政治聚集在一起，促进制造业的数字化转型 对I4.0和相关技术的全面文献综述表明，工业4.0的标签后来在国际上被智能制造领域的许多其他方法所采用[36]。因此，I4.0方法最初是由德国倡议推动的，在其概念基础、标准化[37]和实际应用方面得到了广泛的支持和高度的努力。这一方法的基础主要是参考架构及标准和规范工作组的成果，即，参考建筑模型工业4.0[38]。多年来，该平台通过与欧洲、美国、日本和中国其他国家的类似举措合作或结盟而在国际上扩展。一个重要的基石是与工业互联网联盟（IIC）的工业互联网参考架构（IIRA）保持一致。作为I4.0平台的核心概念，引入了资产管理外壳（AAS）。与IIC一致，AAS被理解为I4.0方面的DT实现[40]。虽然所有前面提到的研究工作都使DT的创建成为可能，但它们的构建和创建仍然是一个长期的过程，V. Zambrano等人阵列14（2022）1001763也有利于保护源代码的知识产权���=1���=1耗时的过程。每个DT通常单独构建，而不重用以前的结果和现有的构建块。本文中描述的工作是克服这一障碍的第一步，通过使用丰富的元数据集对模型进行分类和描述，以在构建DT时实现其可重用性3. 类型的模型DIGITbrain项目包括并支持几种模型。DIGITbrain中的模型是包含与特定工业产品实例相关的知识的资产（即，混凝土制造机或生产线），因此其可以描述和预测当给定特定操作条件时这种情况的行为（注意，根据特定操作条件预测系统行为的过程也称为模型评估）。在本节中，我们将详细介绍不同的模型类型。3.1. 协同仿真模型与信息物理系统（CPS）相关的模型通常很困难 为了开发，由于子系统种类繁多（例如，网络、控制算法、机械部件、电路、传感器）和具有不同形式体系的部件。由于子系统和组件可以在不同的场景和应用程序中重用，因此能够单独对其建模，而不是创建一个包含所有子系统和组件的单一模型，这将非常有用。为此，联合仿真是将整个系统的不同部分耦合在子系统和组件由模型开发人员创建，并作为协同仿真单元导出[41]。为了执行完整系统的联合仿真，这些联合仿真单元需要一种标准的方式来彼此交互。由于制造系统通常是由不同的组成部分组合而成，这些组成部分通常由几个法律实体提供;因此需要保护基本模型的知识产权。Functional Mockup Interface（FMI）[42]是针对上述问题的广泛使用的解决方案，其中组合不同仿真单元的编排由独立的编排引擎[43]进行FMI是一个跨平台的开源标准，用于交换模型和执行协同仿真。符合FMI标准的组件FMU作为文件扩展名为.fmu的归档文件分发。FMU包含以下内容：• 一个XML文件，其中包含元数据、FMU中所有变量的定义以及所需的输出• 以源代码和/或二进制形式实现，具体而言：– 二进制文件：此目录包含FMU的可执行文件，也可以包含不同OS（操作系统）平台– resources（可选）：此目录的内容可供FMU在执行期间– sources（可选）：FMU的源代码，编译后生成位于binaries目录中的共享库• 其他数据，如文件重要的是要注意，FMU内的模型本身可以作为二进制分布，因此可以作为黑盒交换，3.2. 机器学习模型ML在工业制造中的使用为程序和流程的优化提供了巨大的潜力。 由于其有效性，它们被用于各种任务，如计算机视觉，语音和模式识别，自然语言处理等。然而，所需模型的创建需要专业知识，因为现代生产工厂非常个性化，因此也非常复杂。这些方法的目标是捕捉无法通过经典建模全面实现的相互关系，目的是捕捉优化潜力，例如产品质量、资源利用率，并且能够在预测性维护、遏制计划外机器故障或改进的质量保证过程的意义上启动相应的改进。为了在这些应用领域中开发模型，在准备的第一阶段需要大量的数据。这些数据需要在专家的帮助下收集和准备，以匹配应用的ML技术要求和生产自动化技术。它们作为模型的训练数据。ML模型通常在高性能计算集群（HPC）中进行训练，随后部署在计算密集度较低的环境中，例如云中的高可用计算机或边缘设备。一旦完成对训练数据的适应，训练模型可以用于预测、特征提取、决策支持和模式识别。这种训练模型由决策和预测所需的特定于ML算法的数字（称为权重）、规则和数据结构的集合组成。