Next Digitwin - 产线设备数字孪生运行时

AI+应用项目提案 (Specs)

参赛赛道：数字产业赛道

一、项目概述

1.1 项目定位

Next Digitwin 是一款面向工业产线设备的运行态数字孪生系统。系统为每台设备建立包含资产属性、测点、状态、事件、场景节点和知识引用的数字孪生对象，通过实时数据同步物理设备状态，并在虚拟场景中完成状态呈现、证据解释、趋势分析、事故回放和操作审计。

项目强调“虚实映射 + AI 辅助理解 + 可控执行”：物理设备通过 assetId / pointId / sceneNodeId 映射到数字孪生对象；AI 通过固定意图管线、结构化输出和后端动作验证，将用户请求转换为可审计、可验证、可执行的数字孪生操作。前端动作通过后端验证后的 SceneAction 执行，AI 输出符合 AgentResponse 结构化契约。

核心价值主张：

• 建立资产、测点、事件、场景节点和知识引用的一体化设备孪生对象。
• 将物理设备状态实时同步到虚拟场景，形成可观察、可解释、可回放的运行态数字副本。
• 通过 3D 场景联动、时序趋势、告警事件和知识引用降低设备状态判断门槛。
• 通过 Replay 与审计日志实现异常处置过程可追溯、可复盘、可验证。
• 以固定意图管线提升工业场景中的稳定性和可审计性。

1.2 目标用户

用户群体	痛点需求	使用场景
产线运维工程师	设备多、告警分散、定位慢	快速定位异常设备、查看实时状态、触发趋势分析
设备工程师	需要结合历史趋势和 SOP 判断异常原因	设备状态解释、趋势查看、处置建议
生产管理人员	缺少产线级综合视图和风险摘要	产线总览、异常聚合、班次交接
安全与质量负责人	需要复盘事故过程并留存证据	Replay 回溯、事件链路追踪、操作审计
工业软件集成商	需要快速构建可绑定数据的 3D 运行时	资产/测点/绑定管理、3D 场景联动
工厂数字化团队	系统集成复杂、AI 输出不可控	MQTT 接入、结构化契约、可配置 LLM/Embedding

二、应用场景深度挖掘

2.1 场景一：设备运行态孪生

场景描述

产线设备的运行状态通常散落在设备台账、点位数据、告警记录和 3D 模型中。传统系统能看到数据或模型，但难以把“物理设备当前处于什么状态、为什么是这个状态、状态如何影响场景表现”统一起来。

数字孪生方案

Next Digitwin 为每台设备建立运行态孪生对象：

• 资产属性：设备名称、类型、产线、区域、上下游关系。
• 测点数据：温度、压力、振动、电流、运行状态、控制状态。
• 事件状态：活跃告警、历史告警、严重级别、处置状态。
• 场景映射：assetId 与 sceneNodeId 绑定，用于场景聚焦、高亮、颜色和动画。
• 知识引用：SOP、告警手册、巡检记录等可追溯依据。

实时点位进入系统后，Binding Engine 将测点值转换为颜色、高亮、显隐、动画等 SceneAction，使虚拟设备与物理设备保持运行态同步。例如：设备运行时播放旋转动画，停机时停止动画，手动/自动控制状态以不同动画或样式呈现，异常时叠加告警高亮和提示效果。

应用效果

• 设备从静态 3D 模型升级为可同步状态的数字孪生对象。
• 运维人员可在一个界面看到设备属性、实时值、状态动画、告警和趋势。
• 工作状态、启停状态、控制状态可直接在虚拟场景中感知。

2.2 场景二：AI 辅助异常定位

场景描述

传统产线监控中，告警通常分散在 SCADA、MES、设备台账或独立看板中。运维人员发现异常后，需要手动确认设备位置、切换图表、查找告警记录，定位过程依赖个人经验，且容易遗漏关联设备。

AI 赋能方案

Next Digitwin 的异常定位能力实现“从自然语言到场景动作”的闭环：

• 用户输入“查看 pump_01”或“高亮异常设备”。
• Agent 识别 locate_asset 或 highlight_anomalies 意图。
• 后端查询 scene_nodes、events 和资产绑定关系。
• 生成并验证 focus_camera、highlight 等 SceneAction。
• 前端 3D 场景聚焦设备，并在配置的详情组件中展示实时值和告警信息。

