Identifying and characterising uncertainty in digital twin engineering
El Bouzaidi Tiali B、Creff S、Kallel A、Anwer N
a IRT SystemX, Palaiseau, France;
b Universit Paris-Saclay, ENS Paris-Saclay, LURPA, Gif-sur-Yvette, France
研究提出一种融合数字孪生概念模型、生命周期与成熟度等级的多维不确定性分析框架。文章基于PRISMA系统综述与文献计量分析，构建认知、随机、交互与歧义四类不确定性分类体系，并建立其与数字孪生结构、生命周期阶段及成熟度等级之间的映射关系，为数字孪生可靠性、鲁棒性与韧性分析提供理论基础。
随着工业4.0与智能制造的发展，数字孪生已广泛应用于制造、能源、交通与航空航天等领域，但复杂系统中的数据不完整、模型偏差、通信误差与动态环境变化使数字孪生面临显著不确定性问题。现有研究大多聚焦于特定应用场景或单一不确定性来源，缺乏统一的系统化分析框架。为此，研究提出一种融合概念模型、生命周期与成熟度等级的三支柱框架，以系统识别数字孪生工程中的不确定性来源、传播机制与演化规律，为后续鲁棒性与可靠性分析提供基础。
研究首先回顾了数字孪生概念的发展历程，并分析物理实体、虚拟实体、连接、数据与服务五维结构之间的关系。在此基础上，文章进一步扩展了数据维度，提出融合连接数据、领域知识、生成数据与存储数据的综合数据结构。研究同时总结了数字孪生产品（DTP）、数字孪生实例（DTI）与数字孪生聚合体（DTA）等生命周期概念，指出数字孪生并非单一静态模型，而是伴随物理系统演化持续同步更新的动态系统。
3.1 数字孪生支柱识别
研究提出数字孪生不确定性分析需要建立统一的多维框架，并识别三个核心支柱：数字孪生概念模型、数字孪生生命周期以及数字孪生成熟度等级。其中概念模型用于描述数字孪生系统结构，生命周期用于描述数字孪生随时间的演化过程，而成熟度等级则用于描述数字孪生能力与复杂性的提升过程。研究认为，不确定性会随着这三个维度的演化而动态传播，因此需要建立统一映射框架。
3.2 数字孪生概念模型
研究回顾了数字孪生概念模型的发展，并重点分析5D数字孪生结构，包括物理实体、虚拟实体、连接、数据与服务五个维度。其中物理实体代表真实系统，虚拟实体用于构建数字化模型，连接负责物理与虚拟系统之间的数据交互，数据维度用于支持分析与预测，而服务层则实现监测、优化与决策支持。研究指出，不确定性会在五个维度之间传播，并随着系统复杂性增加而进一步放大。
3.3 数字孪生生命周期
研究分析了数字孪生生命周期相关研究，并指出数字孪生需要与物理系统同步演化。文章基于ISO/IEC 30173建立生命周期模型，将数字孪生划分为构思、设计开发、部署、运行与退役五个阶段。其中构思阶段完成需求识别与初始建模；设计开发阶段形成功能与行为模型；部署阶段实现数据连接与实时交互；运行阶段进一步融合分析、预测与自主决策；退役阶段则用于历史数据归档与经验复用。研究强调，不确定性并不会均匀出现，而是会随着数字孪生与物理系统的并行演化持续传播与累积。
3.4 数字孪生成熟度等级
研究回顾了已有数字孪生成熟度模型，并采用Y. Liu等人的成熟度框架构建五级数字孪生能力体系，包括数字模型（DM）、数字影子（DS）、数字孪生（DT）、认知数字孪生（CDT）与联邦数字孪生（FDT）。其中DM仅提供静态模型；DS实现从物理实体到虚拟实体的单向数据流；DT建立双向交互；CDT进一步融合机器学习与自主决策；FDT则支持多个数字孪生协同运行与系统级优化。研究指出，随着成熟度提升，数字孪生系统复杂性与不确定性传播能力也同步增强。
3.5 支柱之间的关系
研究进一步建立生命周期、成熟度与概念模型之间的映射关系。DM通常在构思阶段出现，而DS与DT更多应用于设计开发阶段，CDT主要对应部署阶段，FDT则在运行阶段发挥重要作用。研究指出，数字孪生能力提升与生命周期推进并非独立过程，而是持续耦合演化的结果。由于物理系统与数字孪生之间需要长期同步与数据交互，不确定性会在不同支柱之间持续传播并不断叠加。
研究基于PRISMA方法对IEEE、Scopus、ScienceDirect与Web of Science等数据库中的数字孪生不确定性研究进行系统综述，共筛选71篇相关文献，并通过文献计量分析识别研究热点与主题结构。结果表明，数字孪生不确定性研究在2020年至2025年快速增长，其中“不确定性”“工业4.0”与“智能制造”是最核心主题。
在此基础上，研究进一步提出四类不确定性分类体系，包括认知不确定性、随机不确定性、交互不确定性与歧义不确定性。其中认知不确定性主要来源于知识缺失、模型简化与参数未知；随机不确定性来源于传感器噪声与环境波动；交互不确定性来自系统间同步与通信问题；歧义不确定性则主要由数据解释冲突与目标不一致引起。统计结果显示，认知与随机不确定性在现有研究中占比最高，而交互与歧义不确定性仍缺乏深入研究。
5.1 不确定性类型与数字孪生概念模型的映射
研究建立不确定性与数字孪生五维结构之间的映射关系。其中认知不确定性主要影响虚拟实体与数据维度；随机不确定性主要影响物理实体；交互不确定性主要集中于连接维度；歧义不确定性则主要作用于服务层中的决策与解释过程。研究强调，这种映射关系会随着数字孪生系统运行与交互持续动态变化。
5.2 不确定性类型与数字孪生成熟度等级的映射
研究分析不同成熟度等级中的主导不确定性。DM阶段主要表现为认知不确定性；DS阶段由于引入传感器数据而增加随机不确定性；DT阶段双向通信使交互不确定性增强；CDT阶段由于AI推理与自主决策进一步强化歧义不确定性；FDT阶段则由于多数字孪生协同运行而导致多种不确定性同时叠加与放大。
5.3 不确定性类型与数字孪生生命周期阶段及成熟度等级的映射
研究进一步建立生命周期、成熟度与不确定性的统一映射框架。构思阶段主要受到认知不确定性影响；设计开发阶段同时受到认知、随机与交互不确定性影响；部署与运行阶段由于复杂协同、自主决策与多系统交互进一步强化歧义与交互不确定性。研究指出，不确定性会随着数字孪生与物理系统持续同步而不断传播、积累与耦合。
研究认为，当前数字孪生不确定性研究仍较为碎片化，大多数工作仅关注局部生命周期阶段或特定领域问题，缺乏统一的多维结构化分析框架。本文提出的三支柱框架实现了概念模型、生命周期与成熟度等级之间的统一关联，为理解不确定性的来源、传播与演化提供了系统视角。同时，研究指出认知数字孪生与联邦数字孪生中的不确定性问题仍缺乏充分研究，未来需要进一步开展工业案例验证与量化传播分析。
研究提出了一种融合概念模型、生命周期与成熟度等级的数字孪生不确定性分析框架，系统识别并分类了数字孪生中的认知、随机、交互与歧义不确定性。结果表明，不确定性并非数字孪生系统的外部因素，而是伴随数字孪生演化全过程的内在属性。该研究为数字孪生可靠性、鲁棒性与韧性分析提供了统一理论基础，并为未来不确定性量化、传播控制与工业验证研究奠定了方法框架。
