工程设施管理数字孪生——综述、分析框架和未来方向

李永奎; 王沁岳; 潘曦宇; 左剑; 徐进英; 韩一龙

doi:10.1016/j.eng.2023.12.006

工程（英文） ›› 2024, Vol. 41 ›› Issue (10) : 275 -290. DOI: 10.1016/j.eng.2023.12.006

研究论文

工程设施管理数字孪生——综述、分析框架和未来方向

李永奎 ^a ,
王沁岳 ^a ,
潘曦宇 ^b ,
左剑 ^c ,
徐进英 ^d ,
韩一龙 ^a

作者信息 +

Digital Twins for Engineering Asset Management: Synthesis, Analytical Framework, and Future Directions

Yongkui Li ^a^,^# ,
Qinyue Wang ^a^,^# ,
Xiyu Pan ^b ,
Jian Zuo ^c^,^* ,
Jinying Xu ^d ,
Yilong Han ^a^,^*

Author information +

文章历史 +

PDF (2932K)

摘要

有效的工程设施管理（engineering asset management, EAM）对经济发展和社会宜居性改善至关重要，但是其复杂性往往成为设施功能优化的阻碍。数字孪生（DT）通过在物理世界与数字世界之间建立实时双向连接，彻底改变了EAM的传统范式。工业界和学术领域都对工程设施管理数字孪生表现出了极大的兴趣。然而，现有的综述研究大多集中在有限的生命周期视角下DT的技术层面，未能从管理角度对工程设施管理数字孪生进行全面归纳。在系统文献综述的基础上，我们提出了一个分析框架，以描述工程设施管理数字孪生。该框架涵盖三个层级：用于技术层面EAM的DT 1.0、用于“技术-人”EAM的DT 2.0以及用于“技术-环境”EAM的DT 3.0。通过使用该框架，我们识别了每个层级下目前已经研究了什么、还需要研究什么以及未来方向。DT 1.0解决了设施质量、进度和成本等方面的管理问题，产生了技术价值，但是在解决多目标、自适应的EAM方面仍存在不足，并且应用成本高昂。有必要通过可负担的DT 1.0实现工程设施的闭环管理，同时提供多种功能服务。DT 2.0涵盖了人机共生、安全性和灵活性管理等问题，从而带来了超越工程设施技术性能提升的管理价值。然而，DT 2.0目前在自动化人机交互和安全性方面存在不足，且对与人相关的管理价值关注较少。未来研究应基于高度自动化且安全的DT 2.0，进一步平衡技术价值与管理价值。DT 3.0涉及参与式治理、组织管理、可持续发展与韧性提升等问题，能够在宏观层面产生社会价值。但是，受制于组织碎片化的问题，DT 3.0目前只能解决有限的社会治理问题。关于如何协调不同利益相关方，以及在更加开放和复杂的系统中开发DT 3.0，仍然存在大量研究机会。

Abstract

Effective engineering asset management (EAM) is critical to economic development and improving livability in society, but its complexity often impedes optimal asset functionalities. Digital twins (DTs) could revolutionize the EAM paradigm by bidirectionally linking the physical and digital worlds in real time. There is great industrial and academic interest in DTs for EAM. However, previous review studies have predominately focused on technical aspects using limited life-cycle perspectives, failing to holistically synthesize DTs for EAM from the managerial point of view. Based on a systematic literature review, we introduce an analytical framework for describing DTs for EAM, which encompasses three levels: DT 1.0 for technical EAM, DT 2.0 for technical−human EAM, and DT 3.0 for technical−environmental EAM. Using this framework, we identify what is known, what is unknown, and future directions at each level. DT 1.0 addresses issues of asset quality, progress, and cost management, generating technical value. It lacks multi-objective self-adaptive EAM, however, and suffers from high application cost. It is imperative to enable closed-loop EAM in order to provide various functional services with affordable DT 1.0. DT 2.0 accommodates issues of human−machine symbiosis, safety, and flexibility management, generating managerial value beyond the technical performance improvement of engineering assets. However, DT 2.0 currently lacks the automation and security of human−machine interactions and the managerial value related to humans is not prominent enough. Future research needs to align technical and managerial value with highly automated and secure DT 2.0. DT 3.0 covers issues of participatory governance, organization management, sustainable development, and resilience enhancement, generating macro social value. Yet it suffers from organizational fragmentation and can only address limited social governance issues. Numerous research opportunities exist to coordinate different stakeholders. Similarly, future research opportunities exist to develop DT 3.0 in a more open and complex system.

关键词

工程设施管理 / 数字孪生 / 社会-技术理论 / 结构-过程-产出 / 文献综述

Key words

Engineering asset management / Digital twin / Socio-technical theory / Structure−process−outcome / Literature review

引用本文

引用格式 ▾

李永奎,王沁岳,潘曦宇,左剑,徐进英,韩一龙. 工程设施管理数字孪生——综述、分析框架和未来方向[J]. 工程（英文）, 2024, 41(10): 275-290 DOI:10.1016/j.eng.2023.12.006

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

工程设施，包括建筑物、能源和交通设施、工业工厂以及生产制造厂，为国家安全、经济繁荣和社会福祉提供了重要支持[1]。必须积极规划、控制并不断调整与设施相关的活动和策略，以实现预期目标，即实施工程设施管理（engineering asset management，EAM）[2‒3]。数字化可以提高EAM的效率[4]。数字孪生（digital twin，DT）的最初理念可以追溯到1993年所提出的虚拟制造建模与仿真环境的概念[5]。2003年，Grieves在密歇根大学的产品生命周期管理课程中提出了一个类似的概念——“镜像空间模型”[6]。美国国家航空航天局（NASA）于2010年首次将DT应用于其技术路线图[5]。根据Grieves的说法，DT由三个部分组成：物理产品、虚拟产品以及连接虚拟产品和真实产品的信息。DT的镜像、预测、优化和动态捕捉能力使其能够在各类以人工制品为中心的工程领域中发挥有效作用[7‒8]，如航空航天、车辆、造船、交通、能源基础设施以及建筑物等[9‒10]。从2017年到2019年，技术研究与咨询公司Gartner连续将DT列为十大战略技术趋势之一[11‒13]。到2027年，全球将有超过40%的大型组织在基于元宇宙的项目中使用DT [14]。DT是数字化的下一个突破口，为实时的EAM带来了新的潜力[15]。

随着越来越多的工程设施引入DT，人们对于了解工程设施管理数字孪生产生了浓厚兴趣[16]。工程设施管理数字孪生是指“对设施、流程或系统的逼真数字化表示”[17]，由三部分构成：物理设施、虚拟设施以及二者之间的无缝数据和信息流，以实现实时交互[18‒19]。数据从物理设施传递到虚拟设施，以更新设施的最新状态，确保模型的高保真度。信息则从虚拟设施反馈到物理设施，以直接干预EAM的工作流程[20]。现有研究常常将DT与网络物理系统（CPS）混为一谈。CPS起源于美国国家科学基金会（NSF），指的是通过计算、通信和控制来将计算过程与物理过程整合在一起[21]。2006年NSF在一次研讨会上提出，关于CPS的研究旨在寻找新的科学基础，其概念更接近于理念层面。在工程实践中，奥雅纳（Arup）、莫特麦克唐纳（Mott MacDonald）、通用电气（General Electric）和西门子（Siemens）等关键企业都已将其战略议程与DT的愿景相结合[22]，而对CPS的关注则相对较少。因此，我们采用DT一词以符合工程设施管理的语境[23]。

许多概念和术语都与工程设施相近，如设施（facility）、公用事业（utility）以及基础设施（infrastructure）。为了清晰、一致地解释工程设施管理数字孪生，学界需要对其所有相关要素形成全面且实用的理解。特别是，技术细节很可能并不是关键的要素。技术的应用旨在创造预期价值，仅仅拥有一项技术并不能带来任何价值，甚至还可能会产生不利的结果[24]。只有当人和组织的工作方式发生改变时，才会产生价值[3]。因此，技术与管理和社会密切相关。随着投融资[25]、人机交互界面[26]、社会包容性以及数字鸿沟[27]等问题的出现，高层级的工程设施管理数字孪生相比只考虑技术要素的DT发生了根本性变化，导致其实施难度呈几何级数增长。为了解决这些问题，我们提出了一个分析框架，对信息丰富程度不断增加的DT进行分类，包括用于技术层面EAM的DT 1.0，技术与人交互EAM的DT 2.0，以及技术与环境相结合EAM的DT 3.0。