应用效果

• 设备定位从人工检索缩短至秒级。
• 活跃告警设备可在 3D 场景中批量高亮。
• 视觉状态与资产树、详情面板、趋势图保持一致。

2.3 场景三：带证据的状态解释

场景描述

设备状态判断通常需要同时查看实时测点、历史趋势、告警记录、SOP 和维修手册。传统方式下，工程师需要在多个系统之间切换，形成判断后还难以说明“依据是什么”。

AI 赋能方案

Next Digitwin 的状态解释模块实现“回答必须带证据”：

• 用户询问“pump_01 状态怎么样？”或“这个异常什么情况？”。
• 系统按硬编码管线执行 explain_status。
• 后端查询最新时序值、活跃事件，并通过 pgvector 检索 SOP、告警手册或巡检记录。
• ResponseComposer 使用 LLM 生成结构化 AgentResponse。
• 若 references 为空，系统输出证据不足提示，并进入有限证据分析状态。

应用效果

• 状态解释同时包含自然语言摘要、场景动作、趋势图和引用来源。
• 用户可追溯到 point、event 或 document 级证据。
• 降低 AI 幻觉风险，符合工业场景的可验证要求。

2.4 场景四：趋势分析与事件统计

场景描述

产线设备异常通常体现为温度、压力、振动、电流等指标在一段时间内逐步偏离。人工查看趋势图需要知道测点名称、时间范围和图表入口，效率较低。

AI 赋能方案

Next Digitwin 提供自然语言趋势查询和事件统计：

• query_trend：查看指定资产和指标的时序趋势，采用模板组装生成结构化响应。
• count_events：统计指定时间范围内的告警次数，并按严重级别展示事件列表。
• 前端使用 ECharts 渲染 trend_chart widget，展示位置由工作区配置决定。

应用效果

• 用户无需记忆测点 ID 即可打开趋势图。
• 告警统计可直接生成结构化事件表。
• 趋势查询目标响应时间小于 500ms。

2.5 场景五：Replay 事故回溯

场景描述

事故发生后，团队需要复盘“当时哪些设备异常、趋势如何变化、场景状态是什么、谁触发了什么操作”。传统日志和图表难以还原现场状态，也很难在不同部门之间形成一致结论。

AI 赋能方案

Next Digitwin 提供基于快照的 Replay 回溯：

• 系统基于 demo 数据生成关键时间点 replay_snapshots，包含场景状态、活跃事件和聚合指标。
• 用户进入 replay 模式后，timeline、3D 场景、事件列表和趋势图同步到指定时间点。
• Live store 与 Replay store 完全隔离，回放期间实时数据不覆盖回放状态。
• 加载失败、超时或后端错误时进入 replay_error，保留最后成功帧并提供重试/返回 Live。

应用效果

• 支持按时间点还原事故现场。
• 支持异常发生前后的趋势和事件对照。
• 为事故复盘、班组交接和管理汇报提供统一证据链。

2.6 场景六：可审计操作追踪

场景描述

工业运行系统中，AI 的每次判断和每个动作都需要可追溯。没有审计链路的 AI 系统难以进入实际生产运行，也无法满足事故复盘和责任界定要求。

AI 赋能方案

Next Digitwin 对核心 Copilot 链路中的 intent、tool、action 进行审计记录：

• intent_received：记录用户原始输入。
• intent_parsed：记录识别出的意图、参数和置信度。
• tool_invoked：记录固定工具函数调用及参数。
• retrieval_completed：记录知识检索结果摘要。
• response_composed：记录最终 AgentResponse。
• action_executed：记录前端执行的 SceneAction。

