考慮呈現數字化雙胞胎的5種技術(shù)方法和它們各自的能力。這些是傳統的臺式機；智能手機或平板電腦；單鏡片AR；立體AR，包括混合現實(shí)（MR）設備；和全沉浸式VR（圖2）。

圖2：該表顯示了呈現數字化雙胞胎的5種技術(shù)方法：傳統臺式機；智能手機或平板電腦；單鏡片AR；立體AR，包括MR設備；和全沉浸式VR。每種類(lèi)型的設備功能各不相同，這些差異可能會(huì )影響產(chǎn)品在不同應用下的使用效果。

 

　　每一類(lèi)設備的能力各不相同，而這種差異可能會(huì )影響產(chǎn)品在不同使用情況下的可行性。這對AR頭盔來(lái)說(shuō)尤其如此。顯示分辨率、視場(chǎng)和計算能力因產(chǎn)品而異。此外，關(guān)于將電池和計算單元放在耳機上，還是放在一個(gè)單獨的連接模塊上的設計決定，會(huì )對其舒適度和實(shí)用性產(chǎn)生影響。AR頭盔的另一個(gè)實(shí)際問(wèn)題是它們與工作服是否可以無(wú)縫整合，如無(wú)塵室和食品加工操作所需的工作服。

　　在數字化雙胞胎環(huán)境中進(jìn)行報告

　　在一個(gè)交互式的視覺(jué)分析應用中，可以使用集成的3D模型創(chuàng )建智能現實(shí)報告（圖3）。數字化雙胞胎提供了可以與報告中其他對象進(jìn)行交互的自定義可視化效果，包括在表格或圖形中顯示數據。 

圖3：使用SAS Visual Analytics和Autodesk Forge軟件可以實(shí)現系統集成。在這個(gè)例子中，Autodesk Forge被集成到SAS Visual Analytics的報告界面中。

 

　　這種可視化方法遵循了長(cháng)期存在的數據顯示傳統，不需要增加常規臺式機設置以外的新硬件。 用戶(hù)界面顯示在帶有鼠標和鍵盤(pán)的典型計算機上。 用戶(hù)幾乎不需要額外的培訓就可以使用數字化雙胞胎的功能。

　　增強現實(shí)的可用性和易學(xué)性

　　當從臺式機轉移到AR頭盔時(shí)，應用程序設計人員將面臨一系列新的可用性挑戰?？捎眯允侨魏渭夹g(shù)成為工具的基石。盡管AR是一種新的交互范例，但長(cháng)期使用的可用性標準仍然適用。這些標準可以指導將AR與數字化雙胞胎集成的工作。一個(gè)良好的界面應該是高效、易學(xué)、令人難忘、不經(jīng)常出錯且使用愉快的。

　　一些用戶(hù)發(fā)現AR最初很困難，因為他們無(wú)法依靠自己的固有知識來(lái)操作系統。然而，這種挫折是暫時(shí)的，用戶(hù)通常會(huì )有所改善。根據目標受眾的不同，學(xué)習能力差異很大。為專(zhuān)家設計的工具具有較高的學(xué)習曲線(xiàn)，但整體功能更強大，專(zhuān)家的效率應證明延長(cháng)培訓時(shí)間是合理的。通過(guò)將現實(shí)世界中的信息與程序中的信息相結合，體驗認知提高了執行任務(wù)的效率。

　　與任何應用程序一樣，錯誤率通常受界面設計的影響。一個(gè)好的界面設計人員將能夠在人為因素的限制內很好地創(chuàng )建用戶(hù)體驗，這也適用于A(yíng)R。盡管交互方式不同于點(diǎn)擊式，但系統設計人員已經(jīng)考慮了可以識別的輸入種類(lèi)，并限制了使用過(guò)程中不可恢復的錯誤數量。多項研究表明，相比傳統的交互范例用戶(hù)更喜歡AR。

　　創(chuàng )建深度學(xué)習模型的常見(jiàn)做法

　　深度學(xué)習模型是在大型數據庫上訓練的，幾乎總是脫機完成的?；ㄙM數小時(shí)或數天的時(shí)間來(lái)訓練模型并不罕見(jiàn)。訓練完模型后，通過(guò)推理進(jìn)行的模型應用程序將不再需要大量的計算資源，但仍比數字化雙胞胎應用需要更多的計算資源。

