1. 课程导入与数字孪生边云协同部署全景

数字孪生（Digital Twin）是物理实体在数字空间中的动态映射。它不只是三维模型，而是由物理实体、感知数据、孪生模型、数据连接和交互服务共同构成的闭环系统。当这套系统从单机、单厂扩展到跨地域、跨层级的工业场景时，计算资源如何组织就成为关键问题——这正是边云协同要解决的核心。

边云协同部署的基本思路是：把对时延敏感、数据量大、需要就近响应的计算放在边缘侧，把需要全局视野、大规模训练、长期存储和跨域协调的计算放在云端。数字孪生恰好同时具备这两类需求：设备状态监测、实时控制回路、高频振动分析必须在边缘完成；而多设备历史数据训练、全局模型更新、跨工厂产能优化则适合在云端进行。因此，数字孪生与边云协同不是简单叠加，而是相互成就——数字孪生为边云协同提供了明确的计算任务划分依据，边云协同为数字孪生提供了可落地的部署架构。

本课程的学习目标可以概括为三个层次。第一层是概念层：理解数字孪生的五维模型（物理实体、虚拟实体、服务、数据、连接）以及边云协同的三种典型模式（边缘优先、云边互补、云边一体）。第二层是方法层：掌握如何根据孪生任务的时延、带宽、算力和数据隐私要求，决定哪些模型部署在边缘、哪些部署在云端，以及边缘与云端之间同步什么、何时同步、同步频率如何确定。第三层是实践层：能够完成一个典型场景的边云协同部署方案设计，包括边缘节点选型、容器化部署、数据管道搭建、模型分发与更新、以及运行状态监控。

要理解部署挑战，先看一个具体场景。假设某工厂有 200 台数控机床，每台机床部署了振动、温度、电流三类传感器，采样频率分别为 10 kHz、1 Hz、100 Hz。如果全部原始数据上传云端，仅振动数据一项，200 台设备每秒就产生 200 × 10000 × 4 字节 ≈ 8 MB/s 的数据量，一天超过 690 GB。这显然不可持续。合理的做法是：边缘节点在本地完成振动信号的时域和频域特征提取，只把特征值、异常事件和压缩后的原始片段上传云端。这样，上行带宽需求可以降低两到三个数量级。

但边缘侧也有约束。一个典型的工业边缘网关可能只有 4 核 ARM 处理器、8 GB 内存，没有独立 GPU。它无法直接运行大型深度学习模型。因此，模型需要经过剪枝、量化或知识蒸馏后再部署到边缘。同时，边缘节点通常处于无人值守环境，需要具备断网续传、看门狗复位、远程升级和故障自恢复能力。云端则要解决另一个问题：当边缘节点数量达到数百甚至数千时，如何统一管理配置、批量下发模型、收集运行日志并保证版本一致性。

下面这张图展示了数字孪生边云协同部署的整体技术框架。它从物理层出发，经过边缘计算层和云端服务层，最终回到孪生应用层，形成一个闭环。

从图中可以看到，整个框架分为四层：物理层、边缘计算层、云端服务层和孪生应用层。数据自下而上流动，控制与模型自上而下下发，形成双向闭环。边缘层承担了协议转换、数据清洗、特征提取、实时推理和本地闭环控制；云端层承担了历史数据存储、大模型训练、设备批量管理和全局优化。两者之间的数据流不是全量原始数据，而是经过边缘处理后的特征值、异常事件和压缩片段。

部署时还需要注意几个关键参数。第一是同步周期：对于状态监测类孪生，边缘到云的特征上传周期可以设为 1 秒到 10 秒；对于预测性维护类，可以放宽到分钟级。第二是模型更新频率：云端训练好的模型通过 OTA 下发到边缘，更新频率取决于工况变化速度，通常为天级或周级。第三是边缘缓存深度：断网时边缘需要缓存至少 24 小时的特征数据，按每台设备每秒 100 字节计算，200 台设备一天约 1.7 GB，边缘节点需要预留相应存储空间。

本课程后续将围绕这条主线展开：先分别深入边缘侧和云侧的部署技术，再讨论两者之间的协同机制，最后通过一个完整的数控机床预测性维护案例，把边云协同部署的全过程走一遍。学完本课程，你应该能够独立设计一个中等规模工业场景的数字孪生边云协同部署方案，并能够判断方案中的关键参数是否合理。