欢迎光临上海公关公司官网!
10年专注企业危机公关处理 网络舆情口碑维护公司、网络公关公司
微信:haotu616
当前位置:网络公关 > 舆情处理 >
舆情处理

四个术语:数字孪生、赛博物理系统、智能制造和工业互联网

作者:admin 来源:未知 时间:2022-01-30 11:29:20 点击:

[文章前言]:93%的额外收入是美国上层收入的1%。穷人和中产阶级的大部分财富都集中在住房上。随着平均房价从2006年第二季度下降到2011年底,大量承担大量抵押贷款的美国人基本上消失了。在社会

       93%的额外收入是美国上层收入的1%。穷人和中产阶级的大部分财富都集中在住房上。随着平均房价从2006年第二季度下降到2011年底,大量承担大量抵押贷款的美国人基本上消失了。在社会顶层,企业CEO 能够非常成功地维持他们的高工资;除2008 年略有下降,到2010 年,CEO 的年薪与普通工人的年薪率又回到了金融危机爆发前的243 ∶1。

           虽然美国一直是一个资本主义国家,但这种高度的不平等是一个新的话题。大约30年前,收入者中上层的1%只获得全国收入的12%。虽然这种程度的不平等不应该被接受,但从那时起,贫富之间的差距变得越来越惊人,因此到2007年,上层1%的平均税后收入达到130万美元,而下层20%的平均税后收入只有17800美元。上层1%的人每周的收入比下层20%的人多40%;上层0.1%的人一天半的收入几乎相当于底层90%的人一年的收入;最富有的人20%的税后总收入超过底层80%的人。

       2.资本升值速度明显快于劳动创造价值速度

           美国经济学家库兹涅茨在1955年 美国经济协会的演讲中提出了反映收入分配变化趋势的倒转U 型曲线,又称库兹涅茨曲线。该理论认为,收入分配的长期变化轨迹是先恶化后改善。收入差距在工业文明向工业文明过渡的早期阶段,经济增长迅速扩大,然后是短期稳定,然后在增长的后期逐渐缩小。

           法国经济学家皮凯蒂在《21 世纪资本论》中,通过研究西方社会300多年来收入分配的长期变动趋势,得出与库兹涅茨完全不同的结论。《21世纪资本论》对自18 世纪工业革命至今的财富分配数据进行分析,认为不加制约的资本主义导致了财富不平等的加剧,自由市场经济并不能完全解决财富分配不平等的问题。

           皮凯蒂将世界经济分为两个基本要素:资本和劳动力都用于生产和分享产出的收入。资本和劳动力的区别在于,资本可以买、卖、拥有,理论上可以无限积累。劳动力是个人能力的使用,可以获得奖励,但不能被他人拥有。皮凯蒂认为,贫富差距是资本主义的固有现象,发达国家的贫富差距将继续扩大,因为资本回报率总是高于经济增长率。

           皮凯蒂在 世纪资本论》中,皮凯蒂详细探索了过去300 年的工资和财富,并列出了多国家的大量收入分配数据,旨在证明近几十年来不平等已经扩大,很快就会变得更加严重。在可观察到的300 来年的数据中,平均投资回报保持在每年4%左右~5%,而GDP 平均每年增长1%~2%。5%的投资回报意味着财富每14 年可以翻一番,2%的经济增长意味着财富翻一番35 年。一百年来,有资本的人的财富翻了7 倍,是开始的128 倍,而整体经济规模只比100 年前大8 倍。虽然有资本和没有资本的人变得更富有,但贫富差距变得非常大。

       3.代际传递不断加强,阶级固化日益严重

           随着总体不平等的增加,工资的不平等也在增加。以美国为例在过去的30年里,低工资人群(底层90%人群)的工资只增加了约15%,而上层1%人群的工资增加了约150%,上层人群的工资增加了约0%.1%的群体工资涨了300%以上。

           2007年危机爆发前,约57%的资本收入是上层1%获得的。同样不足为奇的是,1979年以来,上层1%的群体获得了更大的资本收入增长部分,约7/8,而底层95%的群体只获得了不到3%的增长部分。

           收入和财富差距的不断扩大加深了社会阶层的固化,社会底层的人很可能一直呆在底层,社会顶层的人很可能一直呆在上层。如果机会完全平等,只有20%的孩子会留在底层。从世界各国的情况来看,很少有国家能做到。25%的社会福利高的丹麦继续留在底层,基本上做到了,但还没有做到。因阶级划分而背负恶名的英国做得差一点(30%),也就是说,这个群体中70%的人还有机会向上层移动。然而,在美国向上移动的可能性明显小得多(只有58%的孩子出生在底层,可以离开这个群体),当他们向上移动时,他们只能向上移动一点,底层的20%中有近2/3的孩子留在底层,这比假设最后一个群体高出20%的机会要好得多(12%)。同样,一旦他们向上移动,他们只能向上移动一点,最后一个国家的20%的孩子留在底层,这个国家的机会就比最后一个国家强。