应用效果

• 可重建完整 Copilot 执行链。
• 可定位 AI 误判来自意图识别、数据查询、知识检索还是响应生成。
• 支撑安全审计、质量复盘和系统调优。

三、核心业务逻辑

3.1 系统架构图

┌─────────────────────────────────────────────────────────────┐
│                        用户交互层                            │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐       │
│  │资产树/筛选│ │3D场景运行│ │详情/趋势 │ │Copilot面板│       │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘       │
│  ┌──────────┐ ┌──────────┐                                  │
│  │Live模式  │ │Replay模式│                                  │
│  └──────────┘ └──────────┘                                  │
└─────────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────────┐
│                        AI 与契约层                           │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐       │
│  │Intent解析│ │硬编码工具│ │响应生成  │ │契约验证  │       │
│  │generateObj│ │switch-case││AgentResp │ │SceneAction│      │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘       │
└─────────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────────┐
│                        业务逻辑层                            │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐       │
│  │Ingestion │ │Twin      │ │Binding   │ │Replay    │       │
│  │MQTT归一化│ │Runtime   │ │Engine    │ │Engine    │       │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘       │
│  ┌──────────┐ ┌──────────┐                                  │
│  │Knowledge │ │Events    │ │Audit     │                     │
│  │Retriever │ │          │ │          │                     │
│  └──────────┘ └──────────┘                                  │
└─────────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────────┐
│                        数据存储层                            │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐       │
│  │PostgreSQL│ │TimescaleDB││pgvector  │ │Mosquitto │       │
│  │业务数据  │ │时序数据  │ │知识向量  │ │MQTT Broker│      │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘       │
└─────────────────────────────────────────────────────────────┘

3.2 核心业务流程

资产孪生对象模型

每台设备在系统中对应一个运行态孪生对象。孪生对象不是单一 3D 节点，而是由资产、测点、事件、场景节点、知识引用共同组成。

TwinAsset
  ├─ asset: id / name / type / line / zone / relations
  ├─ points: temperature / pressure / vibration / current / status / control_mode
  ├─ events: active alarms / historical alarms / severity / status
  ├─ scene: sceneNodeId / visual slots / animation bindings
  ├─ knowledge: SOP / alarm manual / inspection record references
  └─ runtimeState: normal / running / stopped / alarm / maintenance / manual / auto

虚实映射机制

物理设备状态通过稳定 ID 链路映射到数字孪生对象和 3D 场景：

physical equipment
    ↓
assetId
    ↓
pointId = assetId.metric
    ↓
TwinAsset runtimeState
    ↓
sceneNodeId / visual_slot
    ↓
SceneAction

该映射保证同一设备的实时值、趋势、告警、场景表现和知识引用指向同一个数字孪生对象，避免数据面板、3D 模型和 AI 回答之间出现上下文割裂。

实时数据驱动流程

MQTT 点位消息
    ↓
NormalizedPointMessage 归一化
    ↓
写入 TimescaleDB 时序表
    ↓
更新 TwinAsset runtimeState
    ↓
Binding Engine 匹配资产/测点/场景绑定
    ↓
Transform 生成候选 SceneAction
    ↓
Scene Action Engine 后端验证
    ↓
WebSocket 推送到前端 3D 场景
    ↓
前端执行颜色、显隐、高亮、动画、特效等动作

Copilot 查询流程

用户输入自然语言
    ↓
IntentParser 使用 generateObject() 识别核心 intent
    ↓
ToolExecutor 按 switch-case 调用固定工具函数
    ↓
定位/查询类意图：模板组装 AgentResponse
状态解释意图：LLM 生成结构化 AgentResponse
    ↓
references 为空时输出 Limited Evidence 状态
    ↓
后端验证 SceneAction
    ↓
返回 answer/actions/widgets/references
    ↓
前端执行动作并渲染 Widget 与引用

Replay 回溯流程

生成关键时间点快照
    ↓
用户进入 replay 模式
    ↓
按事件 ID 或时间点加载快照
    ↓
拖拽 timeline
    ↓
3D 场景 / 图表 / 事件列表同步到快照
    ↓
退出 replay
    ↓
清空 replay store，回到 live 并同步最新状态

Replay 快照记录的是指定时间点的孪生状态集合，包括场景状态、活跃事件和聚合指标。回放时系统恢复的是“当时的数字孪生运行态”，从而支持事故前后状态对照和处置复盘。

