计算机集成制造系统

Computer Integrated Manufacturing Systems

ISSN 1006-5911,CN 11-5946/TP

《计算机集成制造系统》网络首发论文

题目： 基于科学知识图谱的数字孪生发展可视化分析
作者： 刘晓冰，王姝婷，白朝阳
收稿日期： 2020-07-22
网络首发日期： 2021-06-22
引用格式： 刘晓冰，王姝婷，白朝阳．基于科学知识图谱的数字孪生发展可视化分析．计
算机集成制造系统.
https://kns.cnki.net/kcms/detail/11.5946.TP.20210622.0938.002.html

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间：2021-06-22 11:20:05
网络首发地址：https://kns.cnki.net/kcms/detail/11.5946.TP.20210622.0938.002.html

基于科学知识图谱的数字孪生发展可视化分析

1,2 1,2+ 1,2

刘晓冰 ，王姝婷 ，白朝阳
（1. 大连理工大学 制造管理信息化技术国家地方联合工程实验室，辽宁 大连 116024；
2. 大连理工大学 经济管理学院，辽宁 大连，116024）

摘 要：随着工业 4.0、智能制造等技术与发展战略的出台，近年来数字孪生领域的研究与应
用探索逐渐成为研究热点。本文通过定量化与可视化的文献计量分析方法，对 WoS 数据库
中数字孪生领域的研究成果进行梳理，并运用科学计量理论算法与可视化分析软件对数字孪
生领域的文献外部特征进行分析，并讨论了领域的研究热点以及热点演进趋势，由此提出领
域的研究趋势展望，为关注数字孪生领域的学者与企业实践者提供参考。
关键词：数字孪生；知识图谱；可视化分析；研究热点；领域前沿
中图分类号：G353.11 文献标识码：A

Visual analysis of digital twin development based on

scientific knowledge graph

LIU Xiaobing1,2，WANG Shuting1,2+，BAI Zhaoyang1,2

(1.National and Local Joint Engineering Laboratory of Manufacturing Management
Information Technology, Dalian University of Technology, Dalian 116024, China；
2.School of Economics and Management, Dalian University of Technology, Dalian
116024,China)

Abstract:With the introduction of industry 4.0, intelligent manufacturing and other

technologies and development strategies, the research and application exploration in the
field of digital twin has gradually become a research hotspot in recent years. In this
paper, through the quantitative and visual bibliometric analysis method, this paper
combs the research results in the field of digital twins in wos database, and analyzes the
external characteristics of the literature in the field of digital twins by using the scientific
metrology theory algorithm and visual analysis software, and discusses the research
hotspots and hot spots evolution trend in the field, and puts forward the research trend
prospect of the field Scholars and enterprise practitioners who pay attention to the field
of digital twin provide reference.
Keywords: digital twin; knowledge map; visual analysis; research hotspot; field frontier

0 引言
大数据、物联网等新一代信息技术的发展对制造业的数字化、网络化、智能化进程起到
了关键推动作用。随着“工业互联网”、 “工业 4.0”、 “中国制造 2025”等制造战略的提出，

收稿日期：2020-07-22；修订日期：2021-05-27。Received 22 July 2020;accepted 27 May 2021.

基金项目：国家社会科学基金项目（19BGL029）。Foundation item：Project supported by the National Social
Science Fundation, China (No.19BGL029).
以智能制造为主体的第四次工业革命已经来临。智能制造是制造业变革的潮流与趋势，而数
字孪生作为制造领域的前沿科学技术，已逐渐成为智能制造的关键使能技术。数字孪生
（digital twin）是指以数字化的方式构建物理实体的虚拟模型，并对物理实体在现实环境中
的行为进行模拟，借助虚实交互反馈、数据融合分析、决策迭代优化等手段，扩展物理实体
的能力，为客户提供更实时、更智能的服务。党的十九大报告指出要加快建设制造强国，推
动生产过程的智能化发展。在此背景下，数字孪生领域具有巨大的发展潜力，其定义、应用
范围、研究热点和演进趋势均是智能制造领域的热点问题。
目前，已经有部分学者采用文献计量方法分析了数字孪生领域的研究进展。管文玉等[1]
对数字孪生领域的 210 篇文献进行分析，基于 CiteSpace 构建了可视化知识图谱，提出领域
内的趋势及热点。陈勇等[2]也基于文献计量的方法对 486 篇文献的研究领域、期刊、关键词
等模块进行了详细分析，探寻了数字孪生领域的应用前景。郭洪飞等 [3]扩大检索范围，对
Web of Science 和 Google Scholar 两个数据库中的文献进行检索分析，提出未来的数字孪生
领域的研究应聚焦于海量数据共享、统一建模标准、驱动智能制造等方面。
数字孪生领域的理论探索与应用推广是一个长期深化演进的过程，由于现阶段数字孪生
正处于大发展时期，近两年的文献数量呈激增状态，亟需对现有研究成果进行梳理，分析数
字孪生领域的趋势发展脉络，探寻领域内的最新研究方向与热点。因此，本文对数字孪生领
域的研究成果进行人工手动清洗与梳理，同时采用科学计量理论中的算法与科学知识图谱可
视化软件分析数字孪生领域的文献总体发展趋势及来源情况，梳理数字孪生领域研究的核心
研究主题与学科知识结构，探索领域内研究热点的演化趋势，以期为数字孪生未来的发展提
供建议，也为领域内学者和企业实践者提供参考借鉴。

