知識 · IT・資料・DX

數位孿生

Digital Twin

📂IT·資料·DX⏱閱讀 2 分鐘📊實務🔗相關 2

什麼是數位孿生?

一句話定義
將現實中的事物與系統,以數位方式完整複製的'雙胞胎'。在虛擬環境中進行模擬,以預測並最佳化現實。
此主題,可以企業內訓方式進行📚 相關課程💬 教育洽詢
⚡ 3 行重點摘要
  • 將現實完整複製為數位版本
  • 在虛擬環境中模擬·預測
  • 應用於製造、營建與能源領域

數位孿生真正改變的是決策的順序。過去在工廠裡,人們是'先試跑一次'再看結果。若要決定把產線速度提高 5%,還是把模具溫度降低 2 度,就得停下實體產線、改變條件進行試產,單次就要耗掉半天與數百個不良品。導入孿生後,大部分的試驗會先在虛擬中、於現實之前完成。當 30 年資歷的班長憑經驗的判斷,與總公司工程師的計算相衝突時,孿生能在不耗損實體資源的情況下,分辨出誰是對的。

現場常被稱為「孿生」的東西,其實可以分成三個等級。只是把圖面以 3D 搬進電腦的,是數位模型;感測器數值只單向上傳到虛擬模型的,是數位影子;而在虛擬中計算出的結果,會反過來改變現實設備的設定值,這種雙向連結,才是本來意義上的數位孿生。更新週期也會因用途而不同。製程控制需以秒為單位,預測性維護以分或小時為單位,建築或城市規劃以一天、一週為單位就足夠。若把週期設得比用途需要的更短,只會讓通訊費與儲存成本不斷增加。

也要先釐清與既有模擬的界線。模擬是建立在人為設定的假設上運作,而孿生則是以昨天從該設備取得的實際資料,持續更新假設。因此導入條件較為嚴苛:必須先裝設感測器,資料至少要累積半年以上,而最重要的是需要將模型與現實比對、校正的作業。先用兩三個感測器,只對一台設備進行校準,會比一次為整條產線建模來得快。

最常見的失誤,是把 3D 視覺化誤認為孿生。在會議室螢幕上播放工廠緩緩旋轉的畫面,投入了數億 KRW,但這個模型往往從未與實際設備狀態比對、校正過。預測只要偏差兩三次,現場就會立刻把畫面關掉,下一份投資簽呈也不會通過。感測器接線已經變動,模型卻維持原樣運作數個月的情況也很常見。孿生只有在持續維護的期間才算是孿生,若沒有負責人持續依現實調整模型,它就只會淪為昂貴的 3D 圖像。

會出現此術語的課程 · AI・DX
推薦課程 · 推薦講師 · 迷你報價
🧮 迷你報價 · 講師費基準
約 KRW 1,200,000 (≈ US$900)專題講座 2 小時 · 20 人以下 · 韓語
依此條件取得正式報價 →
💡 簡單來說
實體工廠的'虛擬雙胞胎'——在改變現實之前,先於虛擬中預先測試。
為什麼在實務上很重要
在改變現實之前先於虛擬環境中測試,能在沒有風險與成本的情況下進行預測與最佳化。
由來與出處

概念源自 NASA 太空船模擬等領域的發展,隨著 IoT 與感測器技術普及,已廣泛應用於各產業。

透過案例理解

我們以虛構案例來說明。A 公司是員工 320 人、年營收約 KRW 180,000,000,000 (≈ US$134,724,500) 上下的汽車零件射出成形廠,以三班制運轉 42 台射出機。去年計畫外的設備停機平均每月 62 小時,其中一半是由模具溫度異常引起的不良停機。生產技術組決定用 6 個月的專案,導入射出機孿生。

  1. 生產技術組的金課長沒有選全部 42 台,只挑了不良最多的 3 號機一台。裝上模具溫度、射出壓力、循環時間等 7 個感測器,每 2 秒上傳一次資料。
  2. 將過去 8 個月的生產紀錄輸入虛擬射出機執行後,結果與實際不良率相差 3.1 個百分點。光是填補這 3.1 個百分點的校正,就花了 6 週,之後才開始相信預測結果。
  3. 設備保全的 Kang 班長起初還不以為然,說'螢幕能懂什麼'。但孿生指出的液壓軟管裂痕,三天後真的爆開了,從此他每天早上都先打開預測清單來看。
  4. 夏季時,先在虛擬環境中模擬了 40 次將冷卻水溫度降低 2 度的條件,取得廠長核准後,只套用於 3 號機。省略了實體試產,節省了 900 多件的試產損耗。
  5. 六個月後,3 號機的非計畫性停機從每月 14 小時降至 5 小時,不良率也從 4.2% 降到 2.6%。A 公司核准了第二期專案,將同樣的做法擴大到同型機種的 11 台設備。
相關術語
與此術語相關的課程
📚數位轉型Nanum 經營顧問 企業內訓 · 面授/線上查看課程 →
是否需要針對此主題進行企業內訓?
立即取得負責人為您量身打造的課程規劃與報價。
教育洽詢
最後修訂 2026年9月13日 · 監修 金鍾赫

常見問題

與單純的模型不同,它以即時資料與現實同步運作、進行模擬,這是其差異所在。
適用於製造設備的預測性維護、建築與城市管理、能源最佳化等,現實中測試成本高昂的領域。
與單純的模型不同,它以即時資料與現實同步運作、進行模擬,這是其差異所在。
適用於製造設備的預測性維護、建築與城市管理、能源最佳化等,現實中測試成本高昂的領域。