《Machine Learning and Knowledge Extraction》:From Assets and Processes to Service Ecosystems: A Hierarchical Digital Twin Framework for Knowledge Representation
编辑推荐:
数字孪生(Digital Twins, DTs)已成为建模信息物理系统与数字基础设施的核心范式,然而该术语被应用于差异极大的表示形式——从物理资产到操作过程乃至服务环境。这种模糊性掩盖了各种DT解释之间的相互关系以及知识可在哪一层次进行表示与提取。本文研究人员
数字孪生(Digital Twins, DTs)已成为建模信息物理系统与数字基础设施的核心范式,然而该术语被应用于差异极大的表示形式——从物理资产到操作过程乃至服务环境。这种模糊性掩盖了各种DT解释之间的相互关系以及知识可在哪一层次进行表示与提取。本文研究人员开发了一个概念与数学框架,将资产中心、过程中心与服务中心的DT视为系统抽象的连续层级。DT被建模为现实世界实体与其数字表示之间的映射,并通过显式的跨层依赖关系连接这三种范式,其中服务中心孪生被证明形成了一个独特的层级,不能单独还原为资产与过程描述;随后将该框架扩展至生态系统层级,作为数字服务生态系统孪生(Digital Service Ecosystem Twin, DSET)。由于每一层级固定了数据驱动方法可用的实体、特征与关系,该框架亦明确了机器学习与知识提取任务在分层DT架构内的操作位置。该方法通过一个智慧城市电力生态系统验证了结构与跨层一致性,为解释DT向面向服务的数字生态系统演进提供了统一基础。
研究背景方面,数字孪生(Digital Twin, DT)技术最初源于航空航天与产品全生命周期管理,现已扩展至制造、智慧城市、交通、能源与医疗等领域,用于集成物理基础设施与数字模型以支持监测、仿真与决策。然而,现有文献中DT术语被用于指代异质性的系统表示,包括物理资产(如机器、传感器)、操作过程(如工作流、数据流)以及新兴的服务环境。这种概念歧义导致不同DT范式间的关系不明,缺乏统一的理论框架来区分其抽象层级与结构联系。现有技术多聚焦资产级监控或过程级协调,忽略了服务交付、参与者交互及生态系统级价值创造这一本体论上的独特层级,阻碍了DT向大规模服务导向生态系统的演进。为此,研究人员开展了一项理论研究,旨在构建分层DT框架以形式化资产中心(Asset-Centric Digital Twin, ACDT)、过程中心(Process-Centric Digital Twin, PCDT)与服务中心(Service-Centric Digital Twin, SCDT)的结构关系,并延伸至数字服务生态系统孪生(Digital Service Ecosystem Twin, DSET)。研究得出结论:三种DT范式是系统表示中逐级升高的抽象层级,SCDT具有不可还原的本体地位,分层框架通过投影算子实现跨层可追溯性,为机器学习与知识提取提供了明确的表示基底。该论文发表于《Machine Learning and Knowledge Extraction》,其意义在于为复杂社会技术系统的DT架构设计提供了统一的数学与概念基础,解决了术语碎片化问题。
研究人员采用的主要关键技术方法包括:首先建立本体演化概念模型,将DT范式解释为从资产到过程再到服务的目的驱动演进;其次构建数学形式化框架,定义现实世界实体集与数字表示集间的映射函数(如ΦA, ΦP, ΦS, ΦE),引入跨层依赖关系(如ΔA→P, ΔP→S)与投影算子(πA←P, πP←S)以表达层级嵌入与可追溯性;进而提出六项建模假设(资产可观测性、过程组合性等)并推导条件命题(如服务中心孪生的非还原性)与构造(分层组合、各层级孪生表示);最后通过智慧城市电力生态系统案例进行概念级验证,构建资产、过程、服务三层分类法及资产–过程–服务(Assets–Processes–Services, APS)矩阵作为知识表示层,辅以算法1(SCDT构建)与算法2(APS基学习与知识提取流程)描述方法论逻辑,全程未涉及实证模拟或软件基准测试。
研究结果部分如下:
3.1. Smart City Electricity Ecosystem Case Study,研究人员通过智慧城市电力消费与计费生态系统案例,演示了三种DT范式如何在单一社会技术系统内逐步构建,验证了分层解释的结构一致性。