1 数据来源与研究方法
为全面掌握数字孪生领域的研究脉络，获取高质量的文献数据，本文采用汤森路透旗下
的 Web of Science（WoS）核心合集数据库作为检索源，该数据库是国际公认可反应科学研
究水准的数据库，是科研人员掌握领域内研究趋势及最新进展的重要工具。
2003 年，Michael Grieves 教授于美国密歇根大学的产品生命周期管理课程上提出“与物
理产品等价的虚拟数字化表达”的概念[4]，这一概念后被称为镜像空间模型（mirrored spaced
model）[5]与信息镜像模型（information mirroring model）[6]，此时的模型已经具备了数字孪
生的基本组成要素，被视为数字孪生的雏形。2011 年，Grieves 教授正式提出了数字孪生的
概念[7]，其概念模型包含了物理空间的产品、虚拟空间的产品以及二者间的信息数据接口。
因此，本文首先将“mirrored spaced model”与“information mirroring model”作为主题词在
WoS 数据库核心合集中进行检索，并未找到与之相关的有效文献记录。其次，数字孪生可
翻译为“digital twin”或“digital twins”，因而将上述两个关键词在 WoS 数据库核心合集中作为
主题词进行检索。此外，由于数字孪生的概念提出于 2011 年，设定检索时间跨度为 2011—
2020 年，检索时间为 2020 年 11 月 26 日，共得到 1372 条文献记录，筛除重复、信息不全
的文献，最终得到有效文献记录 1359 条。
在研究方法上，本文采用定性与定量相结合的方法，基于文献计量学方法并借助 Web of
Science 数据库分析工具对数字孪生领域的文献进行年度发文量统计。利用德雷塞尔大学陈
超美教授开发的 CiteSpace 系列应用软件进行作者合作分析、发文机构分析、来源出版物分
析、关键词共现分析和聚类分析等。CiteSpace 基于共引分析理论和寻径网络算法对领域内
文献进行计量，探寻热点演化的关键路径及拐点，并通过绘制可视化图谱对学科演化的潜在
动力机制及发展前沿进行分析，本文的整体研究设计如图 1 所示。

研究分析开始
第一次检索结果
关键词： mirrored spaced model = 0篇论文 步骤1
第二次检索结果
WoS 关键词： information mirroring model = 0篇论文 步骤2
数据库 第三次检索结果
关键词： digital twin OR digital twins = 1372篇文献 步骤3

筛选 步骤4
供进一步分析的论文总数 1359篇文献

发文数量趋势分析

核心作者与作者间合作分析

核心发文机构与机构间合作分析

CiteSpace 来源出版物分析 步骤5

可视化分析 学科分析

关键词共现分析

年度热词与突现词分析

可视化聚类分析

研究热点演进分析

结论与研究
研究分析结束 展示研究结果
趋势展望

第6章 第3至5章

步骤7 步骤6

图 1 文章总体研究设计图

2 数字孪生文献总体趋势分析
对 1359 条文献记录的发表年份进行统计整理，绘制出数字孪生领域的文献数量趋势图，
如图 2。该图将年份与该年发表的文献数量对应，同时添加了数字孪生领域的重要事件节点，
因尚无法统计 2020 年全年发文数量，故不在图中显示。普莱斯文献指数增长规律指出，在
某领域诞生初期，领域内文献数量的增长处于不稳定阶段；当该领域进入快速发展时期，文
献数量呈现指数增长；当该领域的理论处于成熟阶段，文献数量则增长相对缓慢，呈现线性
增长；随着该领域的学科理论完善，领域内的文献数量将日趋减少。基于数字孪生领域的文
献数量变化趋势可知，数字孪生领域的文献在近几年呈指数增长，处于大发展时期。
通过对图 2 中文献数量与重要事件节点的分析，将数字孪生的发展划分为三个阶段：
（1）2014 年之前为第一阶段。虽然数字孪生的概念于 2011 年被提出，但当时几乎没
有相关的文献研究，而随着美国工业互联网联盟将数字孪生作为工业互联网落地的核心和关
键，德国工业 4.0 参考架构将数字孪生作为重要内容，出现了部分关于数字孪生的研究，但
相关文献数量非常少，此时的数字孪生并未受到广泛关注，处于概念提出时期。
（2）从 2014 年至 2016 年为第二阶段。此阶段文献数量出现了小范围的逐年增长，相
对应的重要事件节点包括数字孪生第一份白皮书的正式发表，国务院正式印发《中国制造
2025》并指出“将智能制造作为两化融合的主攻方向，推进生产过程智能化，培育新型生产
方式，提升企业研发、生产、管理和服务的智能化水平”。此外，考虑到文献撰写和出版需
要一定的时间周期，文献数量相对于重要时间节点存在滞后性，虽然文献数量仍然不多，但
已经出现了明显的上升趋势。在此背景下，数字孪生作为未来数字化企业发展的关键技术已
成为智能制造发展的新抓手。
（3）2016 年之后为第三阶段。此阶段数字孪生领域的文献数量出现了爆发性增长，2018
年和 2019 年相比上一年度的文献数量增幅分别达 266.2％与 119.3％，数字孪生进入了快速
发展时期，受到了领域内咨询公司、学术联合体及工业企业的广泛关注，西门子、达索、
GE 等企业开始部署并使用数字孪生，同时，数字孪生也逐步深入细化到多个专业领域的发
展与规划中。

图 2WoS 数据库数字孪生文献发表数量趋势图
3 数字孪生的文献来源情况分析
3.1 核心作者与作者间合作分析
通过对领域内高产作者及作者间合作关系的分析可以找出该领域具有影响力的学者及
其合作情况，便于追溯团队的研究脉络。公式（1）是学术界常用来确定领域内核心作者的
普莱斯定律公式[8]。

（ ）
（1）

公式（1）中 是指该领域的核心作者发文量临界值， 是指发文量最高作者的论文

数量。根据普莱斯定律，数字孪生领域发文数量最多是学者陶飞，发表了 17 篇文献，即
=17，根据公式（1）计算得 =6.3665，故发文量大于等于 7 的作者是该领域的核心作
者，数字孪生领域的核心作者共 8 人，具体如表 1 所示。