3.3 数据流转设计

数据可信与可追溯原则：

• 数据摄入统一转换为 NormalizedPointMessage，前端只消费标准化运行数据。
• 点位通过 API 显式注册，保证资产、测点、孪生对象和场景绑定关系一致。
• AI 与前端通过 SceneAction / AgentResponse 交互，保证输出结构稳定。
• SceneAction 先在后端通过 Zod schema、target 存在性和权限验证。
• AI 诊断结论必须带 references；证据不足时输出有限证据状态。
• 核心 Copilot 链路中的 intent、tool、retrieval、response、action 写入 audit_logs。

3.4 运行时契约清单

SceneAction 动作类型

SceneAction 是后端发送给前端 3D 场景和面板的结构化动作。动作在后端完成 schema 验证和 target 校验后再执行。

动作类型	必填字段	用途
focus_camera	target	将 3D 相机聚焦到指定场景节点
highlight	target, style	高亮设备，style 包含 alarm / warning / selected / info
set_color	target, value	设置场景节点颜色，用于温度、压力等状态映射
set_visibility	target, value	控制场景节点显示或隐藏
open_panel	target	打开详情、趋势或告警面板
show_chart	target, metric	打开指定测点的趋势图
set_replay_time	value	将 Replay 时间线切换到指定时间点
play_effect	target, effect	播放 pulse / flash 等告警提示效果
set_animation	target, animation, state	控制持续动画状态，用于工作状态、控制状态等运行态显示

Audit Step 类型

audit_logs.step 记录 Copilot 从接收用户输入到执行场景动作的全过程，用于复盘和追踪。

Audit Step	记录内容
intent_received	用户原始输入、会话 ID、traceId
intent_parsed	识别出的 intent、参数和置信度
tool_invoked	被调用的业务能力函数名称和输入参数
retrieval_completed	知识检索或数据查询结果摘要
response_composed	最终 AgentResponse 的 answer / actions / widgets / references 摘要
action_executed	前端实际执行的 SceneAction 列表和执行结果

四、产品需求规格

4.1 功能需求

功能需求围绕设备运行态孪生、异常定位、带证据状态解释、趋势分析、Replay 回溯、可审计操作追踪六项能力组织。

FR1 异常定位与实时状态模块

需求ID	需求描述	优先级
FR1.1	支持核心演示产线的资产树按 line/type 筛选	P0
FR1.2	支持通过自然语言或资产树定位设备	P0
FR1.3	支持 focus_camera + highlight 场景动作	P0
FR1.4	支持当前活跃告警设备批量高亮	P0
FR1.5	配置的详情组件展示资产最新值快照	P0
FR1.6	活跃告警测点在最新值卡片中优先排序并高亮	P1

FR2 带证据状态解释模块

需求ID	需求描述	优先级
FR2.1	支持 explain_status 设备状态解释	P0
FR2.3	支持基于核心设备知识片段检索 SOP、告警手册、巡检记录	P0
FR2.4	AgentResponse 必须包含 answer/actions/widgets/references 结构	P0
FR2.5	references 为空时输出证据不足提示和有限证据状态	P0
FR2.6	前端支持引用展示和 Limited Evidence 降级状态	P0
FR2.7	前端支持引用折叠、跳转和来源预览	P1

FR3 趋势分析与事件统计模块

需求ID	需求描述	优先级
FR3.1	支持 query_trend 自然语言趋势查询	P0
FR3.2	支持 count_events 告警统计	P0
FR3.5	支持 trend_chart Widget	P0
FR3.6	支持按 point/asset 查询最新值和时序数据	P0
FR3.7	支持 event_table Widget 展示告警明细	P1
FR3.8	支持按 line 聚合查询趋势和事件统计	P1

FR4 Replay 事故回溯模块

需求ID	需求描述	优先级
FR4.1	支持 live/replay 模式切换	P0
FR4.2	支持基于 demo 数据生成关键时间点 replay snapshot	P0
FR4.3	Replay 模式下 3D 场景、趋势图、事件列表按快照同步	P0
FR4.4	Live store 与 Replay store 隔离	P0
FR4.5	支持 replay_error 状态和 return live 操作	P1
FR4.6	支持通过事件 ID 或时间点加载事故快照	P0
FR4.7	支持长时间轴拖拽预加载和连续播放	P2