例如，在图像分类用例的ML深度学习应用中，NN算法与反向传播[45]和梯度下降算法[46]一起生成ML模型并优化训练数据，该数据由正确分类的图像集合组成。3.3. 降阶模型与ML一起，ROM是DT的AI方法中另一种流行的技术。它显示了与ML的几个相似之处，如下所述。ROM模型是通过数值策略创建的，旨在将复杂，耗时和资源消耗的模拟或基于实验室测试的模型转换为更简单的系统。 ROM模型可以通过侵入式[47-侵入式方法允许直接修改系统的方程，并且当系统的方程已知但太复杂而无法在合理的时间量和有限的资源下求解时特别有用。另一方面，当系统的方程已知或完全未知时，可以采用非侵入式方法。因此，这些方法纯粹是基于数据的，可以与ML数据训练模型进行比较CAELIATM Twinkle创作工具[55]提供了生成非侵入式ROM模型的示例，即，用于创建基于张量秩分解（TRD）的ROM的库，根据等式（一）. Twinkle允许广泛的多方面探索，它可以工作 密集、稀疏甚至非结构化数据;更多详情请参考Zambrano等人。[56]。 根据等式 （1）TRD方法是简化和理解系统的有力方法。在事实上，通过TRD方法，可以描述系统的行为（即，输出）的独立功能，一个为每个系统变量分别。因此，使用TRD方法，可以将具有多个变量的问题表示为多个一维函数的乘积（即，每个系统变量一个������（���������������������������V. Zambrano等人阵列14（2022）1001764Fig. 1. 从生命周期评估的角度看SoS特征的示例。其中M是ROM������������CAELIATM ROM，例如，可以很容易地从输入中数据文件，如.txt或.csv，通常包括提供输入和输出值的数据点，类似于监督ML算法[57]。这些ROM模型可以很容易地嵌入和管理的几乎任何类型的环境，例如，桌面应用程序或Web界面，其中用户可以提供键盘输入并导航以获得实时结果。计算的ROM模型文件可以直接嵌入不同的平台作为.txt文件，其中包括实时计算系统响应所需的所有信息和参数3.4. 系统模型系统的系统（SoS）模型可以基于结构模型和行为模型。从结构的角度来看，SoS模型的一个例子是应用于制造领域的生命周期评估（LCA）工具[58]模型。LCA是一种公认的方法 用于分析制造过程在其整个生命周期中对环境的影响。LCA评估利用有充分依据的背景数据，使用户能够个性化他们的操作信息，以便计算代表与特定过程相关的影响的环境指标。该过程由LCA过程模板（PT）工具支持，该工具通过正式化生命周期清单（LCI）描述创建过程表征，其中识别和量化每个特定过程的输入和输出。LCI考虑资源（即，输入）来自生态圈（例如，原材料，水）或来自另一个技术领域（例如，辅助材料如润滑油）和各种类型的能量。LCI评估排放量（即，产出），如废物、产品和副产品。LCI数据代表属于LCA模型的变量，直接从生产线检索或通过物联网设备手动收集。图1显示了LCA过程表征的示例。该图显示了某个流程的LCI输出如何成为SoS模型中另一个流程的输入从LCA的角度来看，特定过程的输出（即，一系统）可以被形式化为另一个过程的输入。由于过程被认为是LCA评估的基本单位，因此复杂系统可以由生产机器表示（如多个工序的供应商）或生产线（作为生产机器或单个工序的组合而获得）。这种方法可以通过在各种复杂程度上组合更多的过程来重复。除了LCI数据外，LCA方法还基于与清单有关的影响的生命周期影响评估（LCIA）信息，即，计算环境指标。 用于分析特定系统的LCIA数据可以通过表征因子从LCI数据计算，即，将清单转化为环境影响的因素。在前面所述方法的基础上，一个体系的生命周期评价可以作为每个体系生命周期评价的组合而DIGITbrain支持的另一种类型的SoS模型是集成的3D和离散事件仿真（DES）模型。DES模型是一种描述系统在给定时间内的演化过程的数学模型，其中只有当系统发生变化时，才以离散的间隔将模拟时间在DIGITbrain中，DES通过DDDSimulator仿真引擎得到支持，这是一个集成3D虚拟环境的仿真模型由称为原型的可重用元素组成，每个原型代表仿真系统的一个组件（机器，trans-porters，逻辑模块）;原型实例通过用于在不同模块之间交换数据的端口相互通信。所实现的模型可用于在一段时间内模拟系统，并获得统计数据，这些统计数据给出了模拟条件下系统性能的信息。