表 1WoS 数据库数字孪生领域的核心作者统计

序号 作者 单位 发表篇数
1 Tao, Fei 北京航空航天大学 15
2 Rossmann, Juergen 德国亚琛工业大学 13
3 Soderberg, Rikard 瑞典查尔姆斯理工大学 13
4 Liu, Qiang 广东工业大学 10
5 Qi, Qinglin 北京航空航天大学 8
6 Warmefjord, Kristina 瑞典查尔姆斯理工大学 8
7 Leng, Jiewu 广东工业大学 8
8 Weyrich, Michael 德国斯图加特大学 8

运用 CiteSpace 绘制数字孪生领域的作者合作网络图，如图 3 所示。从图中可看出，数

字孪生领域存在部分研究团队，结合表 1 中对核心作者的统计，将合作紧密的核心作者视为
一个研究团队，通过对核心作者发表文献的梳理，可总结出如下四个研究核心团队：
（1）以陶飞（Tao, Fei）教授为核心，由戚庆林（Qi, Qinglin）、张萌（Zhang, Meng）
等学者组成的团队[9-11]提出了数字孪生车间的概念，研究了孪生车间的运行机理和实现方
法，讨论了基于数字孪生的产品设计模式，构建了数字孪生驱动的产品设计框架，此外还进
行了数字孪生应用领域及未来发展趋势探索等研究。
（2）由刘强（Liu, Qiang）、冷杰武（Leng, Jiewu）、陈新（Chen, Xin）等[12-14]学者
组成的团队提出了数字孪生驱动的自动化流水车间制造系统快速个性化设计方法，同时将数
字孪生应用于大型自动化高层仓库产品服务系统的优化中，通过在线感知数据进行联合优化
决策，提升系统的利用率和效率，此外还提出了应用于智能车间并行控制的数字孪生制造网
络物理系统。
（3）由 Soderberg, Rikard、Warmefjord, Kristina、Lindkvist, Lars 等[15-17]学者组成的团队
在研究中多聚焦于如何基于数字孪生提高产品的几何质量，该团队构建了能够确保产品具有
良好几何质量的数字孪生模型，研究了数字孪生环境下识别几何焊接点的方法，提出了基于
数字孪生对装配夹具进行个性化定位的调整方法，实现装配几何质量的有效提升。
（4）由 Zheng, Pai，Chen, Chun-Hsien 等[18-19]学者组成的团队系统分析了数字孪生领域
的研究成果，构建了数字孪生的参考模型，确定了数字孪生领域的八个未来前景，提出了基
于数字模型、计算模型与图形模型的产品级数字孪生开发方法。
数字孪生领域 8 位核心作者发文总数量为 83 篇，占所有文献数量的 6.1％，远低于普莱
斯定律中提出的“在同一主题中，半数的论文为一群高生产能力作者所撰”，说明现阶段数字
孪生领域的学者间虽然存在合作交流，但合作规模相对较小，未形成核心作者集群，不同团
队的学者间应增强合作，扩大研究团队规模。

图 3WoS 数据库数字孪生作者合作网络图

3.2 核心发文机构与机构间合作分析
通过对科研机构之间合作网络的分析，可以更深入地研究知识的演化路径，帮助学者们
了解在该领域科研能力强、学术贡献大的机构，为机构间寻求合作，深化和发展该领域学术
研究提供帮助。表 2 统计了数字孪生领域发文数量最高的十个机构，其中发文数量最高的三
个机构分别是德国亚琛工业大学、北京航空航天大学与查尔姆斯理工大学。

表 2 WoS 数据库数字孪生领域文献发文机构统计

序号 机构 发表篇数
1 RWTH Aachen University 32
2 Beihang University 22
3 Chalmers University of Technology 21
4 Polytechnic University of Milan 18
5 Siemens AG 16
6 Cranfield University 16
 7 University of Stuttgart 15
8 Budapest University of Technologyand Economics 14
9 University of Cambridge 13
10 The University of Sheffield 13

通过 CiteSpace 绘制数字孪生领域的发文机构合作网络图，如图 4 所示。从图中可看出，

数字孪生领域的各机构间存在一定合作关系，发文数量最多的德国亚琛工业大学（ RWTH
Aachen University）与德国凯泽斯劳滕大学（TU Kaiserslautern）、德国布伦瑞克工业大学（TU

Braunschweig）、德国 Fraunhofer IPT 研究所等机构均建立了合作关系；发文数量第二的北

京航空航天大学与密歇根大学（The University of Michigan）、新南威尔士大学（The University
of New South Wales）、新加坡国立大学（Natl Univ Singapore）等机构建立了国际合作关系；
而发文数量第三的查尔姆斯理工大学（Chalmers University of Technology）与发文数量第四的
米兰理工大学（Polytechnic University of Milan）建立了非常紧密的合作关系；此外，西门子

公司（Siemens AG）作为数字孪生领域的典型应用企业，与斯图加特大学（University of
Stuttgart）建立了非常紧密的校企合作关系，推动数字孪生从概念模型向应用领域的转换。
因此，现阶段数字孪生领域的各研究机构间存在一定的国际合作交流，通过校企、校校间的
国际合作交流可以使数字孪生向更深层次发展，因而各科研机构应继续加强合作，进一步深
化数字孪生的框架模型，并推动其在企业层面的实施应用。

图 4WoS 数据库数字孪生发文机构合作关系图

3.3 来源出版物分析
来源出版物的统计可以帮助相关领域学者找到搜集针对性资料的平台，也有助于了解领
域的核心期刊分布。表 3 总结了数字孪生领域刊文量前 10 名的出版物名称。基于布拉福德
定律计算出领域内的核心期刊，布拉福德定律（Bradford's Law）按照期刊载文量的高低排
序，可将领域内的学术期刊分为核心区、相关区、非相关区，公式（2）是比利时情报学家
埃格黑提出的布拉福德核心区期刊数量计算公式。

