1. 数字孪生与实时计算概述

数字孪生（Digital Twin）是指以物理实体为对象，在数字空间中构建一个与之持续同步、可交互、可计算的虚拟映射体。它并不是一张三维模型图，也不是一次性的仿真报告，而是一个“活”的系统：物理侧的状态通过传感器与数据接口不断进入数字侧，数字侧则通过模型计算、状态估计与预测，把结果反馈给监控、运维或控制系统。理解数字孪生，关键要抓住三个词——映射、同步、闭环。映射说明数字体与物理体存在对应关系；同步说明这种对应关系随时间持续更新；闭环说明数字体的输出会反过来影响物理侧的决策或控制。

从核心特征看，数字孪生通常具备五项能力。第一是虚实映射：几何、拓扑、参数、行为都要与物理对象对应，例如一台风机不仅要有叶片外形，还要有转速、桨距角、振动频谱等运行参数。第二是实时同步：数字体的状态必须跟得上物理体的变化，滞后过大的“孪生”只能算历史回放。第三是全生命周期覆盖：从设计、制造、运行到维护，模型随对象演进而更新。第四是双向交互：既接收物理侧数据，也向物理侧输出控制建议、预警或优化参数。第五是多尺度多物理场融合：机械、热、电、流体等模型在同一数字空间中协同计算。这五项特征决定了数字孪生天然是一个计算密集型系统。

典型应用场景可以按“对象—目标—实时性要求”来区分。在智能制造中，数字孪生用于产线节拍优化与设备预测性维护，要求秒级甚至毫秒级响应；在电力与能源中，用于风电场、光伏电站的功率预测与故障诊断，通常要求秒级到分钟级；在城市与交通中，用于路网流量推演与应急调度，多为秒级；在航空航天中，用于发动机健康管理与飞行包线预测，对实时性与可靠性要求最高。可以看到，场景越靠近控制闭环，实时计算的压力越大。

实时计算在数字孪生中的关键作用，可以用一条“数据—模型—决策”链路来理解。物理侧传感器以固定采样周期产生数据，例如温度 1 kHz、振动 10 kHz、电流 2 kHz；这些数据经边缘采集与时间对齐后进入数字侧。数字侧需要在一个采样周期或控制周期内完成状态更新、模型求解与结果输出。如果计算耗时超过周期，孪生体就会“掉帧”，导致状态估计失真、预警延迟，甚至使闭环控制失稳。因此，实时计算不是数字孪生的附加功能，而是决定其能否用于在线决策的使能条件。

挑战同样集中在这条链路上。其一是模型复杂度与算力矛盾：高保真有限元或计算流体力学模型单次求解可能耗时数分钟到数小时，无法直接嵌入实时回路。其二是数据吞吐与延迟：多源高频数据在采集、传输、对齐、清洗各环节都会引入延迟，端到端延迟必须被测量和预算。其三是确定性与抖动：实时系统不仅要求平均快，还要求最坏情况可控，否则偶发超时会破坏闭环稳定性。其四是模型漂移：物理对象磨损、工况变化会使原模型失准，需要在线校正。其五是资源约束：边缘设备算力、内存、功耗有限，不能简单把云端大模型搬过来。

面对这些挑战，工程上通常采用“分层实时”策略：把慢变、高保真计算放在云端或离线，把快变、低阶计算放在边缘或控制器附近。这就引出了本课程的核心主线——模型降阶。降阶的本质，是在可接受的精度损失内，把高维、非线性、多物理场模型压缩为低维、可快速求解的代理模型，使其满足实时计算的周期约束。下面这张图概括了数字孪生的实时计算链路与降阶所处的位置。

把这张图读透，就能理解本课程后续内容的逻辑：物理侧产生数据，数据侧负责对齐与延迟控制，降阶模型负责在有限算力下完成状态更新，决策侧负责闭环反馈，而时间轴则给出每一步的预算约束。实际工程中，一个 10 ms 控制周期内，采集与对齐往往占 3～4 ms，降阶模型求解必须压缩到 4～5 ms 以内，还要留出 0.5～1 ms 的余量应对抖动。若直接使用高保真模型，单步求解可能超过 100 ms，链路必然断裂。