一个名为DDD模型编辑器的图形集成开发环境（IDE）支持原型和模型的可视化编辑3.5. 有状态与无状态模型一些模型在实例化时总是为特定的一组槽内值生成相同的结果（即，无状态模型），而其它模型依赖于它们先前的状态并且因此必须保持持久地实例化（即，有状态模型）。一方面，在无状态模型中，输出仅取决于模型本身和当前输入，例如静态平衡模拟，非递归NN和LCA。另一方面，对于有状态模型，输出还取决于取决于它们的内部状态，从而取决于潜在无限数量的先前输入。示例包括瞬态或动态模拟和递归NN。V. Zambrano等人阵列14（2022）1001765区分有状态和无状态模型对于正确评估模型特别重要。一方面，虽然无状态模型可以在任何时候重建，但有状态模型及其评估算法必须在给定的计算节点上保持实例化。或者，算法必须支持序列化其状态并在不同的机器上恢复它。另一方面，保持无状态模型的实例化不是一个要求，尽管避免实例化开销可能是有益的。 在这种情况下，重要的是要考虑使用给定算法的模型的按需实例化的成本，以及有状态模型的（反）序列化成本。如果按需实例化的成本小于从连续模型评估中获得的收益，那么按需实例化可能是更好的选择。4. DIGITbrain的可重用模型4.1. DIGITbrain生态系统有效创建DT的关键在于重用现有的人工制品。软件构件的重用是软件工程中一个已经建立的概念[59]。DIGITbrain生态系统通过将DT分解为它们的组成部分，即，数据、模型和租金。描述这些资产及其在外部存储库中的物理位置的元数据存储在平台中，使用户能够通过将部件组成数据模型算法（DMA）元组来创建DT关注模型，核心问题不是可用性，而是识别、偶尔调整和组合具有合适数据和算法的模型以创建DT（即，DMA元组）。在DIGITbrain中，已经开发了一个模型分类，允许模型开发人员创建元描述，这确保了模型的可扩展性和可组合性，并在发布后由DT专家使用算法。DIGITbrain解决的主要挑战是以这样一种方式呈现特征，即模型用户可以方便地找到正确的模型以进行有效的重用。负责实现重用的核心服务是DIGITbrain资产元数据注册表，该注册表存储丰富的关于所有DIGITbrain资产的元数据，包括模型。实际的模型只从这个注册表中引用，并存储在外部模型存储库中（该项目建立了一个示例模型存储库用于演示目的）。访问服务依赖于元数据描述来提供过滤、搜索功能，并确保在执行时将所选模型馈送到所选算法在此背景下，DIGITbrain中提出的主要分类特征是模型的各个方面，例如建模语言、模型输入和输出以及模型的结构和构造。 此外，进一步的特性被考虑在内，与所选择的算法的模型的评估有关，例如其在执行期间的存储要求，以及关于模型为此，创建了通用元数据描述表（见表1至表3），以填充每个模型的选定特征。描述了以键-值对表示的表在以下章节中。4.2. 模型元数据描述在DIGITbrain平台上发布模型的过程需要提供使用兼容算法评估模型所需的所有信息。一旦收集了模型信息，就可以使用专用的DIGITbrain发布界面在DIGITbrain平台上发布。如前所述，为了便于从不同类型的模型收集数据，模型的元数据规范已被定义为要在DIGITbrain平台内使用的通用结构，并作为键值对存储模型表1选择与模型定义相关的模型元数据密钥类型说明ID UUID模型的SemVer IDnamestring模型的名称版本SemVer2模型版本。license string从固定集合已知的许可证。provider enum提供者名称：机构或个人。provider_contacts obj（可选）字典，键为电话邮箱地址AuthTool obj用于创建模型的创作工具type enum模型类型，例如，ML、LCA、3D FEM、CFD、系统仿真、离散事件仿真或协同仿真;任何支持给定类型的算法都可用于评估此模型。fidelitynumber（可选）模型预测的误差model_URI URI模型文件所在的位置 存储.state_depend bool定义一个模型是有状态的还是无国籍，参见第3款.元数据的设计不仅仅是在分析各种模型的基础上，还考虑了评估这些模型的算法的特点，以及部署和执行的要求的DMA元组（DT）。