（2）
公式（2）中 为欧拉系数（ =0.5772）， 为发文量最大期刊的载文量，由此计算得 ，
因此数字孪生领域刊文量前 9 的期刊处于核心区，由表 3 可知核心区的出版物共刊文 287
篇，占发文总量的 21.12％，低于布拉福德定律中核心区期刊所刊文献量需占总刊文量 1/3
的要求，说明数字孪生领域的研究成果分布略分散，发文数量较高的出版物多为会议论文，
同时，现有数字孪生领域的文献多发表于与制造、工程技术行业相关的期刊，但仍未形成大
规模的主流核心区期刊。
表 3WoS 数据库数字孪生领域来源出版物统计

序号 出版物名称 发表篇数 文献比例

1 PROCEDIA CIRP 61 4.49%
2 IEEE ACCESS 46 3.38%
3 IFAC PAPERSONLINE 30 2.21%
4 PROCEDIA MANUFACTURING 29 2.13%
5 ATP MAGAZINE 28 2.06%
6 APPLIED SCIENCES BASEL 25 1.84%
7 SENSORS 24 1.77%
8 ERCIM NEWS 22 1.62%
INTERNATIONAL JOURNAL OF COMPUTER INTEGRATED
9 22 1.62%
MANUFACTURING
INTERNATIONAL JOURNAL OF ADVANCED
10 21 1.55%
MANUFACTURING TECHNOLOGY

3.4 学科分析
CiteSpace 中的双图叠加分析旨在揭示某领域的学科与全球科学文献地图的相关性。图
5 显示了数字孪生所处的学科领域，图左侧代表施引文献的期刊分布类群，表示数字孪生领
域的主要学科，数字孪生领域施引文献主要来自 mathematics, systems, mathematical。图右侧
代表被引期刊类群，表示数字孪生领域主要引用了哪些学科，这些学科表示了数字孪生领域
的研究基础，数字孪生领域主要引用的学科是 systems, computing, computer，因此，计算机、
系统学可以视为数字孪生领域的研究基础。
 图 5 数字孪生领域双图叠加图

4 数字孪生研究热点分析
4.1 关键词共现分析
关键词共现分析是探索学科领域知识结构的重要研究方法，该方法通过对文献中关键词
的统计分析探寻领域内各主题间的联系[20]。公式（3）是根据齐普夫定律推导的高低词频临
界值模型，可计算出领域内的高低词频临界值[21]。

√
（3）

公式（3）中 表示领域内词频为 1 的关键词数量。

运行 CiteSpace 可提取到数字孪生领域的 407 个关键词，407 个关键词中词频为 1 的关
键词有 66 个，由此通过公式（3）计算得 =11，故词频大于等于 11 的关键词为该领域的
高频关键词，因此数字孪生领域的高频关键词共 65 个，具体如表 4 所示。

表 4WoS 数据库数字孪生领域的高频关键词统计

关键词 词频 关键词 词频
digital twin 748 virtual reality 32
design 185 thing 31
industry 4.0 164 artificial intelligence 30
simulation 131 augmented reality 29
system 118 iot; performance 26
cyber-physical system 111 digitalization 23
model 93 manufacturing 22
predictive maintenance; challenge; prediction;
big data 75 21
automation
optimization 62 integration 20
framework 60 identification; ontology; blockchain 19
future 59 network; technology; algorithm; information 18
internet 57 bim; sustainability 17
smart city; genetic algorithm; neural network; tool;
management 53 16
deep learning; industry; manufacturing system
internet of thing 51 modeling; maintenance; smart factory; security 15
service 50 interoperability; uncertainty; supply chain 14
 smart manufacturing 46 time; digital thread; virtualization; implementation 13
machine learning 38 cp; discrete event simulation 12
cloud; analytics; industrial robot; digital
architecture 33 11
manufacturing

采用 CiteSpace 软件绘制出数字孪生领域的关键词共现网络图，如图 6 所示。关键词共

现网络图是以关键词为十字形节点，共现关系为边的网络图，节点大小代表关键词的共现频
次，而中介中心性是指关键词与其他关键词的相关性，若某个节点中介中心性较高，表明该
节点在网络图中连接能力强，在该研究领域具有重要的作用。数字孪生领域频次和中介中心

性较高的关键词包括：digital twin（748/0.12）、design（185/0.03）、industry 4.0（164/0.09）、

simulation（131/0.04）、system（118/0.04）、cyber-physical system（111/0.08）。由
此可见，在数字孪生领域的研究热点主要围绕着“仿真”、“系统设计”等方面进行，且呈现出
与“cps”、“工业 4.0”等领域多元化发展的格局。

图 6 WoS 数据库数字孪生关键词共现网络图

4.2 年度热词和突现词
对数字孪生领域的 407 个关键词进行筛选，通过年份计数法将词频大于等于 11 的关键
词进行归类统计，将其归纳到词频的出现年份，得到数字孪生领域的年度热词归纳表，如表
5 所示。

表 5 数字孪生领域年度热词

年份 年度热词
2010 digital twin; internet
2014 prediction
2015 design; simulation; model; framework; management; manufacturing; automation; information
2016 industry 4.0; manufacturing system; modeling; digital thread; digital manufacturing
 system; big data; cyber-physical system; future; internet of thing; smart manufacturing; augmented
2017
reality; iot; integration; bim; maintenance; smart factory; uncertainty; analytics
optimization; service; machine learning; architecture; virtual reality; thing; artificial intelligence;
2018 performance; digitalization; predictive maintenance; identification; ontology; technology;
algorithm; smart city; industry; security; time; virtualization
challenge; blockchain; network; sustainability; genetic algorithm; neural network; tool; deep
2019
learning; interoperability; supply chain; implementation; cp; cloud