　　對于某些應用，接近實(shí)時(shí)或稍微延遲的結果就足夠了。例如，在某些計算機視覺(jué)缺陷檢測中，在執行缺陷檢測的同時(shí)保留生產(chǎn)批次可能是可以接受的。而在其他情況下，則需要實(shí)時(shí)推斷?？梢栽谟凶銐蛸Y源的云或數據中心中進(jìn)行推斷。對于邊緣推理，具有足夠計算能力的邊緣網(wǎng)關(guān)正使其變得可用，但是這種特殊需求需要進(jìn)行規劃。

　　遞歸神經(jīng)網(wǎng)絡(luò )（RNN）是一類(lèi)專(zhuān)門(mén)為序列或時(shí)間數據設計的深度學(xué)習神經(jīng)網(wǎng)絡(luò )。在物聯(lián)網(wǎng)和數字化雙胞胎應用中，有許多此類(lèi)序列和時(shí)間數據的示例。隨著(zhù)時(shí)間的推移，許多傳感器都在收集數據。隨時(shí)間變化的測量順序或模式可用于了解數字化雙胞胎資產(chǎn)的有趣特征。一個(gè)示例是測量智能建筑或電網(wǎng)中的能源電路。電路上的能源使用模式可以捕獲資產(chǎn)運行的開(kāi)始或結束（例如電機啟動(dòng)），這預示著(zhù)數字化雙胞胎資產(chǎn)的運行變化。RNN的另一個(gè)用途是預測異常的時(shí)間序列數據。一個(gè)示例是預測太陽(yáng)能發(fā)電場(chǎng)的能量輸出。

　　使用序列數據與使用時(shí)間數據時(shí)，訓練RNN的過(guò)程有所不同。用序列數據訓練RNN的過(guò)程如下：

　　● 將數據分為順序測量的各個(gè)部分。段的長(cháng)度由數據的時(shí)間間隔和事件前兆的預期持續時(shí)間確定。

　　● 為感興趣的事件創(chuàng )建目標變量，并將其用于標記事件發(fā)生的序列。

　　● 訓練RNN。在這種情況下，不需要雙向模型擬合，因為測量數據始終會(huì )及時(shí)向前移動(dòng)。

　　然后可以將訓練后的模型用于推理。在大多數情況下，模型推斷功能將足夠快，可以在云，服務(wù)器或邊緣設備中的實(shí)時(shí)測量流上使用。

　　基于機器視覺(jué)的數字化雙胞胎

　　計算機視覺(jué)或機器視覺(jué)是一種功能強大的工具，它因能識別場(chǎng)景中的面部和物體而引起了眾多關(guān)注。對于數字化雙胞胎，它可以增加有關(guān)被監測物體的重要信息?？梢酝ㄟ^(guò)與數字化雙胞胎的AR界面來(lái)增強需要目視檢查的任務(wù)。例如，計算機視覺(jué)可以通過(guò)比較成千上萬(wàn)的圖像來(lái)檢測人類(lèi)可能無(wú)法檢測到的異常，從而檢測缺陷。而且，諸如紅外線(xiàn)之類(lèi)的專(zhuān)用攝像機通過(guò)組合多個(gè)信息流，甚至可以進(jìn)行進(jìn)一步的分析。

　　另一個(gè)選擇是創(chuàng )建一個(gè)模型，該模型可以在零件上找到容易識別的特征。生成的圖像可以使用卷積神經(jīng)網(wǎng)絡(luò )（CNN）創(chuàng )建分類(lèi)模型。根據數據標簽的好壞，模型可能具有各種復雜性。

　　通過(guò)收集大部分為良好的圖像，可以創(chuàng )建一個(gè)二元分類(lèi)模型，該模型可以識別出具有已知良好圖像或可疑異常圖像的可能性很高的圖像。通過(guò)用已知缺陷類(lèi)型標記圖像，可以創(chuàng )建識別各種缺陷的更復雜的分類(lèi)模型。通過(guò)良好的位置識別，還可以分解圖像并找到圖像中有缺陷的部分。例如在半導體晶片生產(chǎn)中，可以基于具有缺陷的晶片的比例來(lái)量化預期的產(chǎn)量。

　　在模型被訓練之后，需要確定推斷的延遲并測試捕獲的新圖像，以及是否需要逐流傳輸圖像并立即獲得結果。也可以捕獲一批圖像并進(jìn)行批量處理。還要確定是否可以在云中或服務(wù)器中完成推理，或者是否需要邊緣網(wǎng)關(guān)。

　　當在智能現實(shí)的保護下進(jìn)行適當的架構和集成時(shí)，物聯(lián)網(wǎng)、人工智能和擴展現實(shí)技術(shù)可以開(kāi)辟新的可能性，而數字化雙胞胎提供了一種可用的表示方式，使得此類(lèi)架構中固有的大量信息的價(jià)值被充分挖掘出來(lái)。