FR5 数字孪生运行态模块

需求ID	需求描述	优先级
FR5.1	支持核心设备资产孪生对象，聚合资产属性、测点、事件、场景节点和知识引用	P0
FR5.2	支持核心设备的 assetId / pointId / sceneNodeId 虚实映射	P0
FR5.3	支持温度、压力、振动、运行状态、控制状态等核心测点映射	P0
FR5.4	支持测点值驱动孪生体颜色、高亮、显隐和提示效果	P0
FR5.5	支持工作状态、启停状态、手动/自动控制状态的动画控制	P0
FR5.6	支持选中孪生体后联动详情、趋势、告警和知识引用	P0
FR5.7	支持 Replay 模式下按快照还原历史孪生状态	P0
FR5.8	支持场景动作执行结果写入审计日志	P0
FR5.9	支持更多设备类型和批量孪生建模	P2

FR6 审计与契约模块

需求ID	需求描述	优先级
FR6.1	支持核心 Copilot 链路记录 6 类 audit step	P0
FR6.2	支持 9 种 SceneAction 类型的 schema 定义，核心动作完成端到端验证	P0
FR6.3	支持 AgentResponse 结构验证和失败重试	P0
FR6.4	支持统一 API 错误响应格式和 traceId	P0
FR6.5	支持根据审计日志重建核心 Copilot 执行链	P0
FR6.6	支持审计日志导出和多维筛选	P2

4.1 核心 Intent

系统通过 5 个核心 intent 支撑产品主要交互闭环。

Intent	用户说法示例	输出
locate_asset	“查看 pump_01”	focus_camera + highlight
highlight_anomalies	“高亮当前异常设备”	批量 highlight
query_trend	“查看 pump_01 过去 24 小时温度趋势”	trend_chart widget
count_events	“今天出了几次报警？”	文本统计 + event_table widget
explain_status	“pump_01 状态怎么样？”	带 references 的状态解释 + 场景动作

4.2 非功能需求

需求类别	需求描述	目标值
性能	定位/查询类意图响应时间	< 500ms
性能	状态解释意图响应时间	< 3s
性能	复合流程响应时间	< 5s
性能	设备定位/异常高亮/趋势打开	< 1s
性能	Replay preparing 超时保护	10s
可用性	Replay 快照加载失败可降级	自动进入 replay_error
可靠性	核心 SceneAction 后端验证覆盖率	核心动作 100%，全部动作 schema 覆盖
可靠性	证据不足状态处理	核心状态解释场景触发 Limited Evidence
可审计	intent/tool/retrieval/response/action 审计	核心 Copilot 链路完整记录
可测试性	契约测试	核心契约用例通过
兼容	浏览器支持	Chrome / Edge / Safari
AI 接入	LLM Provider 可切换	OpenAI / Anthropic / DeepSeek / Ollama

4.3 用户界面需求

设计原则：

• 工业运行优先：界面服务于监控、定位、分析和复盘，突出操作效率和信息密度。
• 3D 场景作为主要运行时视图，资产树、详情/趋势/告警、Copilot 支持可配置停靠、折叠或浮层展示。
• 数据图表和状态 Widget 支持按配置展示，可采用工作区停靠、屏幕锚定或设备空间锚定等形式。
• 即时反馈：定位、高亮、趋势打开等动作需要在场景和面板中同步体现。
• 证据可见：AI 回答底部展示 references，可展开查看来源。
• 降级明确：证据不足时展示 Limited Evidence 或“初步分析 - 证据有限”状态。
• Live/Replay 分离：Replay 状态与实时数据隔离，返回 Live 时同步最新状态。

五、评测标准

5.1 功能性评测

评测项	评测方法	通过标准
意图识别准确性	Golden Prompt 覆盖核心 intent	准确率 >= 90%
虚实映射完整性	检查核心演示设备的 assetId / pointId / sceneNodeId 映射	核心设备可追溯
孪生状态同步	模拟运行、停机、告警、手动/自动状态	demo 数据链路下场景颜色、动画、告警效果一致
SceneAction 合法性	9 种动作类型契约测试	核心动作可执行，全部动作 schema 通过
AgentResponse 完整性	answer/actions/widgets/references 结构测试	核心响应字段完整
证据不足处理	构造无检索结果场景	显示 Limited Evidence 状态
Replay 同步	加载事故时间点快照并检查场景/图表/事件	快照级状态一致
Audit trail	执行多意图组合场景	可重建完整 6 步执行链