由表可知，数字孪生领域的研究主要是近五年展开的，2014 年以前数字孪生领域处于
发展初期；2015 年，学者们开始对数字孪生领域的基础概念框架与管理模型进行设计；2016
年，“工业 4.0”对数字孪生的发展起到了推动作用，学者们开始聚焦于数字线程、数字化制
造，探索产品全生命周期价值链的模型，对数据源进行统一，实现各环节模型数据的双向同
步沟通，为数字孪生奠定坚实的技术基础；2017 年，以大数据、物联网、建筑信息模型等
技术为支撑的数字孪生系统设计得到发展，学者们提出将数字孪生应用于智能工厂的生产系
统；2018 年，数字孪生相关的研究多与机器学习、本体、人工智能、虚拟现实等技术方法
结合，探索基于数字孪生的预测性维护、智慧城市构建及制造业数字化实现；2019 年，区
块链、云、深度学习、遗传算法等逐渐成为数字孪生领域的主要话题，并在此基础上聚焦于
数字孪生互操作性的实现，以多样的数字孪生体映射物理孪生体，数字孪生的概念开始深入
到供应链领域，基于数字孪生实现对供应链运行状态的监控与管理。
Jon Kleinberg 基于 brust 两阶段设计的跳跃检测算法，可以从样本数据中挖掘出突现词
[19]
。突现词是指在某一时间段内被引或共现频次较大的关键词，旨在揭示领域内不同阶段
的研究热点及演进趋势，本文基于 brust 算法，运用 CiteSpace 软件对 1359 篇文献进行分析，
最终从 407 个关键词中挖掘出 5 个突现词，如表 6 所示。

表 6 数字孪生领域突现词

序号 突现词 突现强度 出现年份 结束年份

1 industry 4.0 4.01 2016 2020
2 smart manufacturing 2.65 2017 2020
3 3D simulation 2.7 2017 2020
4 production system 2.63 2017 2020
5 smart factory 3.25 2017 2020

由表可知，industry 4.0 与 smart factory 的突现强度明显高于其他突现词，工业 4.0 在数

字孪生领域的突现强度最大，出现年份最早，说明其对数字孪生发展的影响尤为突出。工业
4.0 旨在充分利用信息通讯技术和网络空间虚拟系统，将制造业向智能化转型，因此，数字
孪生可视为实现工业 4.0 的热门技术手段，咨询公司德勤 2018 年初曾发布《工业 4.0 与数字
孪生》研究报告，报告描述了数字孪生的定义、创建方式及现实应用场景，并对企业如何着
手部署创建数字孪生进行探讨[22]。在智能工厂方面，数字孪生技术可以在虚拟环境中完全
映射真实的工厂[23]，基于数字孪生的智能工厂可以全面感知厂内运行状态，对生产过程进
行监控，并通过挖掘分析生产过程中的实时数据为智能工厂的各决策层提供决策建议。此外，
数字孪生领域的突现词并未呈现出多个发展进程，且突现词普遍持续时间较长，爆发强度较
高，说明现阶段数字孪生领域处于研究意识觉醒期，随着工业 4.0 的提出，学者们开始积极
探索数字孪生技术在智能制造、生产系统、智能工厂等领域的应用。
4.3 可视化聚类分析
对共被引网络顶点进行模块化聚类可以进一步反应领域内研究主题的分布情况。
CiteSpace 在聚类标签的提取上提供了三种标签来源：标题、关键词、摘要，分别对应 LSI、
LLR、MI 三种标签提取算法，其中 LLR（log-likelihood ratio）算法能够有效推断事件之间
的联系，在 CiteSpace 的聚类分析中最为常用。基于 LLR 算法，运用 CiteSpace 软件对 1359
篇文献进行聚类，得到数字孪生领域的可视化聚类分析时间线图（如图 7 所示），该领域文
献被分割成了 7 个核心类群（如表 6 所示），聚类结果显示，industry 4.0、production systems、
service、vehicle routing problems with pick-up and delivery 是最大的四个聚类，它们体现了数
字孪生领域的热点主题，其中 industry 4.0 做为最大的聚类体现了其在数字孪生领域的突出
地位。同时，对于表 7 中的聚类平均轮廓值（Sihouette，简称 S 值），一般认为 S>0.5，则
该聚类可视为合理的聚类，S>0.7 意味着该聚类是令人信服的。因而，表 6 中的七个聚类都
是合理聚类，同时 smart manufacturing、multimodal data acquisition、production systems、
service、data exchange、vehicle routing problems with pick-up and delivery 六个聚类是可信性
更高的聚类。此外，表中年份为该聚类中文献的平均发表年份，时间越晚的聚类在领域内越
具有研究的前沿性，smart manufacturing、industry 4.0、vehicle routing problems with pick-up
and delivery 等出现时间较晚的聚类体现了数字孪生领域的研究前沿热点。

表 7 数字孪生领域聚类名称

聚类 聚类平均
聚类号 聚类名称 年份
规模 轮廓值
#0 industry 4.0 31 0.67 2017
#1 production systems 20 0.849 2014
#2 service 20 0.775 2014
#3 vehicle routing problems with pick-up and delivery 18 0.72 2016
#4 data exchange 13 0.768 2012
#6 multimodal data acquisition 9 0.963 2015
#7 smart manufacturing 3 0.984 2018
 图 7 数字孪生领域的可视化聚类分析时间线图

