“仿真（Simulation）”和“数字孪生（Digital Twin）”是一旧一新、紧密关联的两个姊妹概念，两者的共同目标都是在虚拟世界中低成本地寻找实际世界问题的最优解。两者的区别在于：“仿真”偏重机理模拟，强调在虚拟世界中模拟实际世界的运行逻辑，“数字孪生”偏重数据应用，更强调数据驱动、虚实融合。对于制造企业来说，制造工厂是“仿真”和“数字孪生”技术的重要应用对象，本文针对工厂仿真和数字孪生工厂中的10个关键问题，谈一下我们的观点：

1、仿真不是数字孪生的低级阶段，而是推动数字孪生工厂从低阶到高阶应用的关键技术

关于仿真和数字孪生的关系，有一种常见的误解，即：“仿真是比较过时、比较低级的技术，而数字孪生是更新颖、更高级的技术，数字孪生可以覆盖并超越过去的仿真应用场景”。在《GB/T 46237-2025 信息技术 数字孪生能力成熟度模型》（下图左图）和《数字孪生工业软件白皮书2024》（下图右图）中，将“虚拟建模”或“以虚仿实”定义为数字孪生的最低成熟度等级，这两个成熟度模型的本意是想强调“仿真是高级孪生的基础”，不应解读为“仿真是数字孪生的低级阶段”。

在各种商业化的数字孪生工厂平台中，呈现最多的都是“以虚映实”、“以虚控实”或者数据驱动的“以虚优实”（之所以加上数据驱动，因为优化并非基于仿真推演，而是基于历史数据所建立的预测模型）的功能，尽管也都具备一定的三维仿真能力，但这类仿真动画主要是生产过程的示意而非精确模拟，难以依据仿真的结果进行有价值的分析与优化。从数字孪生供应商的反馈情况来看，大家都有研发或离散事件仿真引擎的强烈意愿，但仿真引擎的研发难度公认很高，集成国外商业软件从技术和成本角度来看都不太现实，相关的开源软件也非常不成熟。

是否集成了离散事件仿真引擎是区分低阶数字孪生和高阶数字孪生的重要标志。在低阶的数字孪生应用中，一般只能先通过国外商业仿真软件进行工厂仿真分析，然后再通过数字孪生平台实现虚实映射和三维可视化监控，两者之间基本独立无集成；如果要建立高阶的数字孪生系统，就必须在统一的平台上实现建模、仿真、分析与优化功能，它能依据工厂运行机理，全方位仿真推演未来趋势，辅助科学预测与优化决策。

FactorySimulation软件的基本定位是离散事件建模仿真工具而非数字孪生平台，由于是自研软件，其开放性和适配性都非常好，实现FactorySimulation软件与数字孪生平台的集成，推动数字孪生工厂从可视化到决策优化，是我们与数字孪生厂家合作的基本方向。

2、为避免工厂仿真的理解歧义，应区分设备、产线、车间三个层级的仿真

工厂仿真的内涵很大，涉及诸多应用场景，不同角色工程师对于工厂仿真经常有各自偏好的理解，比如，设备工程师视角的工厂仿真是产线设计与虚拟调试，工艺工程师视角的工厂仿真是工艺流程或工艺参数仿真（比如焊接路径、装配工艺、人机动作等），而计划物流工程师视角的工厂仿真是生产调度和物流调度仿真。西门子将工厂仿真应用划分为三个层级并分别通过不同软件进行支持：设备级仿真（NX MCD）、产线级仿真（Tecnomatix PDPS）、车间级仿真（Tecnomatix PlantSimulation），是比较合理的。我们也思考过能否将三者统一到同一个仿真系统中，后面发现技术上很难实现且必要性不足，原因大概有4个：1）应用场景不同；2）用户不同；3）仿真的粒度和目标不同；4）技术不同。