中国工程院将“数字孪生模型精准构建与演化理论方法研究”列为2022年工程管理领域的十大工程研究前沿之一[28]。信息丰富程度不同的DT在实践场景中的应用日益广泛。其中，DT 1.0的应用最为普遍，涵盖了许多场景，包括通过楼宇自动化降低能耗和运营成本[29]、实时监测基础设施健康状况并模拟维护策略[30]、降低运输总成本[31]、提高工厂生产效率[32]以及优化工程设计方案[33]等。但是，DT 1.0忽略了EAM的管理和社会层面，这可能会带来一系列挑战，例如，在不确定条件下提升EAM的准确性和效率、提高员工工作满意度以及使DT与社会治理目标保持一致。随着信息技术逐渐成熟，DT 2.0和DT 3.0也开始在一些场景中得到应用。例如，装配施工领域的研究人员利用DT模拟增强型工人，以协调装配任务的规划与调度，实现人机协同的远程互操作[34‒35]；在城市灾害管理方面，研究人员使用DT来快速捕捉、预测、应对并适应城市系统的变化[7]。然而，DT 2.0和DT 3.0的应用仍不如DT 1.0普遍。

尽管已有研究对工程设施管理数字孪生进行了综述，但这一研究方向在很大程度上仍局限于生命周期视角[36‒37]。在组织和社会层面，工程设施缺乏明确的生命周期划分，因为这些较高层级的设施是由处于不同生命周期阶段的多个较低层级设施组成的广泛系统。因此，有必要扩展现有框架，突破生命周期阶段的限制。最近的一项研究利用社会网络分析方法对设施管理数字孪生进行了综述。研究人员定量识别了五个核心领域，包括设施管理、基础设施管理、灾害管理、DT平台以及DT投资[16]。正如这些核心领域的名称所示，它们之间的理论关联性较弱。我们通过提出一个超越生命周期视角并且具有理论关联性的全面分析框架，旨在为推动DT与EAM策略的更好协调以及拓展价值驱动DT的研究与实践，提供一个起点。

基于数字技术的智能化EAM在很大程度上支持了社会生产与居民生活，因此具有典型的社会-技术系统（STS）特征[28,38‒40]。STS理论一般包括三个子系统：技术子系统、社会子系统与环境子系统。技术子系统由工具、技术、人工制品和方法等组成，它们被员工用来获取输入、将输入转化为输出并向用户或顾客提供输出或服务；社会子系统由在组织中工作的人员以及与其存在相关的所有人文因素组成；环境子系统则覆盖了社会子系统与技术子系统[41‒42]。该理论使用从属概念和命题，为技术、人、组织、环境以及产出之间的关系提供了重要见解[41‒43]，但忽略了这些组成部分到产出之间的过程机制。因此，我们基于STS理论[41‒44]对DT进行分类，并使用Donabedian的“结构-过程-产出”（SPO）框架[45‒47]，详细阐述了从具有不同信息丰富程度的DT到不同产出之间的过程机制。

本研究的框架根据三个一般性STS子系统，将DT划分为三个主要类别。第一类DT 1.0涉及技术子系统，包括人工制品、工具、技术、方法、配置、程序、材料和知识等，组成了用于获取DT的输入、将输入转化为输出以及向用户提供输出的基础。第二类DT 2.0纳入了社会子系统，包括人类及其行为、情感、态度、技能和关系等要素。第三类DT 3.0纳入了环境子系统，涵盖更广泛的社会子系统和技术子系统，并且包含不受其直接控制的外部因素，如政府、经济、工业和文化环境等。三个层级的DT演化过程与信息技术的发展密切相关。随着计算能力的提升，DT逐渐从以物理设施为中心的技术层面，扩展到管理层面，最终将达到社会层面，通过更加丰富的信息不断接近现实世界[48]。

从DT 1.0到DT 3.0的转变并非简单的更新，而是范围的扩展。因此，从技术角度来看，DT 2.0不仅包含基于传感器收集的物理特征所创建的数字设施模型，还涉及通过可穿戴设备和其他技术收集的人类特征所创建的、与物理设施实时交互的虚拟化身。同样，DT 3.0还需处理来自多设施系统的大量数据，以构建组织和社会层面的数字模型，从而支持实时治理决策。因此，DT 3.0需要使用云计算等分布式技术。此外，DT 2.0和DT 3.0还需要考虑敏感数据的伦理和安全问题。在后两个DT层级之间划清界限是困难的，我们依据文献[41,49]进行了调整，尽管不完美，但对于构建工程设施管理数字孪生的整体讨论框架至关重要。我们在第2节进行了文献筛选与计量学分析，以提供基本概览。然后，我们在第3节分两步进行了定性分析：首先构建分析框架，然后在该框架的指导下进行内容分析。最后，在第4节中，我们根据当前的研究空白提出了未来研究方向。研究路线图见图1。

2 文献筛选与计量学分析

为了避免数据同质性[50]，我们只参考了Web of Science数据库。使用表1中列出的纳入和排除标准，我们根据题目、摘要和全文对检索到的文章进行了提取与筛选。这一过程如图2所示，最终共纳入了355篇文章。

在筛选完成后，我们对纳入文章的时间趋势、地域分布、研究方向以及关键词进行了定量分析。图3（a）展示了这些文章的年度发表与引用情况；虽然相关研究自2015年才开始起步，但其关注度增长迅速，尤其在2020年之后。图3（b）显示，投稿作者中来自中国的人数最多。如图3（c）所示，工程学是最常见的研究方向，与EAM密切相关；计算机科学和建筑施工技术也占有较大份额，它们构成了工程设施管理数字孪生的技术基础。图3（d）展示了作者关键词的词云，从中可以看出，建筑信息模型（BIM）、物联网、人工智能（AI）和虚拟现实（VR）等技术得到了广泛关注；在管理方面，安全管理和沟通也频繁出现；此外，可持续发展、智慧城市等与城市相关的关键词也受到了广泛关注。经过计量学分析，本文作者反复讨论后，选出了用于进一步定性分析的重点文献。

3 DT分析框架与分类

3.1 DT分析框架

基于文献分析，并借鉴STS理论 [41‒44]和SPO框架[45‒47]，我们构建了一个分析框架以梳理重点研究。STS理论源于开放系统研究，最初是为了探究组织在实施新技术时未能获得预期效益的原因[51]。STS研究表明，如果不理解社会进程，就无法把握技术进程。因此，只有将技术、社会和环境系统作为一个整体进行评估，才能准确理解其产出[42]。研究指出，STS理论为EAM系统提供了一个全面的分析视角，有助于综合考虑各种相关要素及其相互作用[38‒40]。因此，该理论为我们对DT进行分类提供了基础模块，为理解技术与人如何在环境中相互作用以影响系统产出奠定了理论基础[41]。

SPO框架最初是为评估医疗质量而设计的[45‒47]，但其组成部分具有通用性，适用于大多数系统。该框架已广泛应用于公共管理[52‒54]、房地产行业[55]和供应链管理[56]等领域。根据Donabedian的定义[45‒47]，“结构”包括物质资源（如空间、设备、设施和资金）、人力资源（如人员数量和资质）以及组织结构（如员工组织、同行评审方法和报销方法）。“过程”是指与服务相关的活动，而“产出”则衡量的是患者的健康状况（如存活时间）以及更广泛的心理功能和社会表现（如生活质量、健康知识、态度和行为）。良好的结构有助于形成良好的过程，而良好的过程则增加了获得良好产出的可能性。

可以看出，SPO框架中的结构维度涵盖物质、人与组织三个层级，而产出维度则涉及与人相关的心理和社会表现。因此，SPO框架与STS理论之间存在相似性。我们结合STS理论，将DT按照三个一般性STS子系统，划分为三个主要类别，并使用SPO框架详细描述从不同信息丰富程度的DT到不同产出之间的过程机制。图4展示了该分析框架。工程设施具有内在复杂性，且与技术、人、组织、社会和环境等众多因素密切相关。随着信息技术的成熟，DT不断发展演变。最初，由于计算能力有限，DT 1.0只考虑了与技术相关的部分。随着信息技术的发展以及对支持EAM决策需求的增加，DT的信息丰富程度不断提高，逐步演变为DT 2.0和DT 3.0。从1.0到3.0是一个不断逼近真实世界的过程。最终DT将能够完全模拟真实世界，即物理孪生或元宇宙[57]。

该框架有助于我们对选出的126篇重点文献进行综述，其中70篇属于DT 1.0，35篇属于DT 2.0，21篇属于DT 3.0。我们将每篇文献的内容映射到分析框架的主要概念上，以提取关键信息。基于这些提取的数据，我们构建了一个概念矩阵，用于概述工程设施管理数字孪生产生的原因以及现有研究成果。此外，该矩阵还有助于识别未来研究方向中的未知领域。图5展示了这些结果。

3.2 用于技术层面EAM的DT 1.0

物理工程设施，尤其是在土木工程领域，面临着生产效率低下和技术创新有限的问题，因此需要智能化决策支持工具。多尺度、实时的DT能够对物理设施的功能进行监控、预测和优化。工程设施管理数字孪生的技术层面构成了DT 1.0，涵盖了各种物理和技术要素以及实现技术价值创造的过程。