4.4 研究热点演进分析
研究热点的演进分析可以帮助学者了解领域知识结构和变化趋势，本文将可视化分析得
到的七个聚类总结为三大类，并对每个大类主题中的高被引与高网络密度文献进行梳理分
析。
（1）数字孪生与智能化
industry 4.0（#0）与 smart manufacturing （#7）均是智能化的核心战略目标，工业 4.
0 的本质是通过充分利用 cps 将制造业向智能化转型，而智能制造作为一种新的制造模式，
是由智能设备和专家共同组成的人机一体化智能系统。工业 4.0 与智能制造分别做为数字孪
生领域聚类规模最大与 S 值最大的聚类，与数字孪生具有密切的联系，数字孪生技术是实
现工业 4.0 与智能制造的重要技术手段。Tao, Fei 等[9]构建了数字孪生车间，并对物理车间、
虚拟车间、服务系统和孪生数据四个关键组成部分进行讨论，同时提出了孪生车间的运行机
制和实现方法，讨论了其关键技术和面临的挑战。SCHLEICH, B 等[24]研究了设计与生产工
程中的数字孪生体模型构建，该模型可贯穿于产品实现的各个阶段。El Saddik, Abdulmotal
eb 等[25]对数字孪生的起源与特征进行分析，提出数字孪生的发展离不开增强现实、虚拟现
实、混合现实、云计算、5G 等关键技术的支持，同时需要更多的研究来改进传统的数据收
集和处理方法，实现真实世界和物理双胞胎之间的通信接口。
（2）数字孪生在智能工厂中的应用
production systems（#1）、service（#2）、vehicle routing problems with pick-up and delivery
（#3）均为智能工厂中的重要组成部分，因此将其归为一个主题。Alcácer V 等[26]提出了基
于智能工厂的生产制造系统，其智能工厂的概念利用了物联网、系统集成和网络物理生产系
统等组件。Negri, Elisa 等[27]对数字孪生在 cps 系统中应用的相关文献进行梳理总结，数字孪
生提供了系统在产品生命周期的虚拟表示，实现数据的同步和实时更新，其优化和决策依赖
于 cps 系统。Pan, YH[28]对车辆路径问题模型进行了改进，提出了一种数字孪生驱动的决策
信息体系，并开发了一种实时动态的同步控制机制，使生产物流系统在运输中实现同步。
（3）数字孪生中的数据采集与交互
 data exchange（#4）、multimodal data acquisition（#6）均是数据相关的聚类，因此将其
视为一个主题，数字孪生是物理世界与信息世界交互融合的主要技术手段，为了实现二者的
连接交互，需要有效的数据采集与交互方法。Rosen, Roland[29]提出数字孪生的实现要了解生
产系统的运行状态，并将采集的数据与仿真模型相结合，基于采集的数据给出良好的预测结
果；Uhlemann, THJ[30]提出了一种学习工厂的概念，以展示实时数据采集和基于仿真进行数
据处理的潜力和优势，进而实现对多模态数据采集技术和本地独立优化环境的全面升级；
Schroeder GN 等[31]构建了基于数字孪生的自动化数据模型以及数据交换的通信方法，同时，
利用数字孪生概念对工业设备的虚拟部分进行建模，提出了一种基于 web 服务的数据访问
体系结构。