因此，FactorySimulation软件一直对外宣传为生产系统仿真软件而不是大而全的工厂仿真软件，就是为了避免用户理解的歧义。

3、全面认识数字孪生工厂的价值——面向工厂全生命周期的数字伴行系统

有人将数字孪生空间站称为物理空间站的“数字伴飞系统”，同理，数字孪生工厂也可称为物理工厂的“数字伴行系统”。

工厂的全生命周期包括规划、运行、重构等多个阶段，它们有不同的时间尺度。在个性化、柔性化生产的大趋势下，工厂重构的时间尺度已从“年/月”缩短到“周/日”，生产计划和生产参数的调整更为频繁，传统的观点认为“工厂仿真适用于工厂规划阶段，主要应对中长期决策，数字孪生适用于工厂运行阶段，主要应对短期决策”，这一观点将工厂仿真视为低频使用工具，其实大大削弱了工厂仿真的价值。实际上，在工厂运行阶段和工厂重构阶段，将仿真引擎和数字孪生平台相结合，既可以实现生产计划的推演与优化，也可实现动态调度决策，以及生产异常预警，可以大大丰富应用场景。

总之，以仿真为核心技术的数字孪生工厂伴随物理工厂全生命周期运行，无论是中长期的工厂规划或重构，还是中短期的生产计划，甚至短期的调度执行等生产决策活动，都可以先基于孪生工厂进行评估、分析、预演、验证、优化，从而让决策更加科学，以最低成本避免错误和低效决策。

4、工厂的三维建模是主流，但二维方式不会被淘汰

工厂仿真模型有二维（2D）和三维（3D）两种可视化表达方式，2D方式建模快、仿真效率高、但可视化效果一般，对于立体物流对象（比如立体仓库），建模时需要做较多的抽象；3D方式效果逼真、特别适合三维场景模拟，但通常建模周期长、仿真运行速度慢。国际上，达索3DE、FlexSim等支持纯三维建模，Anylogic、西门子PlantSimulation（PS）支持二维和三维（据说PS最新版本只支持三维了）。

2D建模由于建模速度快，使用者可以很快进入分析主题，从事分析与优化的工程师一般更喜欢2D建模，机械工程师则偏好3D。在实践中我们发现，一旦强调3D建模，用户往往会对模型的逼真度提出更高的要求，这会导致建模工程师花费大量精力去开展CAD建模工作，而这些工作通常对于仿真分析与优化作用不大，并且模型调整的工作量巨大（详见问题7）。

对此我们的观点是，二维建模不会被淘汰，在工厂建模仿真时，宜先采用2D建模，完成仿真实验等分析与优化工作，当优化方案基本确定好，再去开展三维的精细建模工作。如果对三维工厂的逼真度有更高需求，建议利用数字孪生平台的游戏引擎去完成。

5、针对离散制造工厂仿真，离散事件建模是重点，智能体和系统动力学建模场景不多

在系统建模仿真领域，离散事件（DES）、智能体（Agent）和系统动力学（System Dynamics, SD）是三种常见的建模方法，AnyLogic等软件对此做了大量宣传，并特别强调综合三者形成的混合建模能力。然而西门子的PlantSimulation软件基本不提Agent+SD，原因大概有两个：1）PlantSimulation软件的主要应用场景是离散车间仿真，这个领域基本没有Agent+SD太多的用武之地，而AnyLogic软件的应用领域更为丰富，在交通、物流、医疗等领域，Agent+SD的应用场景较多，2）PlantSimulation拥有强大灵活的脚本编程能力，可以通过另外的形式来实现类似于AnyLogic的Agent功能。

FactorySimualtion软件采取了与PlantSimulation类似的策略，所实现的DES建模仿真功能可以应对离散制造工厂的仿真需求，在正在开展的项目中，我们也在研发Agent建模功能，主要应用于钢铁生产等流程行业。