3.2.1 从技术角度构建DT 1.0

DT 1.0的数据收集过程涵盖静态和实时传感数据。静态数据包括物理设施的几何形状、材料以及组件之间的相互关系，数据来源包括图纸[58]、BIM[59]、地理信息系统[35]、管理信息系统[60]以及射频识别[34]和无人机[35]等数字设备。其中，BIM尤为重要，因为它是实现设施生命周期管理的关键途径[61]。动态数据则记录了工程设施的状态变化[22]，其来源包括传感器[17,30]、摄像机[17]、激光成像、探测与测距技术[62]以及超声定位[63]等工具。其中，传感器是最常用的设备。此外，互联网服务可提供诸如气候条件等公共数据[29]。在制造业中，移动智能设备[64]和产品规范文件[65]可提供生产数据。理想情况下，数据收集应通过现有设备进行并且不干扰工程设施的运行[63]。为实现动态数字建模，所收集的数据需要实时传输，支持技术包括无线保真（Wi-Fi）和Zigbee等短距离网络接入技术以及第四代（4G）移动通信系统、第五代（5G）移动通信系统和长期演进（LTE）技术，以实现更大范围的网络覆盖。由于数据规模庞大，DT通常需要依赖云计算或边缘计算等分布式技术[66]。

在数字建模方面，静态设施模型复制了工程设施的外观，并通过实时数据进行更新，最终形成集成的数字仿真模型[22]。然而，由于工程设施具有很强的非线性和不确定性[62‒67]，创建高保真的仿真模型具有挑战性。因此，一些研究采用数据驱动的方法来高效捕捉设施的非线性特征[68]，而另外一些研究则开发了混合模型，将仿真模型的可解释性与数据驱动模型的运行速度相结合。此外，DT 1.0还能够为单个工程设施创建多个数字模型，以解决不同的问题[62]。随着DT 1.0扩展至网络结构[10,69]，跨设施的服务和协调得以实现，进而推动更高效、更精准的决策[17,63]。

3.2.2 在技术层面的工程设施生命周期管理中应用DT 1.0

DT 1.0能够在设施的整个生命周期内实现实时的智能化管理。由于数字模型摆脱了物理世界的限制，DT 1.0的核心价值在于能够在数字世界中模拟不同的EAM策略。表2 [29,31‒32,59‒61,63,67‒68,70‒90]总结了DT 1.0在设施生命周期各个阶段所解决的管理问题及其在具体研究中的应用。此外，在制造工程领域，DT 1.0还能够实现跨生命周期的集成，通过利用上一代产品积累的数据优化下一代产品的设计，从而推动闭环供应链的发展[91]。总体而言，DT 1.0解决了多种管理问题，为工程设施带来了技术增值。

随着信息技术的不断进步，EAM的决策支持需求日益严格，越来越多的人意识到，仅仅关注DT的技术层面已不足够，非技术因素（如人机交互）同样至关重要。

3.3 用于技术-人EAM的DT 2.0

工程设施管理数字孪生要实现完全自动化仍有很长的路要走[92]。因此，设计师、承包商、供应商、管理者和用户等学习、分析和控制工程设施的人类角色仍然至关重要[18]。他们具有不可替代的问题解决能力、灵活性和多面性，是推动技术系统稳定发展的驱动力[93]。随着运行条件的复杂性增加，人的因素变得愈发重要[94]。将与人相关的因素融入技术层面的EAM系统，形成了DT 2.0，强调通过技术与人交互的EAM来创造管理价值。

3.3.1 将人的因素纳入孪生对象

在物理设施生命周期的各个阶段，与之进行交互的人类扮演着多种角色并且具有高度的流动性。他们的数字模型（通常被称为“化身”）可以捕捉他们的生理、行为和认知特征。生理特征包括人体肌肉骨骼系统的肢体分段及其运动关系[95]。人脸识别技术可以检测人体的面部生理特征[66]。智能手套和腰带等可穿戴设备能够捕捉人的行为特征[34]。然而，直接测量人的认知特征是一项重大挑战。现有方法（如问卷调查）在实时数据收集方面存在很大困难[96]。神经成像方法（如脑电图[97‒98]和功能性近红外光谱[99]）更适合实时测量人的认知特征（包括警觉性、心理压力、注意力、心理负荷和情绪状态）。相较于功能性近红外光谱，脑电图的成本更低[100]。

3.3.2 DT 2.0中的人机共生

如图6所示，在DT 2.0中，人机之间呈现出一种共生协同的关系[101]。真实世界中的物理设施和人从模型分析中接收到控制信息，以提供功能性服务。对于与人相关的问题，DT 2.0直接将控制信息传递给相关人员。然而，在控制物理设施方面，存在三种不同的方法。

第一种方法是通过控制器和执行器将控制信息直接传递给物理设施，无需人为干预，称为全自动控制。第二种方法是先将控制信息传递给相关人员，由他们作出最终控制决策，称为间接控制。最后一种方法是混合控制，结合了全自动控制和间接控制，因此必须避免信息冲突。表3 [34‒35,66,91,94,102‒104]列出了这三种控制方法以及相关文献。由于仅依靠机器智能无法确保全自动控制不会引发安全事故，因此大多数研究采用了间接控制或混合控制方法。

在人机共生中，接口起着至关重要的作用。虚拟现实和增强现实等混合现实技术能够为人类提供额外的感官信息，提升他们对工程设施细节的理解能力[91]。此外，便携式设备[105]、智能音频系统[106]和神经接口[107]也可以作为有效的人机接口。脑机接口等神经接口通过生物电信号来实现人脑与外部环境的直接交互。

3.3.3 在技术-人交互的EAM中应用DT 2.0

DT 2.0将与人相关的问题（如用户友好性、操作安全性以及减少重复性和危险性任务等）纳入EAM的目标。通过这种方式，工程设施管理数字孪生从以设施为中心转向以人为中心，追求技术和管理的双重价值。表4 [34‒35,64‒65,91,95,102‒104,108‒113]总结了DT 2.0在工程设施不同生命周期阶段中解决的管理问题及其在特定研究中的应用。总体而言，DT 2.0不仅提升了工程设施的技术性能，还创造了与人相关的管理价值。

不同的DT 2.0系统之间并非相互独立，而是存在复杂的相互依赖关系。它们受到环境中多种组织和社会因素的影响，如组织关系、制度、经济、环境、文化、政治和法律等。随着信息技术的不断进步，逐步实现将组织和社会因素融入环境层面的工程设施建模已成为可能。

3.4 用于技术-环境EAM的DT 3.0

随着管理问题上升到宏观层面，DT 3.0应运而生。DT 3.0采用开放的系统之系统的建模角度，考虑了与物理设施相关的组织和社会环境因素。DT 3.0本质上相当于一个网络-物理-社会系统[114]，其中实时数据和信息流如同物理结构中的循环系统和神经系统，赋予了它智能思考与沟通能力。

3.4.1 将环境因素纳入孪生对象

在宏观层面，DT 3.0的发展涵盖工程设施的实施组织、城市、国家甚至开放的社会系统。在组织层面，DT 3.0需要考虑诸多无形因素，如实施组织的结构、业务流程、资源配置和业务决策等。当前，DT 3.0仍处于早期阶段，亟需更先进的技术和工具来解决数据可用性和质量、异构数据与模型的融合以及海量数据和模型的存储与操作等问题。一些研究采用人工智能进行数据融合[17]，而其他研究则利用基于云的分布式技术实现大规模实时数据的采集和传输[115]。此外，匿名处理以及制定相关法律法规有助于确保敏感组织数据的安全[116]。

在社会层面，DT 3.0目前主要聚焦于城市层面，推动了城市信息模型（CIM）和智慧城市的发展[117‒118]。CIM与DT的区别在于，CIM使用静态数据，这些数据需要定期检查和监控，而DT则实现了城市与其数字副本之间的动态实时连接[119]。从系统角度看，城市由多个相互关联的子系统组成，包括基础设施、建筑、医疗保健、能源供应和废物管理等[120]。数字城市建模不仅需要收集物理设施的地理特征数据，还需要整合社会因素数据，如文化和政策等。市民可以作为无处不在的传感器，通过社交媒体传递关键信息[121]。在城市规模之外，一些研究还提出了构建国家[9]、地球[20,122]和深空DT的计划和方案，依托政府平台、社交网络和卫星遥感系统可以提供所需的数据。

3.4.2 在环境层面的EAM中应用DT 3.0

组织层面的DT 3.0能够促进不同利益相关者之间的信息共享，协调他们的异质性需求和期望，从而实现更灵活、更强大的EAM。DT 3.0还可以为实施组织（尤其是去中心化的组织）挖掘并利用新的商机。在社会层面，DT 3.0通过监测和评估社会状况以及模拟和测试不同的治理策略提供了提升公共利益的有效途径。表5 [7,17,115‒116,119,121‒131]列出了DT3.0解决的管理问题及其在具体研究中的应用。总体而言，DT3.0通过解决组织和社会层面的管理问题，将工程设施视为开放的系统之系统，进而带来了社会价值的涌现。