       (二)原因分析

       1.右翼乐观观点已被普遍质疑

           贫富差距不关贫富差距

           数字孪生、赛博物理系统、智能制造和工业互联网是新工业革命实践中经常使用的重要概念\b。尽管这四个术语在各种场合被经常分别提及 \b\u0005 ,但同时讨论四个术语的分析文章很少见\u0006\u0005\u0006 \u0006\u0005\u0006。本文分析了四个术语的来源、组成、内涵、操作逻辑和相互关系\b。它们在发展上一脉相承\b\u0005 在内涵和本质上有很多共同点\b\u0005 ,但也有明显的区别 \b\u0005 。

           清分异同 \b,把握内涵的本质 \u0006\u0005\u0006 \u0006\u0005\u0006,引导企业做好智能制造、工业互联网顶层设计和实践\b\u0005 。

           一.前言

           数字孪生、赛博物理系统、智能制造、工业互联网四个术语 \b\u0005 是近年来业内的热门词 \b。 在国内行业\b\u0005 2014年,赛博物理系统兴起 \b\u0005 2015年,智能制造业很受欢迎\b,2017年工业互联网火灾\b\u0005 2019年,数字孪生在 中很受欢迎\b\u0005 。

           四个术语是独立的 \b,或者彼此相关 \b\u0005 ?也许绝大多数人认为彼此相关\b\u0005 ,但四个术语之间的异同是什么 \b\u0005 有多少相关内涵?\b\u0005 操作逻辑之间的关系是什么\b\u0005 ?可能真的不容易说清楚 ?\b\u0005 。笔者根据长期的业务实践和理论研究成果 \b\u0005 结合《三体智能革命》中的20字格言mdash;mdash;状态感知、实时分析、自主决策、精准执行、学习提升[1] \b\u0005 ,试着分析和比较四个术语的内涵和本质\b\u0005 。

           在研究方法上\b\u0005 ,笔者采用了抽象的图示方式:用一条水平线将画面分为上下两个空间 \b,上半部分是赛博空间(包括数字逻辑、电磁频谱和网络) \b\u0005 ,下半部分是物理空间(包括机器/设备/业务活动/流程) \b\u0005 。用四个大圆圈来描述每个术语的基本内涵、组成要素和操作逻辑 \b。

           

           二.数字孪生的基本内涵

           数字孪生在软件定义下\b\u0005 ,长期要素数字化的结果 \b\u0005 。这里的元素一般是指物理世界中的各种物理元素,如人、机、物、数据、图形、语言、物理信息等\u0006\u0005\u0006 \u0006\u0005\u0006。因此,数字孪生是一种长期发展形成的数字通用技术\b\u0005 。

           笔者认为数字孪生有两层含义\b\u0005 ,一是指物理实体及其数字虚体之间的双胞胎关系;二是双胞胎关系的物理实体和数字虚体分别称为物理双胞胎和数字双胞胎 \b\u0005 。默认情况下 \b\u0005 ,数字孪生也指数字孪生 \b\u0005 。

           数字孪生一词据说是迈克尔middot;格里夫(Michael Grieves)2003年,密歇根大学教授提出[2] \b\u0005 。目前还没有业界公认的数字孪生标准定义 \b\u0005 的概念在不断发展和演变中 \b。

           提出数字孪生概念后, \u0006\u0005\u0006 \u0006\u0005\u0006,很快就被美国国防部用于航空航天飞机的健康维护和保障 \b\u0005 。德国西门子、法国达索、美国通用电气、美国参数技术等公司也积极跟进 \b\u0005 ,尤其是近几年\b\u0005 ,随着智能制造等概念的推进, \u0006\u0005\u0006 \u0006\u0005\u0006,数字孪生已成为智能制造的通用技术 \b,广泛应用于军工制造、高端装备等行业\b\u0005 。

           一些国内学者也对数字孪生进行了深入研究\b。北京航空航天大学陶飞教授团队较早开展了数字孪生研究 \b,数字孪生车间的概念在国际上首次提出\b\u0005 ,并在《Nature》该杂志在网上发表了题为《Make More Digital Twins》评论文章 \b\u0005 。作者在《三体智能革命》和《机器》中middot;智慧:从数字车间到智能制造,在许多文章中研究和解释了数字双胞胎\b\u0005 。西门子公司出版了《数字孪生实战:基于模型的数字企业》。\b\u0005 ,Gartner、德勤等咨询公司也对数字孪生进行了深入的研究和技术发展评估\u0006\u0005\u0006 \u0006\u0005\u0006。德勤2020技术趋势将数字孪生作为未来五大趋势之一 \b。这些研究成果极大地促进了数字双胞胎的理论研究和工程实践\b\u0005 。