5 结束语
本文采用文献计量、科学知识图谱分析等方法对 WoS 数据库中数字孪生领域的文献进
行分析，系统梳理了当前数字孪生领域的文献外部特征、研究热点和前沿演进过程，得到如
下结论：
（1）文献外部特征
首先，数字孪生领域的文献数量总体呈现上升趋势，根据文献发表数量趋势图，本文将
数字孪生的发展分为三个阶段，且自 2016 年之后的第三阶段，领域内的文献数量呈指数增
长，说明数字孪生领域现阶段处于大发展时期。其次，数字孪生领域形成了诸多合作团队，
以 Tao, Fei、Liu, Qiang、Soderberg, Rikard、Zheng, Pai 等学者为核心组成的研究团队在领
域内的贡献较为突出。数字孪生领域发文数量最高的三个机构分别是德国亚琛工业大学、北
京航空航天大学与查尔姆斯理工大学，各研究机构间存在一定的国际合作，但团队规模相对
较小，校企之间的合作不够紧密。在期刊方面，《PROCEDIA CIRP》、《IEEE ACCESS》、
《IFAC PAPERSONLINE》、《PROCEDIA MANUFACTURING》等期刊是数字孪生领域文
献的主要载体，但基于布拉福德定律，数字孪生领域的研究成果略分散，尚未形成大规模的
核心期刊。在学科分析方面，计算机与系统学是数字孪生领域的研究基础。
（2）领域研究热点
通过对数字孪生领域关键词共现、年度热词及突现词的分析，领域内的热点研究主要围
绕着“仿真”、 “cps”、 “系统设计”等方面展开，数字孪生现如今虽然处于大发展时期，但其
研究与应用还处于初级阶段，如何将其与区块链、云、深度学习等新一代信息技术融合，是
实现数字孪生的高速发展并从理论走向应用的研究重点。同时，计量分析结果表明，当前数
字孪生领域的研究可以归纳为七个核心研究主题：industry 4.0、production systems、service、
vehicle routing problems with pick-up and delivery、data exchange、multimodal data acquisition、
smart manufacturing。industry 4.0 与 smart manufacturing 分别做为数字孪生领域聚类规模最
大与 S 值最大的聚类，与数字孪生具有十分密切的联系，而从主题发展年份的角度来看，
智能制造与工业 4.0 下的数字孪生是近年来的研究热点，数字孪生技术是实现工业 4.0 与智
能制造的重要技术手段。
当前，数字孪生的研究与应用仍存在诸多挑战，基于对数字孪生发展现状的分析，本文
提出如下展望：
（1）数字孪生将与新一代信息技术深度融合
新一代信息技术的快速发展延伸了数字孪生的生命周期和价值链条，打通了数字孪生应
用和迭代优化的路径。数字孪生领域的发展离不开新一代信息技术的支持，包括：基于大数
据与机器学习的孪生数据分析决策；基于区块链的虚拟模型安全存储与回放；基于云的数字
孪生资源服务存储与共享；基于数字线程技术的全生命周期、全业务流程管理以及数据的深
度集成；基于物联网的虚实产品互联互通等。数字孪生与新一代信息技术的深度融合可以推
动领域内信息物理数据的融合，构建智能且安全的数字孪生模型，实现对孪生数据的智能学
习分析与预测，根据用户的不同需求提供智能服务。
（2）数字孪生将在多领域实现应用扩展
数字孪生的应用最初始于航空航天领域，随着领域内关键技术应用的发展与突破，现如
今，数字孪生在空间通信网络、船舶、车辆、飞机、复杂机电装备、立体仓库、医疗、制造
车间、智慧城市等多个领域都开展了相关研究。数字孪生领域未来技术发展与应用探索的关
键是构建适用于不同领域、不同行业的数字孪生模型，探寻数字孪生的发展范式，推动社会
治理与产业数字化转型。如何应用数字孪生技术实现复杂产品的健康管理，实现预测性维修，
保证复杂产品的安全高效运转；如何构建智能工厂的数字孪生体；如何利用产品生命周期中
的物理数据、虚拟数据以及交互数据对产品状态进行实时映射，通过数字孪生的产品服务系
统对产品的全生命周期进行管理，实现产业链全环节的数字化管理，提升对市场需求的反映
速度等都是今后数字孪生领域的应用研究重点。
（3）数字孪生将由虚拟验证向虚实交互优化发展
数字孪生的发展需经历虚拟验证、智能决策、虚实交互三个阶段。虚拟验证是指以真实
数据为基础对场景或产品进行模拟，在此基础上提升真实场景的运行效率；智能决策是指在
机理模型的基础上与人工智能、物联网等新一代信息技术结合，实现机理模型、仿真模型、
数据模型的有效融合；虚实交互是指在智能决策的基础上加强数据交互，提升数据采集能力，
实现实时的反馈与控制，真正实现虚实交互优化。
（4）数字孪生将成为企业智能化、数字化发展的关键技术
数字孪生技术将是实现智能制造与工业 4.0 的重要技术手段，基于数字孪生技术对物理
实体进行多模式数据的采集并与虚拟空间有效集成，帮助工业人员在虚拟空间实现产品设
计、制造与服务的闭环优化，同时，通过在此过程中不断积累相关知识，实现知识获取、知
识表示与推理，从而挖掘并抽取人类知识，实现人机协同交互以及系统的自主决策，逐步实
现企业的智能化。
 综上所述，目前的数字孪生领域还有诸多研究课题亟需探索，且在多个领域有巨大的应
用前景，本文的可视化分析结果可为未来数字孪生领域的理论技术研究与应用探索提供参考
与借鉴。