模型元数据分为三个主要类别：定义、参数化和发布。表1至表3显示了一系列与表4至表6是可选的元数据表，非常具体地涉及协同仿真模型。 完整 的 规 范 将 在 不 久 的 将 来 发 布 在 DIGITbrain 网 站（https://digitbrain.eu）上。模型定义字段（表1）包括模型、模型属性（即，I/O、硬件要求等），以及对外部存储的模型的引用。 此部分包含一个ID值，该ID值由DIGITbrain资产发布接口自动生成。其他字段由资产所有者通过发布接口提供。其中包括通用信息，如模型的名称、版本、许可证和提供程序字段。 AuthTool键提供关于用于创建模型的创作工具的信息，而其他字段描述其类型（例如， ML、LCA等）， 模型的保真度（即， 预测或错误的可靠性），URI用于存储位置和区分有状态和无状态模型的state_depend键（参见第3节）。参数化部分考虑I/O和其他参数，可能需要其评估。 在表2中，列出了模型参数化要考虑的通用特征，例如in_slots（即，输入和参数）和输出字段。 这些由唯一模型的键、名称、维数、模型单位（即，人类可读的名称，SI -国际单位制-[m，s，mol，A，K，cd，kg]格式的指数，如果需要，标度偏移和标度的数量级），默认值（如果可用），有效范围和描述。此外，模型参数化元数据预见了表4至表6中呈现的与共同模拟相关的可选字段，其中涵盖了依赖性、操作系统和硬件要求。发布元数据（表3）目前是一个简单的人类可读的模型描述.然而，这可能在未来被更复杂的本体方法所取代，该方法可以实现模型的自动解释和选择（DIGITbrain平台目前不支持的功能，由人类操作员/用户完成使用上面指定的元数据，模型可重用性就成为现实。一旦模型与其他DIGITbrain资产分开发布（例如，算法和数据），这些资产的动态组成V. Zambrano等人阵列14（2022）1001766表2与模型参数化相关的模型元数据的选择密钥类型说明in_slots array[object]输入模型的值和/或参数。这个数组中的对象包含输入名称、维数、单位（即，一个人类可读的名字，SI -国际单位制-指数在一个[m，s，mol，A，K，cd，kg]格式，刻度偏移（如果需要）和刻度的数量级），默认值（如果可用），范围（即，最小值和最大值）和描述outputs array[object]模型特定的输出。结构类似于in_slots。cosim_solver_info对象（可选）协同仿真模型捆绑二进制求解器。因此，操作系统、CPU和GPU架构等 在这种情况下 ， 需 要 （见表4至表 6）。表3与模型发布相关的模型元数据的选择密钥类型说明描述CommonMark人类可读的模型，例如，版本、范围（模拟、控制等）。 作为CommonMark用于呈现为网页的Markdown。表4Cosim_solver_info依赖FMU元数据（可选）。密钥类型说明dependencies array[URI]用于联合仿真的依赖FMU表5Cosim_solver_info操作系统需求元数据（可选）。密钥类型说明osArch enumOS体系结构类型（例如，x86_64）。osType枚举OS类型（例如，Windows、Linux）。osDistribution枚举OS分发（例如，Ubuntu，Fedora）。osVersion SemVer2操作系统版本在运行时，将可执行的DMA元组转换为可执行的DMA元组成为可能。显然，组合资产的兼容性仍然需要检查和保证，无论是由人类作曲家（如在当前版本的DIGITbrain平台）或通过基于本体的自动化方法（这可能是考虑为未来）。然而，从发布的元数据中，DIGITbrain平台能够通过将模型与评估模型的算法以及作为计算输入所需的数据相结合来自动生成可执行的请注意，虽然上面提到的组合和自动代码生成是重要且有趣的主题，但这些都超出了本文的范围，因为我们只关注模型和的可重用性。5. DIGITbrain模型有几种创作工具用于生成、导入、管理、评估和导出各种模型。在本节中，描述了与第3节中详述的DIGITbrain模型相关的创作工具。请注意，此类创作工具不在DIGITbrain平台范围内。有了这样的决定，DIGITbrain不限制可用于生成模型的创作工具的选择。 