4 讨论未来方向

随着信息技术的迅速发展和成熟以及EAM复杂性的不断上升，工程设施管理数字孪生正以惊人的速度涌现。如图4所示，从DT 1.0到DT 3.0是一个相互关联且相互包含的过程，信息丰富程度逐步扩展，从物理设施的技术子系统发展到人与技术因素组成的交互系统，再到嵌入其组织和社会环境的大量工程设施组成的系统之系统。在最基础的层级上，DT 1.0通过物理设施的孪生模型实施技术性活动，但在数据、建模和分析方面仍存在许多不足。这些不足限制了DT 1.0的发展。随着DT信息丰富程度的提升，类似的技术性问题仍然存在并且会变得愈加严重。随着DT逐渐融入与人相关的不确定因素，DT 2.0面临解决人机交互过程中特有问题的挑战。同样，DT进一步扩展至涵盖多个工程设施及其嵌入的环境系统时，DT 3.0不仅要解决技术和人机交互方面的未解决问题，还需应对更广泛的治理挑战。简而言之，随着DT向更高层级发展，既要解决新的问题，低层级的基础问题也愈加严峻，这也给未来研究带来了重要机遇。

4.1 通过可负担的DT 1.0实现多目标、闭环的EAM

DT 1.0的实施需要大量设备，并且这些设备需要持续校准和维护，这需要大量的资源和精力投入[37]，尤其是对中小型企业而言[132]。此外，大多数DT 1.0只能在设施生命周期的特定阶段解决特定的管理问题。然而，工程设施在其漫长的生命周期中通常会面临多种可能相互冲突的管理目标[83]。一个目标的实现会影响其他目标并最终影响EAM的整体绩效[2]。在不同阶段为解决不同管理问题而进行的重复开发导致标准化框架的缺乏和信息孤岛的产生，同时也使系统升级和维护成本高昂[95]。在整个DT系统中，缺乏跨生命周期阶段的多目标管理以及基于结果的迭代[119]。此外，产出评估的关键因素尚不明确，导致责任和问责机制需要进一步协商。表6概述了DT 1.0的主要不足及对应的未来方向。鉴于数据采集、传输、数字建模和分析等方面的具体技术问题已在现有针对物理设施技术方面的综述研究中得到了广泛讨论[36‒37,133‒134]，我们从全过程角度提出了DT 1.0的关键不足和未来方向。

因此，我们提出了两个具有前景的未来方向。首先，降低实施DT 1.0所需的大量投资至关重要。一方面，开发与物理设施完全一致的数字模型过于复杂、耗时且成本高昂[135]，冗余信息还会降低模型的运行速度[136]。另一方面，简化的模型会忽略有价值的信息，降低结果的准确性和稳健性。因此，选择合适的模型精度必须在效率和效果之间进行权衡。未来研究应聚焦于利用轻量化的数字模型为工程设施提供多样化的功能服务。最后，随着可负担的DT 1.0逐渐成熟，其应用范围将不断扩大，因此逐步推进其商业化发展至关重要。这需要提供支持DT模型和EAM服务的软件平台，以促进其在实践中的广泛应用。

其次，为了在设施生命周期的各个阶段利用同一个DT系统为多个目标提供各种功能性服务，DT 1.0必须在标准化与灵活性之间进行权衡。DT 1.0需要实现信息的共享、重用和互操作性。未来的研究应在服务流程结束后对产出进行科学严谨的评估。如有失败，则应查明原因，以便提出修正和改进的建议。实施多目标、闭环的工程设施管理DT 1.0将有助于推动工程设施的持续绩效提升。

4.2 通过高度自动化和安全的DT 2.0协调技术与管理价值

尽管DT 2.0涉及人机交互，但技术创新的不足仍限制了其自动化水平，尤其是在土木工程领域[22]。此外，随着人机交互智能化水平的提升，网络攻击对隐私安全构成了重大威胁，可能导致知识窃取和勒索事件的发生。在工程中对人的因素进行建模也会引发伦理问题[9]。虽然EAM的最终目标是通过技术和管理价值来服务人类，但目前的DT 2.0主要关注技术价值，其投资回报相对更容易量化评估。然而，与人相关的管理价值却尚未得到足够的重视，评估通常通过间接变量进行（例如，用缺勤率来衡量员工满意度）。但是，许多独立因素也会影响这些间接变量，导致评估变得具有挑战性。表7总结了DT 2.0的主要不足及相应的未来方向。如前所述，DT 1.0面临的类似技术问题在DT 2.0中依然存在。然而，随着DT 2.0的管理重点演变到涵盖与人相关的因素，我们从人机交互角度出发，探讨DT 2.0的关键不足和未来方向。

为弥补这些不足，我们提出了两个未来研究方向。首先，DT 2.0正在逐步从机器辅助人类工作的阶段（即人类比机器更聪明）过渡到人类辅助机器工作的阶段（即机器比人类更聪明）[137]。在这一人机共生的漫长过渡期内，人机交互的自动化程度将不断提高并逐步迈向泛在计算和环境智能。为实现这一改进，未来研究需明确人类在EAM中扮演的角色，确定决策应在多大程度上依赖机器自动化及多大程度上依赖于人类的主观经验。此决定必须确保技术系统与管理系统相互兼容并能相互促进。

研究如何在DT 2.0中保障人的隐私和安全也是当务之急。未来研究可以探索联邦学习[138‒139]和区块链[66,140]等隐私保护技术。此外，DT 2.0中潜在的深刻伦理问题也为未来研究提供了多个方向。例如，当EAM出现错误时，如何处理人类与DT之间的责任转移？又如，员工离职后，其虚拟化身的所有权如何处理？前员工的虚拟化身是否可以用于培训新员工或机器人？

其次，未来研究应结合DT 2.0的技术价值与管理价值，以实现服务导向的EAM业务。这需要通过收集大量物理设施和人相关因素的数据，来整合多学科、多尺度的数字设施与虚拟化身模型。在收集与人相关的数据时，未来研究应避免引发调查疲劳[96]。此外，工程界对DT的使用持犹豫态度，主要是因为他们认为DT带来的管理价值尚不明确[64,141]。为定量评估DT 2.0的管理价值，未来研究可以从工程心理学和认知工效学的角度评估其对人类行为的影响[102]。

4.3 通过具有开放边界的DT 3.0实现集成的EAM

由于组织层面的内在复杂性，DT 3.0存在显著的结构分散问题。不同层级和学科的利益相关者在需求、工作流程、术语以及所使用技术的成熟度方面存在差异。工程设施实施组织的集成管理面临复杂的对接挑战。在社会层面，大多数研究集中于城市规模，而非STS理论所蕴含的开放系统。在开放系统中，复杂性问题会更加突出。当前的DT 3.0研究尚未深入探索更广泛的社会治理问题，如贫困、数字经济、老龄化以及社会不平等等。物理环境中的不平等现象也会蔓延到DT 3.0的数字世界中。拥有先进信息系统的组织占据主导地位，而收入较低的组织由于缺乏投资和技术，进一步被边缘化，导致数字鸿沟问题日益严峻。表8总结了DT 3.0的主要不足及相应的未来方向。值得注意的是，DT 1.0和DT 2.0所面临的类似问题在DT 3.0中依然存在。然而，随着DT 3.0的管理重点扩展到涵盖环境因素，我们从更大、更开放的系统视角提出了DT 3.0的关键不足和未来方向。

针对这些不足，我们提出了两个未来方向。首先，对于DT 3.0，未来研究需要采取组织措施，打破工程设施实施组织内外部独立设计、建造和部署的现有模式。此外，还需解决DT 3.0中不同利益相关方之间的差异，例如工程企业与公共部门之间的冲突。未来研究可以运用利益相关者理论和多主体博弈理论，以实现DT 3.0中的协调与整合。

其次，复杂性理论适用于分析开放式DT 3.0系统的演化。未来研究可以利用该理论捕捉DT 3.0中不同组织、对象和活动之间的动态性、非线性、耦合效应以及自组织现象。此外，未来研究还需要探索DT 3.0在应对更多社会治理问题时的机遇、风险和不确定性。例如，在元宇宙中，虚拟化身可以通过数字货币交易数字资产，从而推动数字经济和创作者经济的发展。未来研究需要寻求解决DT 3.0中的数字鸿沟问题的适当解决方案，促进弱势群体的数字包容，减少社会阶层的分化。通过投资教育资源提升个人数字技能并推动组织学习，能够缩小数字鸿沟。