参考文献：
[1] Guan Wenyu, Ling Weiqing. Visualization knowledge mapping analysis of digital twin
research based on Bibliometrics [J]. Computer integrated manufacturing system, 2020 (1)(in
Chinese).[管文玉, 凌卫青. 基于文献计量的数字孪生研究可视化知识图谱分析[J]. 计算机集
成制造系统, 2020(1).]
[2] Chen Yong, Chen Lu, Pei Zhi, Wang Cheng. Analysis on the progress of digital twin research
based on Bibliometrics [J]. China Mechanical Engineering, 2020,31 (7): 797-807.[陈勇,陈燚,裴
植,王成.基于文献计量的数字孪生研究进展分析[J].中国机械工程,2020,31(7):797-807.]
[3] Guo Hongfei, Feng Yalei, Ding Na, et al. Research progress and trend analysis of digital twin
technology based on CiteSpace [J]. Computer integrated manufacturing system, 2020,26 (12):
3195-3204.[郭洪飞,冯亚磊,丁娜等.基于 CiteSpace 的数字孪生技术研究进展与趋势分析[J].计
算机集成制造系统,2020,26(12):3195-3204.]
[4] Grieves M. Digital Twin: Manufacturing excellence through virtual factory
replication[EB/OL].[2016-12-20].http://www.apriso.com/library/Whitepaper_Dr_Grieves_Digital
Twin_ManufacturingExcellence.php.2014.
[5] Grieves M. Product lifecycle management: the new paradigm for enterprises[J]. International
Journal of Product Development, 2005, 2(1/2):71.
[6] Githens G. Product Lifecycle Management: Driving the Next Generation of Lean Thinking by
Michael Grieves[J]. Journal of Product Innovation Management, 2007, 24(3):278-280.
[7] Grieves M. Virtually Perfect: Driving Innovative and Lean Products through Product Lifecycle
Management[M]. 2011.
[8] Du Jun, KeJiali, Yan Bo, et al. Current situation and hot spot analysis of marine science and
technology research at home and abroad based on CiteSpace [J]. Science and technology
management research, 2020,40 (10): 48-5(in Chinses).[杜军,寇佳丽,鄢波等.基于 CiteSpace 的国
内外海洋科技研究现状及热点分析[J].科技管理研究,2020,40(10):48-55.]
[9] Tao F, Zhang M. Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart
Manufacturing[J]. IEEE Access, 2017, 5:20418-20427.
[10] Tao F, Sui F, Liu A, et al. Digital twin-driven product design framework[J]. International
Journal of Production Research, 2018:1-19.
[11] Tao F, Zhang H, Liu A , et al. Digital Twin in Industry: State-of-the-Art[J]. IEEE
Transactions on Industrial Informatics, 2019, 15(4):2405-2415.
[12] Liu Q, Zhang H, Leng J, et al. Digital twin-driven rapid individualised designing of
automated flow-shop manufacturing system[J]. International Journal of Production Research,
2019, 57(12):3903-3919.
[13] Leng J, Yan D , Liu Q , et al. Digital twin-driven joint optimisation of packing and storage
assignment in large-scale automated high-rise warehouse product-service system[J]. International
Journal of Computer Integrated Manufacturing, 2019.
[14] Jiewu L, Hao Z, Douxi Y, et al. Digital twin-driven manufacturing cyber-physical system for
parallel controlling of smart workshop[J]. Journal of Ambient Intelligence and Humanized
Computing, 2018.
[15] Sderberg R, Wrmefjord K, Carlson J S, et al. Toward a Digital Twin for real-time geometry
assurance in individualized production[J]. Cirp Annals Manufacturing Technology, 2017.
[16] Tabar R S, Wrmefjord K, Sderberg R. A method for identification and sequence optimisation
of geometry spot welds in a digital twin context[J]. ARCHIVE Proceedings of the Institution of
Mechanical Engineers Part C Journal of Mechanical Engineering Science 1989-1996 (vols
203-210), 2019, 233(16):095440621985446.
[17] Rezaei Aderiani A, Wärmefjord, Kristina, Söderberg, Rikard, et al. Individualizing Locator
Adjustments of Assembly Fixtures Using a Digital Twin[J]. Journal of Computing and
Information ence in Engineering, 2019.
[18] Lim K Y H, Zheng P, Chen C H. A state-of-the-art survey of Digital Twin: techniques,
engineering product lifecycle management and business innovation perspectives[J]. 2020.
[19] Zheng P, Sivabalan A S. A Generic Tri-Model-Based Approach for Product-Level Digital
Twin Development in a Smart Manufacturing Environment[J]. Robotics and Computer-Integrated
Manufacturing, 2020.
[20] Wu Xiaojie, Tan Xiaoxia, Wang Xiuqiong. Knowledge structure and dynamic evolution of
market segmentation research: bibliometric analysis based on CSSCI database of economic and
management journals from 1998 to 2015 [J]. Management review, 2018,30 (12): 257-275(in
Chinese).[吴小节,谭晓霞,汪秀琼.市场分割研究的知识结构与动态演化——基于 1998-2015 年
CSSCI 经济管理类期刊数据库的文献计量分析[J].管理评论,2018,30(12):257-275.]
[21] Lu Yangguang, min Qingfei, Liu Feng. A review of the current situation of intelligent
manufacturing research in China: scientometrics analysis based on CNKI (2005-2018) [J].
Industrial engineering and management, 2019 (4) (in Chinese).[卢阳光, 闵庆飞, 刘锋. 中国智
能制造研究现状的可视化分类综述——基于 CNKI(2005-2018)的科学计量分析[J]. 工业工程
与管理, 2019(4).]
[22] Deloitte. Manufacturing: industry 4.0 and digital twin [J]. Software and integrated circuits,
406 (9): 42-49(in Chinese).[德勤. 制造业如虎添翼:工业 4.0 与数字孪生[J]. 软件和集成电路,
406(9):42-49.]
[23] Zhao Hu, Zhao Ning, Zhang saipeng. Factory design combining value flow chart and digital
twin technology [J]. Computer integrated manufacturing system, 2019, 025 (6): 1481-1490.[赵虎,
赵宁, 张赛朋. 结合价值流程图与数字孪生技术的工厂设计[J]. 计算机集成制造系统, 2019,
025(6):1481-1490.]
[24] Schleich B, Anwer N, Mathieu L, et al. Shaping the digital twin for design and production
engineering[J]. CIRP Annals - Manufacturing Technology, 2017:S0007850617300409.
[25] Saddik A E. Digital Twins: The Convergence of Multimedia Technologies[J]. IEEE
multimedia, 2018, 25(2):87-92.
[26] Alcácer V, Cruz-Machado V. Scanning the Industry 4.0: A Literature Review on
Technologies for Manufacturing Systems[J]. Engineering Science and Technology, an
International Journal, 2019.
[27] Negri E, Fumagalli L, Macchi M. A review of the roles of Digital Twin in CPS-based
production systems[J]. Procedia Manufacturing, 2017, 11:939-948.
[28] Pan YH, Wu NQ, et al. Digital-twin-driven production logistics synchronization system
for vehicle routing problems with pick-up and delivery in industrial park[J]. INTERNATIONAL
JOURNAL OF COMPUTER INTEGRATED MANUFACTURING, 2020.
[29] Rosen R, Von Wichert G, Lo G, et al. About the Importance of Autonomy and Digital Twins
for the Future of Manufacturing[J]. IFAC-PapersOnLine, 2015, 48(3):567-572.
[30] Uhlemann H J, Schock C, Lehmann C, et al. The Digital Twin: Demonstrating the Potential
of Real Time Data Acquisition in Production Systems[J]. Procedia Manufacturing, 2017,
9:113-120.
[31] Schroeder G N, Steinmetz C, Pereira C E, et al. Digital Twin Data Modeling with
AutomationML and a Communication Methodology for Data Exchange[J]. IFAC-PapersOnLine,
2016, 49(30):12-17.

作者简介：
刘晓冰（1956－），男，吉林长春人，教授，博士，研究方向：运营管理、计算机集成制造、制造业信息
化等；
+王姝婷（1996-），女，辽宁大连人，博士研究生，研究方向：数字孪生、项目型复杂装备生产过程管理
等，通讯作者，E-mail:dlut_wangshuting@163.com；
白朝阳（1979-），男，辽宁大连人，副教授，博士，研究方向：数字孪生、工业互联网、网络化生产管理
等。