           笔者认为,数字孪生是在所有可以数字化的东西的背景下 \u0006\u0005\u0006 \u0006\u0005\u0006,通过软件定义 \b\u0005 ,在数字虚体空间中创建的虚拟事物 \u0006\u0005\u0006 \u0006\u0005\u0006,在形态、态度、质地、行为和发展规律上,与物理实体空间中的现实事物形成了非常相似的虚实精确映射 \b,物理孪生体和数字孪生体有多元化的映射关系 \b,具有不同的保真度(逼真、抽象等) \u0006\u0005\u0006 \u0006\u0005\u0006。数字孪生不仅在物理孪生体的整个生命周期中继续发生\b\u0005 ,数字孪生体验超过了物理孪生体的生命周期\b\u0005 ,在赛博空间持久存续 \b\u0005 \b\u0005 ,促进智能制造和工业互联网的应用和发展\b\u0005 \b。

           

           图1 数字孪生的基本要素和作用机制

           图1大圆圈表达的内容有三种:一是数字孪生基本要素 \b,二是物理实体与数字虚体的映射关系 \b,第三,数字孪生机制和运行逻辑 \b。

           作者用△○□这三个相邻的实线几何图表示不同类型的物理物理元素 \b,用其虚线几何图形表示这些物理实体要素在赛博空间的数字映射(数字虚体或数字孪生体)关系 \b\u0005 ,用数据表示从物理实体感知/收集到的物理信息转化为比特数据 \b,单向进入数字虚体 \u0006\u0005\u0006 \u0006\u0005\u0006,虚线箭头表示虚实之间的数据流动方向 \b,顺时针转四个大箭头 \b\u0005 ,示物理信息-比特数据-数字信息-数字知识-数字决策的转换过程 \b,它还表达了状态感知、数字体验、辅助决策、一次性数字孪生机制 \b\u0005 。

           模型和数据是评估数字双胞胎保真度的关键 \b\u0005 。

           模型是构建数字双胞胎的基础 \b, 机制模型\b, 可由数/理/化模型、因果模型、功能模型、系统模型、详细设计模型、模拟分析模型等组合组成\u0006\u0005\u0006 \u0006\u0005\u0006, 数据分析模型\b\u0005 ,也可以由机器学习模型、经验模型、降阶模型、故障模型等构成 \b。机理模型与数据分析模型的综合应用 \b,构成数字双胞胎的模型来源 \u0006\u0005\u0006 \u0006\u0005\u0006。

           数据是体验数字孪生的基础 \b\u0005 。数字虚体通过传感器获得的数据 \u0006\u0005\u0006 \u0006\u0005\u0006,物理实体设备的工作状态能否实时准确地反映 \b,如果网络有一定的延迟 \b\u0005 ,有多少时延?\b?如果现场有一定的干扰 \u0006\u0005\u0006 \u0006\u0005\u0006,能否排除干扰数据\u0006\u0005\u0006 \u0006\u0005\u0006?等等 \u0006\u0005\u0006 \u0006\u0005\u0006,数字数字孪生技术需要研究和解决的问题 \b\u0005 \b,体验变成了表演 \b\u0005 ,仿真变成了仿真 \b\u0005 ,数字孪生体成为可以人工设置的数字动画 \b\u0005 。

           只有两个关键要素:模型和数据\b,还不足以完全描述数字孪生 \b\u0005 。数字孪生体验 \b\u0005 必须让人用五官感受到 \b\u0005 ,最重要的感觉是让人看到mdash;mdash;即模型、数据的可视化 \b,这项任务必须由软件完成,只能由软件完成\u0006\u0005\u0006 \u0006\u0005\u0006。无疑 \b\u0005 ,软件是数字孪生要素的载体 \b\u0005 。因此 \b, 参与赛迪研究院研究的数字孪生模型中\b,数据是基础 \b\u0005 ,模型是核心 \b,软件是载体[10] \b\u0005 。

           \b \b \b\u0005 \b

  以上就是小编为大家介绍的四个术语:数字孪生、赛博物理系统、智能制造和工业互联网的全部内容,如果大家还对相关的内容感兴趣,请持续关注上海危机公关公司

  本文标题:四个术语:数字孪生、赛博物理系统、智能制造和工业互联网  地址:/yuqingchuli/2022/0130/2968.html