5 结论

本综述旨在从整体视角对工程设施管理数字孪生进行分类与归纳，以提供结构明晰的概述并指出未来方向。为此，我们基于STS理论[41‒44]和SPO框架[45‒47]构建了一个分析框架。主要研究结果表明，在不同层级实施信息丰富程度各异的DT，可以有效解决技术、人员相关及环境方面的管理问题，从而带来技术、管理和社会效益。在理论贡献方面，我们超越了现有的从技术角度[38,142‒143]和生命周期视角[36‒37]对工程设施管理数字孪生进行综述的研究，为工程设施管理数字孪生提供了全面的理解。从管理角度来看，DT的应用旨在创造价值并实现预期目标。考虑非技术因素有助于避免过度沉浸于技术实施细节，从而更加全面地考虑终端需求和责任。尤其是，DT 3.0通过连接宏观环境与微观活动，将技术因素与非技术因素相结合，为研究人员加强EAM中更广泛的组织和社会参与奠定了基础，呼应了先前研究中关于发展组织DT以及向社会技术视角转变的观点[144‒146]。我们为价值导向的DT研究提供了起点，这与工业5.0从技术驱动转向价值驱动的理念相符[147]。

此外，通过提出一个由三个层级DT组成的分析框架，我们现在能够深入分析每个层级，从而获得对工程设施管理数字孪生全面而清晰的理解。例如，DT 2.0涉及与人相关的因素，通常采用虚拟现实和增强现实等沉浸式人机交互技术，以同时提升物理设施和员工的绩效水平[94]。最后，我们确定了未来的关键研究方向。随着工程设施管理数字孪生的研究重点从技术驱动转向价值驱动，仅解决DT的技术问题（如多目标、自适应性和应用成本）已无法满足未来研究的需求。研究人员应从与人相关的管理和环境视角出发，更多关注非技术问题，包括人机交互的自动化与安全性、面向服务的EAM商业模式、与人相关价值的量化、实施组织的协同与集成管理以及从复杂性理论角度分析开放的DT 3.0系统。

在实践启示方面，本文为工程师提供了针对DT管理需求的反馈，帮助他们从底层开始以自下而上的方式，逐步开发出符合功能需求的DT。通过这种方式，工程师可以从面向服务的角度，更加全面地理解与人、组织和社会相关的需求。例如，在部署工程设施管理数字孪生时，为更广泛的非技术元素预留接口。工程师应从灵活性和适应性的角度，重新思考DT，以应对诸如人机协同、城市治理、气候变化以及能源危机等管理与社会治理问题。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Bauer JM, Herder PM. Designing socio-technical systems. In: Meijers A, editor. Philosophy of technology and engineering sciences. Amsterdam: NorthHolland; 2009. p. 601‒30. . 10.1016/b978-0-444-51667-1.50026-4

[2]	El-Akruti K, Dwight R, Zhang T. The strategic role of engineering asset management. Int J Prod Econ 2013;146(1):227‒39. . 10.1016/j.ijpe.2013.07.002

[3]	Love PED, Matthews J. The ‘how’ of benefits management for digital technology: from engineering to asset management. Autom Construct 2019;107:102930. . 10.1016/j.autcon.2019.102930

[4]	Genge B, Siaterlis C, Nai Fovino I, Masera M. A cyber‒physical experimentation environment for the security analysis of networked industrial control systems. Comput Electr Eng 2012;38(5):1146‒61. . 10.1016/j.compeleceng.2012.06.015

[5]	Zhou J, Zhang S, Gu M. Revisiting digital twins: origins, fundamentals, and practices. Front Eng Manag 2022;9(4):668‒76. . 10.1007/s42524-022-0216-2

[6]	Grieves M, Vickers J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems. In: Kahlen FJ, Flumerfelt S, Alves A, editors. Transdisciplinary perspectives on complex systems. Berlin: Springer International Publishing; 2017. p. 85‒113. . 10.1007/978-3-319-38756-7_4

[7]	Mohammadi N, Taylor JE. Thinking fast and slow in disaster decision-making with smart city digital twins. Nat Comput Sci 2021;1(12):771‒3. . 10.1038/s43588-021-00174-0

[8]	Wang L, Deng T, Shen ZJM, Hu H, Qi Y. Digital twin-driven smart supply chain. Front Eng Manag 2022;9(1):56‒70. . 10.1007/s42524-021-0186-9

[9]	Human C, Basson AH, Kruger K. A design framework for a system of digital twins and services. Comput Ind 2023;144:103796. . 10.1016/j.compind.2022.103796

[10]	Niederer SA, Sacks MS, Girolami M, Willcox K. Scaling digital twins from the artisanal to the industrial. Nat Comput Sci 2021;1(5):313‒20. . 10.1038/s43588-021-00072-5

[11]	Cearley D, Walker M, Burke B. Gartner top 10 strategic technology trends for 2017. Stamford: Gartner, Inc.; 2017.

[12]	Cearley D, Burke B, Searle S, Walker M. Gartner top 10 strategic technology trends for 2018. Stamford: Gartner, Inc.; 2017.

[13]	Cearley D, Burke B. Gartner top 10 strategic technology trends for 2019. Stamford: Gartner, Inc.; 2018.

[14]	van der Heiden G, Groombridge D, Willemsen B, Chandrasekaran A. Gartner top 10 strategic technology trends for 2023. Stamford: Gartner, Inc.; 2022. . 10.1002/cprt.31282

[15]	Sharma A, Kosasih E, Zhang J, Brintrup A, Calinescu A. Digital twins: state of the art theory and practice, challenges, and open research questions. J Ind Inf Integr 2022;30:100383. . 10.1016/j.jii.2022.100383

[16]	Arisekola K, Madson K. Digital twins for asset management: social network analysis-based review. Autom Construct 2023;150:104833. . 10.1016/j.autcon.2023.104833

[17]	Broo DG, Bravo-Haro M, Schooling J. Design and implementation of a smart infrastructure digital twin. Autom Construct 2022;136:104171. . 10.1016/j.autcon.2022.104171

[18]	Zhou X, Xu X, Liang W, Zeng Z, Shimizu S, Yang LT, et al. Intelligent small object detection for digital twin in smart manufacturing with industrial cyber‒physical systems. IEEE Trans Industr Inform 2022;18(2):1377‒86. . 10.1109/tii.2021.3061419

[19]	Khan A, Shahid F, Maple C, Ahmad A, Jeon G. Toward smart manufacturing using spiral digital twin framework and twinchain. IEEE Trans Industr Inform 2022;18(2):1359‒66. . 10.1109/tii.2020.3047840

[20]	Bauer P, Stevens B, Hazeleger W. A digital twin of Earth for the green transition. Nat Clim Chang 2021;11(2):80‒3. . 10.1038/s41558-021-00986-y

[21]	Wang L, Törngren M, Onori M. Current status and advancement of cyber‒physical systems in manufacturing. J Manuf Syst 2015;37:517‒27. . 10.1016/j.jmsy.2015.04.008

[22]	Pregnolato M, Gunner S, Voyagaki E, De Risi R, Carhart N, Gavriel G, et al. Towards civil engineering 4.0: concept, workflow and application of digital twins for existing infrastructure. Autom Construct 2022;141:104421. . 10.1016/j.autcon.2022.104421

[23]	Tao F, Qi Q, Wang L, Nee AYC. Digital twins and cyber‒physical systems toward smart manufacturing and Industry 4.0: correlation and comparison. Engineering 2019;5(4):653‒61. . 10.1016/j.eng.2019.01.014

[24]	Love PED, Simpson I, Hill A, Standing C. From justification to evaluation: building information modeling for asset owners. Autom Construct 2013;35:208‒16. . 10.1016/j.autcon.2013.05.008

[25]	Liu X, Liu F, Ren X. Firms’ digitalization in manufacturing and the structure and direction of green innovation. J Environ Manage 2023;335:117525. . 10.1016/j.jenvman.2023.117525

[26]	Xiong W, Fan H, Ma L, Wang C. Challenges of human‒machine collaboration in risky decision-making. Front Eng Manag 2022;9(1):89‒103. . 10.1007/s42524-021-0182-0

[27]	Tzachor A, Sabri S, Richards CE, Rajabifard A, Acuto M. Potential and limitations of digital twins to achieve the sustainable development goals. Nat Sustain 2022;5(10):822‒9. . 10.1038/s41893-022-00923-7

[28]	Project Group of Global Engineering Fronts of Chinese Academy of Engineering. Engineering Fronts 2022. Beijing: Chinese Academy of Engineering; 2022

[29]	Schmidt M, Moreno MV, Schülke A, Macek K, Mařík K, Pastor AG. Optimizing legacy building operation: the evolution into data-driven predictive cyber‒physical systems. Energy Build 2017;148:257‒79. . 10.1016/j.enbuild.2017.05.002

[30]	Dang H, Tatipamula M, Nguyen HX. Cloud-based digital twinning for structural health monitoring using deep learning. IEEE Trans Industr Inform 2022;18(6):3820‒30. . 10.1109/tii.2021.3115119

[31]	Greif T, Stein N, Flath CM. Peeking into the void: digital twins for construction site logistics. Comput Ind 2020;121:103264. . 10.1016/j.compind.2020.103264

[32]	Min Q, Lu Y, Liu Z, Su C, Wang B. Machine learning based digital twin framework for production optimization in petrochemical industry. Int J Inf Manage 2019;49:502‒19. . 10.1016/j.ijinfomgt.2019.05.020