这里特别说明一点，仿真软件中的Agent建模和现在流行的AI Agent是完全不同的概念。

6、工厂仿真的优势在于离线仿真，与数字孪生平台的融合才可真正支持实时仿真

传统工厂仿真软件主要应用于工厂生命周期的规划阶段或重构阶段，其目的是分析评估工厂的中长期性能指标，不需要接入工厂实时运行数据，这类仿真可称为离线仿真，模型的输入多为静态的（比如工艺路线）或统计的数据（比如加工时间、故障率），通过仿真，在不同时间尺度上推演未来并规划最佳方案。目前，主流工厂仿真软件都是工具软件，一般不管理数据。

随着数字孪生技术的成熟，通过接入IOT和MES数据，驱动孪生工厂模型，实现虚实同步以及过程追溯等功能变得很常见，这时候企业就发现了新的仿真需求，一是计划仿真，基于工厂实时状态，推演生产计划或物流计划的执行，评估计划可执行性并进行优化，二是动态调度仿真，一旦车间出现异常情况，通过仿真对比多种调度规则并找出最佳应对方案。这两类需求都是实时仿真，独立的工厂仿真软件和数字孪生平台都难以支持。

为了真正实现实时仿真，必须将工厂仿真与数字孪生平台相结合，充分发挥仿真引擎在仿真推演方面的优势以及数字孪生平台在数据接入和数据管理方面的优势。FactorySimulation软件在前期做了很多探索工作，已走通了与数字孪生平台的集成路线。

7、高逼真度建模和高效率建模是一对矛盾，需要平衡

首先解释下什么是高逼真度建模与高效率建模。

1）高逼真度建模：强调仿真模型与物理工厂在三维空间布局、对象（设备、工件、资源等）几何外观、机器人运动轨迹等方面高度一致，从可视化展示角度来看，“形似”当然效果更好，比如基于BIM技术和游戏引擎所建立的三维工厂模型，效果非常逼真，此外，高逼真度建模对于空间干涉检查、装配仿真、人因动作仿真等也非常重要；

2）高效率建模：强调在不影响分析与优化的前提下，对物理工厂进行抽象，忽略几何和运动方面的细节，偏重数据与逻辑表达，支持快速完成建模，并可根据分析与优化结果灵活地调整模型。高效率建模对于生产物流仿真、计划仿真等非常重要，可让工程师聚焦分析任务，快速试错、快速优化。

高逼真度建模与高效率建模的侧重点不同，是一对矛盾。高逼真度建模的缺点是建模周期长，模型调整速度慢，仿真运行速度也慢（加速因子通常不超过1000），而高效率建模的抽象度高，模型的建立与调整速度都非常快，仿真运行速度也非常快（加速因子可达100000+），可以在秒级时间完成几天甚至几月时长的生产仿真推演。

对此我们的观点是，在工厂规划期的分析与优化时，以及运行期的生产计划仿真、物流仿真时，重点任务是快速评估并筛选方案，仿真模型需要频繁变更，此时应优先高效率建模，当工厂优化告一段落，模型已较为固定，需要直观展示效果，这时再去进行高逼真度建模，形成可展示并可数据驱动运行的高逼真度模型。在FactorySimulation软件中，利用内置的十几个抽象建模组件，就可以快速完成一个物理工厂的仿真模型搭建并开展仿真分析与优化工作，同时也支持支持自动转化为标准组件形式的三维工厂模型

8、基于仿真的建模优化与基于运筹学的建模优化不是割裂的，有多种结合方式

针对制造工厂中的优化问题，数学建模（基于运筹学理论）和仿真建模是两种常见的建模方式，它们都可以对生产系统的性能进行定量分析和优化。计算或解析方法的求解效率高，但其数学模型一般需要进行高度抽象与简化，仅能分析单元子系统，对于复杂系统几乎无能为力。仿真方法更适用于复杂系统的模拟分析，受结构复杂性的影响较小，仿真过程不但可以进行验证分析，还可以与各种优化算法相结合，实现仿真优化，获得最佳的参数设计、资源分配策略和调度策略。