可以应用任何创作工具，生成的模型可以 按照第4节所述，以统一的方式在平台注册。因此，本节中详细介绍的创作工具仅是示例。其他创作工具也可以自由使用与DIGITbrain方法有关。5.1. 协同仿真模型许多建模和仿真工具用于编写符合功能实体模型接口（FMI）标准的功能实体模型单元（FMU）-可在FMI网站上找到工具[60]。使用FMI，工业产品制造商可以编写FMU，并在用户之间共享。由奥胡斯大学领导的一个项目，基于模型的网络物理系统设计集成工具链INTO-CPS工具链由框架（即，一系列的工具）围绕FMI兼容的协同仿真构建，INTO-CPS工具链的核心是名为Maestro的协同仿真编排引擎[43]。这基本上使任何可以将其模型导出到FMU的创作工具都工具链与FMU创作工具集成，如Modelio和Overture [62，63]。Modelio是一个开源建模环境，能够从SysML配置文件生成FMU[64]。Overture是一种用于指定和执行维也纳定义方法（VDM）[65]中描述的形式模型的Overture能够将VDM模型导出到FMU。其他FMU创作工具确实存在; OpenModelica是一个这样的例子，作为一个交互式开发环境，用于Modelica语言中的系统表示[66，67]。上述三种工具以不同的方式对网络物理系统（CPS）进行然后，用户可以应用INTO-CPS工具链导入这些FMU，并将多个FMU组合成工业产品的联合仿真模型5.2. 机器学习模型由于ML模型是通过ML算法的数据驱动训练过程生成的，因此必须在特定的ML框架中开发必要的算法包。这些预配置的算法是在外部创作工具的帮助下创建的。这些创作工具创建特定的微服务，执行某些数据处理任务，并通过组合一个或多个单独的微服务来构建ML算法。在机器学习应用中，DIGITbrain使用参考架构，广泛使用的机器学习工具和库的组合，可以在云中一键部署， 以使得能够为没有经验的用户自动创建容器化的、即用型软件栈。通过提供特定于领域的模板并在已经可用的工具上构建，创作过程的许多步骤都可以自动化，例如Queryter Labs[68]。在参考架构中，领域专家（数据科学家）可以构建和使用众所周知的ML框架。DIGITbrain平台提供了一种快速的方法来重复使用模型，并使用自定义数据集单独训练它们。 这种快速且易于重复的实现方式为在生产中实现AI提供了一种非常快速的方法。这种模型处理发生在由ML框架（如TensorFlow [69]，PyTorch [70]等）支持的预定义工作环境中，经过训练，生成的模型可以存储在ML框架特定的格式中，并在功能较弱的硬件上执行。为了支持模型的可移植性，开源社区提出了开放神经网络交换（ONNX）标准[71]。通过这种方法，我们提出了一个标准，用于将训练好的ML模型交换和传输到不同的设备上。作为另一种选择，我们也依赖于Google青睐的SavedModel格式[72]V. Zambrano等人阵列14（2022）1001767表6Cosim_solver_info硬件需求元数据（可选）。关键类型描述推荐GPU核心数number推荐的GPU核心数量。minimumNumberOfGPU核心数number所需的最小GPU核心数。推荐GPURAMnumber推荐GPU内存。最小GPURAMnumber所需的最小GPU内存。推荐RAMnumber推荐记忆最小RAMnumber所需的最小内存。推荐CPUnumber推荐的CPU核心数。最小CPU数number所需的最小CPU核心数。所需空间number所需的磁盘空间量（GB）。5.3. 用于降阶模型如第3节所述，ROM是一种方法的保护伞，在不同的情况下，可以减少系统变量及其关系应考虑。ROM应用程序的最常见场景如下：• 要分析大量的数据• 所研究的系统背后的物理学仍然不确定，• 该系统的方程是众所周知的，但是解不是平凡的和/或其计算是高度耗时和资源消耗的。为了支持这种情况，ITAINNOVA开发了CAELIA™工具，用于使用TRD技术生成和管理ROM。CAELIA™可用于不同的制造工艺，如注塑、橡胶挤出、热冲压和激光焊接。CAELIA™由一组库组成，其中使用Twinkle库生成模型[56]。