5.2 性能评测

评测项	测试条件	目标值
定位/查询类意图	locate/highlight/query/count	< 500ms
状态解释意图	explain_status	< 5s
复合流程	trend + replay + audit	< 8s
设备定位	“查看 pump_01”	< 3s
异常高亮	当前活跃告警批量高亮	< 3s
趋势查看	打开指定测点趋势图	< 3s
全链路流程	定位 → 解释 → 趋势 → 回溯	< 60s
Replay 错误恢复	Snapshot 加载失败	3s 后可回 live

5.3 用户体验评测

评测项	评测方法	目标值
核心任务完成率	新用户完成定位/趋势/回溯任务	>= 85%
操作步骤数	完成设备定位和趋势查看	<= 5 步
证据理解度	用户能否找到 AI 回答引用来源	>= 80%
降级识别度	用户能否识别证据不足状态	>= 80%
学习成本	完成基础培训	<= 60 分钟

5.4 商业价值评测

评测项	计算方法	目标值
孪生对象完整度	已建模设备 / 核心演示设备	核心设备 100%
状态同步效率	demo 测点变化到场景状态变化	< 2s
异常定位效率	人工定位耗时 vs 系统定位耗时	提升 >= 70%
复盘效率	手动查日志/图表 vs Replay 还原	提升 >= 60%
交付质量	核心 AI 回答结构化率	核心场景 100%
审计完整度	Copilot 操作链可追溯率	核心链路 100%
知识复用	SOP/手册被引用次数	持续提升

六、技术实现

6.1 技术栈

层级	技术选型	选型理由
前端	React + TypeScript + Vite	类型安全、生态成熟、适合复杂运行时 UI
3D	Three.js + React Three Fiber	支持 Web 端 3D 场景渲染与交互
状态管理	Zustand	适合 Live/Replay store 隔离
服务端数据	TanStack Query	管理资产、事件、时序等异步请求
图表	ECharts	工业时序趋势图和事件统计图成熟稳定
UI 组件	Ant Design	快速构建专业后台操作界面
后端	NestJS + Fastify	模块化、类型安全、高性能 HTTP 层
ORM	Prisma + Prisma Migrate	管理业务数据模型和迁移
时序数据库	PostgreSQL + TimescaleDB	存储高频点位时序数据
知识检索	pgvector + PGVectorStore	支持 SOP/手册/巡检记录相似度检索
消息摄入	MQTT.js + Mosquitto/EMQX	对接产线设备与模拟数据源
AI	Vercel AI SDK generateObject()	结构化输出、Zod 验证、Provider 可切换
文档预处理	MinerU 离线解析	将 PDF/DOCX 转为可索引 Markdown
基础设施	Docker Compose	本地和私有化部署便捷

6.2 AI 能力集成

AI 能力：

• 孪生上下文组装：围绕 TwinAsset 汇总资产属性、测点值、事件、趋势和知识引用。
• 意图识别：核心 intent 通过 LLM generateObject() 解析为 {intent, params, confidence}。
• 响应生成：定位、告警高亮、趋势查询、告警统计采用模板组装；状态解释使用 LLM 生成结构化回答。
• 知识检索：通过 pgvector 检索 SOP、告警手册和巡检记录，并映射为 references。
• 趋势理解：结合 TimescaleDB 时序数据和事件统计进行趋势摘要。
• 状态解释：综合告警事件、最新值、趋势数据和知识引用生成判断依据。

执行方式：

• 使用固定 intent 路由调用业务能力函数。
• 工具函数按 intent 的 switch-case 执行。
• AI 输出统一转换为 AgentResponse。
• 前端动作统一转换为 SceneAction。
• references 为空时输出证据不足提示和 Limited Evidence 状态。