3.3. Asset-Centric Digital Twin Taxonomy for the Smart City Electricity Ecosystem,研究人员将物理基础设施分解为测量传感、通信、数据处理、配电、支撑设施及资产数字孪生六类,构建ACDT层以捕获设备状态与性能,证明其为高层表示的基础但无法描述资产间操作交互。
3.4. Process-Centric Digital Twin Taxonomy for the Smart City Electricity Ecosystem,研究人员识别数据采集、传输、处理、监测、控制决策、运营自动化及孪生协调七类过程组,构建PCDT层以建模资产交互的工作流与动态行为,作为中间抽象层级。
3.5. Service-Centric Digital Twin Taxonomy for the Smart City Electricity Ecosystem,研究人员定义消费者能源管理、计费金融、电网管理、能源市场、市政智慧城市、数字平台及治理七类服务域,构建SCDT层以表示价值创造、参与者角色与服务依赖,确立其为本体独立的表示层级。
3.6. Cross-Layer Digital Twin Integration,研究人员通过表格映射案例中的抽象层、DT范式、数学表示与实例,展示三层如何形成连贯的分层系统表示。
3.7. APS-Matrix: A Knowledge-Representation Layer for the Smart City Electricity Ecosystem,研究人员形式化定义APS矩阵MAPS=(A,P,S)及其结构化映射,通过实例表格揭示资产支持过程、过程启用服务的依赖路径,作为数学框架与领域实现的桥梁。
3.8. Concept-Level Validation of the Proposed Framework,研究人员通过分类法与APS矩阵验证框架在资产、过程、服务级的一致表示能力与跨层完整性,确认为概念与架构级验证而非数值模拟。
讨论部分中,研究人员指出该框架将DT从物体基表示推向生态系统级模型,澄清了ACDT、PCDT与SCDT是嵌套的本体层级而非互换标签,改变了DT架构设计逻辑。通过与五维DT模型、系统之系统(System-of-Systems, SoS)DT及服务科学对比(表5、表6),阐明APS/DSET框架填补了跨层形式化连接的空白。研究人员强调SCDT并非术语延伸而是必要抽象层,并提出DT编排(Orchestration)的四阶段方法论(资产数字化、过程集成、服务抽象、生态系统集成)及算法1。在机器学习层面,APS矩阵被解释为异质图GAPS=(VA∪VP∪VS, EA→P∪EP→S∪ES→S),为图神经网络与知识图谱补全提供模式,算法2概述了学习流水线但声明未实施训练。局限性包括缺乏实证验证、未涵盖监管与经济因素及规模化互操作性挑战。
结论部分翻译总结:本文研究了数字孪生如何从物理资产表示演进至操作过程与服务生态系统模型,并主张将这些解释视为系统抽象的连续层级而非竞争标签。为此,研究人员开发了一个概念与数学框架,区分了资产中心、过程中心与服务中心DT,将其建模为现实世界实体与数字表示间的映射,并通过显式跨层依赖连接它们;通过定义、建模假设、构造与命题及跨层可追溯性定理,确立服务中心孪生为不能单独还原为资产与过程描述的独特表示层级,并将框架扩展至生态系统层作为数字服务生态系统孪生。该框架通过智慧城市电力生态系统的资产、过程、服务分类法与资产–过程–服务矩阵实例化,在研究范围内验证了结构与跨层一致性而非数值模拟。由于每一层级固定了数据驱动方法的实体、特征与关系,APS矩阵亦提供了图就绪模式,明确了机器学习与知识提取任务(如预测、异常传播、跨层归因与知识图谱补全)的最适形成位置。主要贡献在于为文献中常混淆的DT表示层级提供了统一区分与关联基础,对智慧城市、能源系统、交通网络与数字平台的DT架构设计具有直接影响;通过明确何层级适合分析任务及结果如何跨层传播,支持基础设施监测、过程协调与面向服务分析的整合。本文定义的机器学习流水线的实证训练与基准测试,以及纳入监管、经济与行为因素的更丰富生态系统模型,是未来工作的首要方向。