[33]	Jiang F, Ma L, Broyd T, Chen K, Luo H. Underpass clearance checking in highway widening projects using digital twins. Autom Construct 2022;141:104406. . 10.1016/j.autcon.2022.104406

[34]	Jiang Y, Li M, Li M, Liu X, Zhong RY, Pan W, et al. Digital twin-enabled realtime synchronization for planning, scheduling, and execution in precast onsite assembly. Autom Construct 2022;141:104397. . 10.1016/j.autcon.2022.104397

[35]	Jiang Y, Li M, Guo D, Wu W, Zhong RY, Huang GQ. Digital twin-enabled smart modular integrated construction system for on-site assembly. Comput Ind 2022;136:103594. . 10.1016/j.compind.2021.103594

[36]	Jiang F, Ma L, Broyd T, Chen K. Digital twin and its implementations in the civil engineering sector. Autom Construct 2021;130:103838. . 10.1016/j.autcon.2021.103838

[37]	Opoku DGJ, Perera S, Osei-Kyei R, Rashidi M. Digital twin application in the construction industry: a literature review. J Build Eng 2021;40:102726. . 10.1016/j.jobe.2021.102726

[38]	Boje C, Guerriero A, Kubicki S, Rezgui Y. Towards a semantic construction digital twin: directions for future research. Autom Construct 2020;114:103179. . 10.1016/j.autcon.2020.103179

[39]	Kadir BA, Broberg O, da Conceição CS. Current research and future perspectives on human factors and ergonomics in Industry 4.0. Comput Ind Eng 2019;137:106004. . 10.1016/j.cie.2019.106004

[40]	Sackey E, Tuuli M, Dainty A. Sociotechnical systems approach to BIM implementation in a multidisciplinary construction context. J Manage Eng 2015;31(1):A4014005. . 10.1061/(asce)me.1943-5479.0000303

[41]	Kull TJ, Ellis SC, Narasimhan R. Reducing behavioral constraints to supplier integration: a socio-technical systems perspective. J Supply Chain Manag 2013;49(1):64‒86. . 10.1111/jscm.12002

[42]

Trist EL, Bamforth KW. Some social and psychological consequences of the longwall method of coal-getting: an examination of the psychological situation and defences of a work group in relation to the social structure and technological content of the work system. Hum Relat 1951;4(1):3‒38. . 10.1177/001872675100400101

[43]	Griffith TL, Dougherty DJ. Beyond socio-technical systems: introduction to the special issue. J Eng Technol Manage 2001;18(3‒4):207‒18.

[44]	Easton GS, Rosenzweig ED. Team leader experience in improvement teams: a social networks perspective. J Oper Manage 2015;37:13‒30. . 10.1016/j.jom.2015.05.001

[45]	Donabedian A. Evaluating the quality of medical care. Milbank Mem Fund Q 1966;44(3):166‒206. . 10.2307/3348969

[46]	Donabedian A. The quality of care: how can it be assessed? JAMA 1988;260(12):1743‒8. . 10.1001/jama.1988.03410120089033

[47]	Donabedian A. The quality of medical care. Science 1978;200(4344):856‒64. . 10.1126/science.417400

[48]	Liu G, Li N, Deng J, Wang Y, Sun J, Huang Y. The SOLIDS 6G mobile network architecture: driving forces, features, and functional topology. Engineering 2022;8:42‒59. . 10.1016/j.eng.2021.07.013

[49]	Cornford T, Doukidis G, Forster D. Experience with a structure, process and outcome framework for evaluating an information system. Omega 1994;22(5):491‒504. . 10.1016/0305-0483(94)90030-2

[50]	Mariani M, Borghi M. Industry 4.0: a bibliometric review of its managerial intellectual structure and potential evolution in the service industries. Technol Forecast Soc Change 2019;149:119752. . 10.1016/j.techfore.2019.119752

[51]	Venkatesh V, Bala H, Sykes TA. Impacts of information and communication technology implementations on employees’ jobs in service organizations in India: a multi-method longitudinal field study. Prod Oper Manag 2010;19(5):591‒613. . 10.1111/j.1937-5956.2010.01148.x

[52]	Robichau RW, Lynn Jr LE. The implementation of public policy: still the missing link. Policy Stud J 2009;37(1):21‒36. . 10.1111/j.1541-0072.2008.00293.x

[53]	Minnery JR. Modelling coordination. Aust J Public Adm 1988;47(3):253‒62. . 10.1111/j.1467-8500.1988.tb01067.x

[54]	Strosberg MA, Gefenas E, Famenka A. Research ethics review: identifying public policy and program gaps. J Empir Res Hum Res Ethics 2014;9(2):3‒11. . 10.1525/jer.2014.9.2.3

[55]	Tuzovic S. Investigating the concept of potential quality: an exploratory study in the real estate industry. Manag Serv Qual Int J 2008;18(3):255‒71. . 10.1108/09604520810871874

[56]

Ezenwa A, Whiteing A, Johnson D, Oledinma A, Ejem EA. Development of strategies to improve information communication technology diffusion in Nigeria’s logistics and transport industry: adaptation of structure-processoutcome model. Int J Integr Supply Manag 2021;14(4):363‒91. . 10.1504/ijism.2021.118562

[57]	Mourtzis D, Panopoulos N, Angelopoulos J, Wang B, Wang L. Human centric platforms for personalized value creation in metaverse. J Manuf Syst 2022;65:653‒9. . 10.1016/j.jmsy.2022.11.004

[58]	Jbair M, Ahmad B, Maple C, Harrison R. Threat modelling for industrial cyber physical systems in the era of smart manufacturing. Comput Ind 2022;137:103611. . 10.1016/j.compind.2022.103611

[59]	Hunhevicz JJ, Motie M, Hall DM. Digital building twins and blockchain for performance-based (smart) contracts. Autom Construct 2022;133:103981. . 10.1016/j.autcon.2021.103981

[60]	Chang L, Zhang L, Fu C, Chen YW. Transparent digital twin for output control using belief rule base. IEEE Trans Cybern 2021;52(10):10364‒78. . 10.1109/tcyb.2021.3063285

[61]	Keskin B, Salman B, Koseoglu O. Architecting a BIM-based digital twin platform for airport asset management: a model-based system engineering with SysML approach. J Constr Eng Manage 2022;148(5):04022020. . 10.1061/(asce)co.1943-7862.0002271

[62]	Dan D, Ying Y, Ge L. Digital twin system of bridges group based on machine vision fusion monitoring of bridge traffic load. IEEE Trans Intell Transp Syst 2021;23(11):22190‒205. . 10.1109/tits.2021.3130025

[63]	Zhou C, Luo H, Fang W, Wei R, Ding L. Cyberphysical-system-based safety monitoring for blind hoisting with the internet of things: a case study. Autom Construct 2019;97:138‒50. . 10.1016/j.autcon.2018.10.017

[64]	Longo F, Nicoletti L, Padovano A. Ubiquitous knowledge empowers the smart factory: the impacts of a Service-oriented digital twin on enterprises’ performance. Annu Rev Contr 2019;47:221‒36. . 10.1016/j.arcontrol.2019.01.001

[65]	Lu Y, Xu X. Resource virtualization: a core technology for developing cyber‒physical production systems. J Manuf Syst 2018;47:128‒40. . 10.1016/j.jmsy.2018.05.003

[66]	El Marai O, Taleb T, Song L. Roads infrastructure digital twin: a step toward smarter cities realization. IEEE Netw 2020;35(2):136‒43. . 10.1109/mnet.011.2000398

[67]	Lin K, Xu YL, Lu X, Guan Z, Li J. Digital twin-based collapse fragility assessment of a long-span cable-stayed bridge under strong earthquakes. Autom Construct 2021;123:103547. . 10.1016/j.autcon.2020.103547

[68]	Villalonga A, Negri E, Biscardo G, Castano F, Haber RE, Fumagalli L, et al. A decision-making framework for dynamic scheduling of cyber‒physical production systems based on digital twins. Annu Rev Contr 2021;51:357‒73. . 10.1016/j.arcontrol.2021.04.008

[69]	Seilov SZ, Seilov AA, Shyngisov DS, Goikhman VY, Levakov AK, Sokolov NA, et al. The concept of building a network of digital twins to increase the efficiency of complex telecommunication systems. Complexity 2021;2021:9480235. . 10.1155/2021/9480235

[70]	Kim W, Lee G, Son H, Choi H, Youn BD. Estimation of fatigue crack initiation and growth in engineering product development using a digital twin approach. Reliab Eng Syst Saf 2022;226:108721. . 10.1016/j.ress.2022.108721

[71]	Kalantari S, Pourjabar S, Kan J. Developing and user-testing a “digital twins” prototyping tool for architectural design. Autom Construct 2022;135:104140. . 10.1016/j.autcon.2022.104140