我们认为，仿真优化和运筹优化尽管是两条不同的技术路线，但将两者有机结合，实现“计算+仿真”或“仿真+计算”，可以更好的解决工程实际问题。在FactorySimulation软件中，运筹优化算法和仿真引擎的结合方式有3种方式：

1）FactorySimulation内置了一些常见的优化算法框架，用户可用Java语言脚本编写详细算法程序，比如GA算法中的编码、解码等算子操作，并通过算法程序在后台运行仿真来计算目标函数值，这种仿真求解方式可以绕开目标函数值的复杂数学表达，灵活应对诸如物流等待与调度、复杂资源约束、设备随机故障、工时随机等纯数学方法难以处理的问题。

2）在外部程序中编写算法主体框架，编程语言不限，Python、C++、Java等均可，并通过Socket方式与FactorySimulation进行实时通信，在算法求解过程中，通知FactorySimulation运行仿真并传回仿真运行结果。

3）直接将FactorySimulation仿真引擎集成到外部大系统，仿真模块成为大系统的仿真计算引擎。

对比下，国外仿真软件一般只能支持方式2，这是效率最低的一种方式。

9、仿真与数字孪生的结合体现了机理模型和数据模型融合的思想

机理模型、数据模型、机理数据融合模型是建模过程中的三个基本概念，机理模型从定理或原理出发，显式描述系统内在运行机制，是白盒模型，它的可解释性好，但建模过程复杂；数据模型基于回归拟合，是黑盒模型，易于处理复杂情况，但数据模型的建立需要大量样本数据；机理和数据模型相结合可以发挥两者的优势，是目前的热点研究方向。

机理模型和数据模型的概念在工厂仿真和数字孪生应用时也同样存在，以订单完工期预测问题为例，有两种常见建模方法，方法一是通过仿真系统描述订单执行流程，模拟随机干扰，通过仿真推演出订单完工期，方法二是收集不同类型订单的历史完工数据，通过训练神经网络，建立订单属性和完工周期的关系，然后利用神经网络预测新订单完工周期。这里的方法一是机理建模，方法二则是数据建模。我们再考虑方法三，先用方法一生成大量仿真数据样本，再用方法二获得历史数据样本，然后融合这两类样本数据进行预测模型构建，这就是机理数据融合模型。

本质上，工厂仿真软件所建立的模型是机理模型，其内在机理是制造工厂的生产运作机制，包括工艺流程、生产调度、投入产出等方面，而数字孪生应用主要基于数据模型。未来，机理模型和数据模型融合应该是仿真与孪生的重要结合点，融合方式有多种，比如：1）以基于机理的仿真模型作为主体，仿真参数则通过数据模型来优化调整，包括工时数据、调度规则、设备失效规律等等；2）以数据模型作为主体，基于机理的仿真系统则为数据模型提供学习环境；等等，FactorySimulation软件已做了很多有益的尝试。

10、AI技术赋能是必然趋势

在FactorySimulation仿真软件的应用推广过程中，用户反馈了一些使用困难问题，比如系统建模需要较高的专业知识与技能、脚本开发需要具备编程能力并掌握一定技巧、如何分析仿真结果与并优化模型结构与参数需要较为丰富的经验，等等，软件使用的“高门槛”客观上限制了软件使用场景的丰富和用户群的扩大。

AI大模型和Agent技术正在快速融入工业软件并实现深度赋能和改造，在这个不可逆的大趋势下，FactorySimulation等仿真软件也必然会积极拥抱AI技术。目前想到的结合场景包括：

1）构建基于仿真的强化学习环境，支持训练优化模型，增强仿真软件的优化决策能力；

2）探索基于MCP的自动建模技术，减低建模难度，缩短建模周期；

3）集成自动脚本编程技术，简化编程过程；

4）实现仿真结果的自动分析，可通过人机对话获取仿真分析结果；

5）支持仿真模型的智能优化，包括自动构建仿真试验、设计仿真优化算法、调整仿真参数等等。

我们也正在积极开展如上研究工作，期待未来取得突破。