由于基于TRD的ROM模型是基于可以通过实验、模拟或数学求解方程（如果已知）获得的数据（请参见第3节）因此，该创作工具还包括一个具有增强空间覆盖的自动化DoE此外，CAELIA™包括不同的优化算法和几个可视化界面。所有这些库和工具都可以组合起来用于增强ROM计算和管理。CAELIA™用于找到对应于期望输出的系统CAELIA™工具集已经针对各种各样的情况进行了测试，例如流体和热力学，摩擦建模等。在第6节中，将详细介绍CAELIA™的注射应用5.4. 用于系统模型可持续性评估应用程序（SAA）是由SUPSI开发的现有应用程序的演变，即，Scuola Uni- versitaria ventuale della Svizzera Italiana，在以前的欧盟项目中（ESTELLIGENCE [73]和MANUSQUARE [12]）。作者是一位作家--一种分析工具，允许用户根据LCA的观点来描述由生产机器或生产线提供的过程。图2显示了一组过程的形式化的示例。该工具使用户能够指定SoS组成，其中某个过程的输出流（LCI输出）可以形式化为另一个过程的输入流（LCI输入）。SAA的基础模型已经在第3节中进行了广泛的描述，其中PT的概念作为与特定功能单元（即，通过LCA分析的系统功能的量化请参考图 2）。从LCIA检索的背景数据开始数据库，如Ecoinvent [74]，输入和输出对选定的环境指标的贡献百分比进行评估，以确定从LCA的角度来看关键的工艺参数例如，关于注塑操作的气候变化指标，据估计，电力和天然气（热）等输入占指标值输入的80%以上通过这种由LCA专家执行并由SSA部分自动化的帕累托分析，每当一种新的操作类型被引入生态系统时，就环境影响而言，影响大部分过程的LCI数据被确定。因此，确定的关键参数被视为自由参数，从SSA建议的默认值开始，供应商可以定制这些参数，以及更具体的指标值，以便 以更好地代表其制造业务。帕累托分析在此仅针对气候变化影响类别，必须对整套选定指标进行分析。通过点击一个特定的过程，可以可视化LCI数据的整体特征，其中从影响的角度来看，最相关的是用绿色突出显示，如图所示。3.只有突出显示的LCI可以由用户考虑不同的输入值来定制（注意，用户通常知道给定机器实际消耗的电量）。另一个SoS制作工具的例子是DDDSimulator，它是一个集成了3D虚拟环境的DES工具。 仿真模型是由可重复使用的元素称为原型，每一个代表一个组件的仿真系统（机器，trans-porters，逻辑模块）。原型实例通过用于在不同模块之间交换数据的端口相互通信。所建立的模型可以用来模拟通过获得统计数据，给出了在模拟条件下系统性能的信息。一个名为DDD Model Editor的图形化IDE支持原型和模型的可视化编辑。这些模块可以以不同的配置组合，以实现工厂的DT，以评估和比较备选设计的性能。由于这种模块化的方法，每个模块封装了一个复杂系统的行为，这些模块可以被重用来组成SoS模型。6. 实验结果在本节中，总结了在DIGITbrain项目第一年期间进行的一些实验中获得的结果。本节中描述的示例显示了DIGITbrain架构如何帮助开发DT。此外，在项目的第一年获得的实验结果（其中一些总结如下）表明，DIGITbrain6.1. 农业机器人AgroIntelli制造并 向农民销 售半自动 农用车辆， 称为 Robotti 。Robottis被交付给农民，并在不同的农业环境中使用。该公司预计Robotti的销售将迅速增长，并希望了解最佳情况。V. Zambrano等人阵列14（2022）1001768图二、流 程 列表，例如属于生产线的流程。图三. SSA的过程表征（LCI输入和输出）示例。 (For为了解释该图图例中对颜色的引用，读者可以参考这篇文章的WEB版本）。根据预期销售额扩大生产的方式。 目前，AgroIntelli在一个工作站上按订单组装每个机器人，主要需要手动工作来组装和互连每个订单的所有子组件和设备。AgroIntelli希望为Robotti设计和验证一条自动化生产线，该生产线可以采用制造蓝图并生产机器人。此外，Robotti的某些部件，例如空气滤清器、液压油或机油滤清器，需要在不同的维修间隔进行定期维护时进行更换。如果需要，农民也会订购Robotti零件。一旦收到农民的零件订单，AgroIntelli需要将这些零件的生产纳入制造计划。更新后的生产计