[72]	Li M, Lu Q, Bai S, Zhang M, Tian H, Qin L. Digital twin-driven virtual sensor approach for safe construction operations of trailing suction hopper dredger. Autom Construct 2021;132:103961. . 10.1016/j.autcon.2021.103961

[73]	Lei Z, Zhou H, Hu W, Liu GP, Guan S, Feng X. Toward a web-based digital twin thermal power plant. IEEE Trans Industr Inform 2022;18(3):1716‒25. . 10.1109/tii.2021.3086149

[74]	Chiachio M, Megia M, Chiachio J, Fernandez J, Jalon ML. Structural digital twin framework: formulation and technology integration. Autom Construct 2022;140:104333. . 10.1016/j.autcon.2022.104333

[75]	Lu Q, Xie X, Parlikad AK, Schooling JM. Digital twin-enabled anomaly detection for built asset monitoring in operation and maintenance. Autom Construct 2020;118:103277. . 10.1016/j.autcon.2020.103277

[76]	Jiang F, Ding Y, Song Y, Geng F, Wang Z. Digital twin-driven framework for fatigue life prediction of steel bridges using a probabilistic multiscale model: application to segmental orthotropic steel deck specimen. Eng Struct 2021;241(15):112461. . 10.1016/j.engstruct.2021.112461

[77]	Liao M, Renaud G, Bombardier Y. Airframe digital twin technology adaptability assessment and technology demonstration. Eng Fract Mech 2020;225(15):106793. . 10.1016/j.engfracmech.2019.106793

[78]	Lee D, Lee SH, Masoud N, Krishnan MS, Li VC. Integrated digital twin and blockchain framework to support accountable information sharing in construction projects. Autom Construct 2021;127:103688. . 10.1016/j.autcon.2021.103688

[79]	Zhang J, Cheng JCP, Chen W, Chen K. Digital twins for construction sites: concepts, LoD definition, and applications. J Manage Eng 2022;38(2):04021094. . 10.1061/(asce)me.1943-5479.0000948

[80]	Park KT, Son YH, Noh SD. The architectural framework of a cyber physical logistics system for digital-twin-based supply chain control. Int J Prod Res 2021;59(19):5721‒42. . 10.1080/00207543.2020.1788738

[81]	Xie G, Yang K, Xu C, Li R, Hu S. Digital twinning based adaptive development environment for automotive cyberphysical systems. IEEE Trans Industr Inform 2022;18(2):1387‒96. . 10.1109/tii.2021.3064364

[82]	Wang W, Guo H, Li X, Tang S, Li Y, Xie L, et al. BIM information integration based VR modeling in digital twins in Industry 5.0. J Ind Inf Integr 2022;28:100351. . 10.1016/j.jii.2022.100351

[83]	Booyse W, Wilke DN, Heyns S. Deep digital twins for detection, diagnostics and prognostics. Mech Syst Signal Process 2020;140:106612. . 10.1016/j.ymssp.2019.106612

[84]	Wang W, Guo H, Li X, Tang S, Xia J, Lv Z. Deep learning for assessment of environmental satisfaction using BIM big data in energy efficient building digital twins. Sustain Energy Technol Assess 2022;50:101897. . 10.1016/j.seta.2021.101897

[85]	Tariq R, Torres-Aguilar CE, Sheikh NA, Ahmad T, Xamán J, Bassam A. Data engineering for digital twining and optimization of naturally ventilated solar facade with phase changing material under global projection scenarios. Renew Energy 2022;187:1184‒203. . 10.1016/j.renene.2022.01.044

[86]	Huang S, Wang G, Yan Y. Building blocks for digital twin of reconfigurable machine tools from design perspective. Int J Prod Res 2022;60(3):942‒56. . 10.1080/00207543.2020.1847340

[87]	Park KT, Jeon SW, Noh SD. Digital twin application with horizontal coordination for reinforcement-learning-based production control in a reentrant job shop. Int J Prod Res 2022;60(7):2151‒67. . 10.1080/00207543.2021.1884309

[88]	Kellenbrink C, Nübel N, Schnabel A, Gilge P, Seume JR, Denkena B, et al. A regeneration process chain with an integrated decision support system for individual regeneration processes based on a virtual twin. Int J Prod Res 2022;60(13):4137‒58. . 10.1080/00207543.2022.2051089

[89]	Li J, Zhang Y, Qian C. The enhanced resource modeling and real-time transmission technologies for digital twin based on QoS considerations. Robot Comput-Integr Manuf 2022;75:102284. . 10.1016/j.rcim.2021.102284

[90]	Negri E, Pandhare V, Cattaneo L, Singh J, Macchi M, Lee J. Field-synchronized digital twin framework for production scheduling with uncertainty. J Intell Manuf 2021;32(4):1207‒28. . 10.1007/s10845-020-01685-9

[91]	Tao F, Sui F, Liu A, Qi Q, Zhang M, Song B, et al. Digital twin-driven product design framework. Int J Prod Res 2019;57(12):3935‒53. . 10.1080/00207543.2018.1443229

[92]	Savić D. Digital water developments and lessons learned from automation in the car and aircraft industries. Engineering 2022;9:35‒41. . 10.1016/j.eng.2021.05.013

[93]	Murray A, Rhymer J, Sirmon DG. Humans and technology: forms of conjoined agency in organizations. Acad Manage Rev 2021;46(3):552‒71. . 10.5465/amr.2019.0186

[94]	Xie J, Liu S, Wang X. Framework for a closed-loop cooperative human cyber‒physical system for the mining industry driven by VR and AR: MHCPS. Comput Ind Eng 2022;168:108050. . 10.1016/j.cie.2022.108050

[95]	Liu J, Liu J, Zhuang C, Liu Z, Miao T. Construction method of shop-floor digital twin based on MBSE. J Manuf Syst 2021;60:93‒118. . 10.1016/j.jmsy.2021.05.004

[96]	Abdelrahman MM, Miller C. Targeting occupant feedback using digital twins: adaptive spatial‒temporal thermal preference sampling to optimize personal comfort models. Build Environ 2022;218:109090. . 10.1016/j.buildenv.2022.109090

[97]	Liu X, Zheng L, Wang Y, Yang W, Jiang Z, Wang B, et al. Human-centric collaborative assembly system for large-scale space deployable mechanism driven by digital twins and wearable AR devices. J Manuf Syst 2022;65:720‒42. . 10.1016/j.jmsy.2022.11.007

[98]	Gnecco VM, Vittori F, Pisello AL. Digital twins for decoding human-building interaction in multi-domain test-rooms for environmental comfort and energy saving via graph representation. Energy Build 2023;279(15):112652. . 10.1016/j.enbuild.2022.112652

[99]	Du J, Zhu Q, Shi Y, Wang Q, Lin Y, Zhao D. Cognition digital twins for personalized information systems of smart cities: proof of concept. J Manage Eng 2020;36(2):04019052. . 10.1061/(asce)me.1943-5479.0000740

[100]

Cheng B, Fan C, Fu H, Huang J, Chen H, Luo X. Measuring and computing cognitive statuses of construction workers based on electroencephalogram: a critical review. IEEE Trans Comput Soc Syst 2022;9(6):1644‒59. . 10.1109/tcss.2022.3158585

[101]

Lu Y, Adrados JS, Chand SS, Wang L. Humans are not machines—anthropocentric human‒machine symbiosis for ultra-flexible smart. Manuf Eng 2021;7(6):734‒7.

[102]

Wu S, Hou L, Zhang G, Chen H. Real-time mixed reality-based visual warning for construction workforce safety. Autom Construct 2022;139:104252. . 10.1016/j.autcon.2022.104252

[103]

Jiang W, Ding L, Zhou C. Digital twin: stability analysis for tower crane hoisting safety with a scale model. Autom Construct 2022;138:104257. . 10.1016/j.autcon.2022.104257

[104]

Pan Y, Zhang L. A BIM-data mining integrated digital twin framework for advanced project management. Autom Construct 2021;124:103564. . 10.1016/j.autcon.2021.103564

[105]

Yuan X, Anumba CJ, Parfitt MK. Cyber‒physical systems for temporary structure monitoring. Autom Construct 2016;66:1‒14. . 10.1016/j.autcon.2016.02.005

[106]

Liu J, Zhang L, Li C, Bai J, Lv H, Lv Z. Blockchain-based secure communication of intelligent transportation digital twins system. IEEE Trans Intell Transp Syst 2022;23(11):22630‒40. . 10.1109/tits.2022.3183379

[107]

Huynh-The T, Pham QV, Pham XQ, Nguyen TT, Han Z, Kim DS. Artificial intelligence for the metaverse: a survey. Eng Appl Artif Intell 2023;117:105581. . 10.1016/j.engappai.2022.105581

[108]

Akanmu AA, Olayiwola J, Ogunseiju O, McFeeters D. Cyber‒physical postural training system for construction workers. Autom Construct 2020;117:103272. . 10.1016/j.autcon.2020.103272

[109]