6.4 创新点

• 运行态数字孪生对象：以资产、测点、事件、场景节点和知识引用构建设备数字副本。
• 虚实映射机制：通过 assetId / pointId / sceneNodeId 将物理设备状态稳定映射到虚拟场景。
• 确定性状态同步：通过 Binding Engine 将实时点位数据映射为可验证的 3D 场景动作。
• 结构化 AI 前端契约：SceneAction / AgentResponse 将 AI 输出转化为可验证动作和可追溯回答。
• 证据优先机制：以 references 约束工业场景 AI 回答。
• Replay 事故复盘：以关键时间点快照还原历史孪生状态、事件和趋势。
• 全链路审计：从意图接收到动作执行均可记录、追踪和复盘。
• 低耦合 Copilot Pipeline：使用 Vercel AI SDK 做结构化生成，能力调用由业务代码控制。

七、商业模式

7.1 收入模式

模式	说明	定价
私有化部署	面向工厂、产线、工业园区本地部署	按项目报价
项目制交付	按产线建模、点位接入、知识库初始化收费	按产线/站点报价
订阅制	按站点、设备数、数据保留周期或 AI 使用量订阅	月度/年度订阅
增值服务	场景建模、SOP 知识库建设、Replay 复盘报表	按服务包报价

7.2 市场定位

短期：服务中小型制造企业、设备运维团队和数字化改造项目。

中期：拓展到多产线、多工厂的设备运行分析和事故复盘场景。

长期：成为工业数字孪生运行态和 AI 可控执行层的基础设施。

7.3 竞争优势

维度	传统监控/看板	Next Digitwin
设备表达	点位列表 + 静态模型	资产、测点、事件、场景和知识组成的运行态孪生对象
状态呈现	表格数值或告警灯	颜色、高亮、动画、趋势和事件联动呈现
交互方式	菜单、表格、静态图表	自然语言 + 孪生体场景动作 + Widget
AI 可控性	容易停留在自由问答	结构化契约 + 后端验证
证据链	分散在日志、图表和文档中	references 统一呈现
事故复盘	手动查日志和曲线	Replay 快照同步还原
审计能力	操作链不完整	intent/tool/action 全链路审计
部署方式	依赖重型平台集成	Docker Compose + 可配置 Provider

八、社会价值

8.1 行业价值

• 降低工业数字孪生从展示型向运行型落地的门槛。
• 帮助企业把设备台账、点位数据、事件记录和 3D 场景统一到同一个孪生对象中。
• 促进设备运维知识、SOP 和现场数据的结构化沉淀。
• 提升异常处置和事故复盘的标准化水平。

8.2 社会价值

• 辅助减少产线异常扩大化和非计划停机。
• 帮助一线工程师更快理解复杂设备状态。
• 通过可追溯的 AI 使用方式提升工业 AI 应用可信度。

8.3 可持续发展

• 技术可持续：核心栈基于 TypeScript、PostgreSQL、TimescaleDB、pgvector、React 等成熟生态。
• 数据可持续：点位、事件、快照、知识和审计日志均结构化存储。
• 演进可持续：以结构化契约、业务能力函数和受控 Copilot 编排为基础，持续增强工业数字孪生运行能力。

九、项目进展

当前状态：实现期。

已定义产品能力：

• 异常定位。
• 设备运行态孪生。
• 带证据的状态解释。
• 趋势分析。
• 基于 Replay 的事故回溯。
• 可审计操作追踪。

已定义核心契约：

• NormalizedPointMessage。
• SceneAction。
• AgentResponse。
• trend_chart / event_table Widget。
• 统一 API 错误响应。
• 6 类 audit step。

已定义核心 AI 意图：

• locate_asset：设备定位。
• highlight_anomalies：异常设备高亮。
• query_trend：趋势查询。
• count_events：告警统计。
• explain_status：带证据状态解释。

十、参赛信息

项目名称：Next Digitwin - 产线设备数字孪生运行时

参赛宣言：

用可控 AI 驱动工业数字孪生，让产线运行更透明、异常处置更高效、事故复盘更可信。

本文档为 AI+应用项目提案（Specs），用于赛事评审。项目以运行态孪生对象、虚实映射、状态同步、带证据状态解释、趋势分析、Replay 回溯和审计链路展示产品价值。