Hu F, Qiu X, Jing G, Tang J, Zhu Y. Digital twin-based decision making paradigm of raise boring method. J Intell Manuf 2022;34(5):2387‒405. . 10.1007/s10845-022-01941-0

[110]

Jiang Y, Liu X, Kang K, Wang Z, Zhong RY, Huang GQ. Blockchain-enabled cyber‒physical smart modular integrated construction. Comput Ind 2021;133:103553. . 10.1016/j.compind.2021.103553

[111]

Shahinmoghadam M, Natephra W, Motamedi A. BIM- and IoT-based virtual reality tool for real-time thermal comfort assessment in building enclosures. Build Environ 2021;199(15):107905. . 10.1016/j.buildenv.2021.107905

[112]

Abdelrahman MM, Chong A, Miller C. Personal thermal comfort models using digital twins: preference prediction with BIM-extracted spatial-temporal proximity data from Build2Vec. Build Environ 2022;207:108532. . 10.1016/j.buildenv.2021.108532

[113]

Coronado PDU, Lynn R, Louhichi W, Parto M, Wescoat E, Kurfess T. Part data integration in the shop floor digital twin: mobile and cloud technologies to enable a manufacturing execution system. J Manuf Syst 2018;48:25‒33. . 10.1016/j.jmsy.2018.02.002

[114]

Liu M, Zhang B, Bi J. Appreciating the role of big data in the modernization of environmental governance. Front Eng Manag 2022;9(1):163‒9. . 10.1007/s42524-021-0185-x

[115]

O’Dwyer E, Pan I, Charlesworth R, Butler S, Shah N. Integration of an energy management tool and digital twin for coordination and control of multivector smart energy systems. Sustain Cities Soc 2020;62:102412. . 10.1016/j.scs.2020.102412

[116]

Meske C, Osmundsen KS, Junglas I. Designing and implementing digital twins in the energy grid sector. MIS Q Exec 2021;20(3):183‒98.

[117]

Deren L, Wenbo Y, Zhenfeng S. Smart city based on digital twins. Comput Urban Soc 2021;1:4. . 10.1007/s43762-021-00005-y

[118]

Chen X, Tang X, Xu X. Digital technology-driven smart society governance mechanism and practice exploration. Front Eng Manag 2023;10(2):319‒38. . 10.1007/s42524-022-0200-x

[119]

Grübel J, Thrash T, Aguilar L, Gath-Morad M, Chatain J, Sumner RW, et al. The Hitchhiker’s guide to fused twins: a review of access to digital twins in situ in smart cities. Remote Sens 2022;14(13):3095. . 10.3390/rs14133095

[120]

Wang B, Tao F, Fang X, Liu C, Liu Y, Freiheit T. Smart manufacturing and intelligent manufacturing: a comparative review. Engineering 2021;7(6):738‒57. . 10.1016/j.eng.2020.07.017

[121]

Fan C, Zhang C, Yahja A, Mostafavi A. Disaster city digital twin: a vision for integrating artificial and human intelligence for disaster management. Int J Inf Manage 2021;56:102049. . 10.1016/j.ijinfomgt.2019.102049

[122]

Nativi S, Mazzetti P, Craglia M. Digital ecosystems for developing digital twins of the earth: the destination earth case. Remote Sens 2021;13(11):2119. . 10.3390/rs13112119

[123]

Ham Y, Kim J. Participatory sensing and digital twin city: updating virtual city models for enhanced risk-informed decision-making. J Manage Eng 2020;36(3):04020005. . 10.1061/(asce)me.1943-5479.0000748

[124]

White G, Zink A, Codeca L, Clarke S. A digital twin smart city for citizen feedback. Cities 2021;110:103064. . 10.1016/j.cities.2020.103064

[125]

Yildiz E, Møller C, Bilberg A. Conceptual foundations and extension of digital twin-based virtual factory to virtual enterprise. Int J Adv Manuf Technol 2022;121(3‒4):2317‒33.

[126]

Lu Y, Liu Z, Min Q. A digital twin-enabled value stream mapping approach for production process reengineering in SMEs. Int J Comput Integrated Manuf 2021;34(7‒8):764‒82.

[127]

Lu Q, Parlikad AK, Woodall P, Don Ranasinghe G, Xie X, Liang Z, et al. Developing a digital twin at building and city levels: case study of west cambridge campus. J Manage Eng 2020;36(3):05020004. . 10.1061/(asce)me.1943-5479.0000763

[128]

Zhang K, Chen H, Dai HN, Liu H, Lin Z. SpoVis: decision support system for site selection of sports facilities in digital twinning cities. IEEE Trans Industr Inform 2022;18(2):1424‒34. . 10.1109/tii.2021.3089330

[129]

Park J, Choi W, Jeong T, Seo J. Digital twins and land management in Republic of Korea. Land Use Policy 2023;124:106442. . 10.1016/j.landusepol.2022.106442

[130]

Huang W, Zhang Y, Zeng W. Development and application of digital twin technology for integrated regional energy systems in smart cities. Sustain Comput Inform Syst 2022;36:100781. . 10.1016/j.suscom.2022.100781

[131]

Lee A, Lee KW, Kim KH, Shin SW. A geospatial platform to manage large-scale individual mobility for an urban digital twin platform. Remote Sens 2022;14(3):723. . 10.3390/rs14030723

[132]

Bi Z, Zhang CWJ, Wu C, Li L. New digital triad (DT-II) concept for lifecycle information integration of sustainable manufacturing systems. J Ind Inf Integr 2022;26:100316. . 10.1016/j.jii.2021.100316

[133]

Suvarna M, Yap KS, Yang W, Li J, Ng YT, Wang X. Cyber‒physical production systems for data-driven, decentralized, and secure manufacturing—a perspective. Engineering 2021;7(9):1212‒23. . 10.1016/j.eng.2021.04.021

[134]

Qin Y, Cao Z, Sun Y, Kou L, Zhao X, Wu Y, et al. Research on active safety methodologies for intelligent railway systems. Engineering. In press. . 10.1016/j.eng.2022.06.025

[135]

Ritto TG, Rochinha FA. Digital twin, physics-based model, and machine learning applied to damage detection in structures. Mech Syst Signal Process 2021;155(16):107614. . 10.1016/j.ymssp.2021.107614

[136]

Zhang J, Kwok HHL, Luo H, Tong JCK, Cheng JCP. Automatic relative humidity optimization in underground heritage sites through ventilation system based on digital twins. Build Environ 2022;216:108999. . 10.1016/j.buildenv.2022.108999

[137]

Licklider JC. Mancomputer symbiosis. IRE Trans Hum Factors Electron 1960; HFE-1(1):4‒11. . 10.1109/thfe2.1960.4503259

[138]

Mothukuri V, Khare P, Parizi RM, Pouriyeh S, Dehghantanha A, Srivastava G. Federated-learning-based anomaly detection for IoT security attacks. IEEE Internet Things J 2021;9(4):2545‒54. . 10.1109/jiot.2021.3077803

[139]

Yang Z, Chen M, Wong KK, Poor HV, Cui S. Federated learning for 6G: applications, challenges, and opportunities. Engineering 2022;8:33‒41. . 10.1016/j.eng.2021.12.002

[140]

Xu J, Lu W, Wu L, Lou J, Li X. Balancing privacy and occupational safety and health in construction: a blockchain-enabled P-OSH deployment framework. Saf Sci 2022;154:105860. . 10.1016/j.ssci.2022.105860

[141]

Altun C, Tavli B, Yanikomeroglu H. Liberalization of digital twins of IoTenabled home appliances via blockchains and absolute ownership rights. IEEE Commun Mag 2019;57(12):65‒71. . 10.1109/mcom.001.1900072

[142]

Naderi H, Shojaei A. Digital twinning of civil infrastructures: current state of model architectures, interoperability solutions, and future prospects. Autom Construct 2023;149:104785. . 10.1016/j.autcon.2023.104785

[143]

Liu M, Fang S, Dong H, Xu C. Review of digital twin about concepts, technologies, and industrial applications. J Manuf Syst 2021;58:346‒61. . 10.1016/j.jmsy.2020.06.017

[144]

Parmar R, Leiponen A, Thomas LDW. Building an organizational digital twin. Bus Horiz 2020;63(6):725‒36. . 10.1016/j.bushor.2020.08.001

[145]

Nochta T, Wan L, Schooling JM, Parlikad AK. A socio-technical perspective on urban analytics: the case of city-scale digital twins. J Urban Technol 2021;28(1‒2):263‒87.

[146]

Ravid BY, Aharon-Gutman M. The social digital twin: the social turn in the field of smart cities. Environ Plan B Urban Anal City Sci 2022;50(6): 1455‒70. . 10.1177/23998083221137079

[147]

Xu X, Lu Y, Vogel-Heuser B, Wang L. Industry 4.0 and Industry 5.0—inception, conception and perception. J Manuf Syst 2021;61:530‒5. . 10.1016/j.jmsy.2021.10.006