概念
数字孪生（Digital Twin）：为物理实体（设备、产线、建筑、城市）建立一个数字模型，并通过实时数据让这个模型与物理实体保持同步。
三个要素：
- 物理实体；
- 数字模型；
- 两者之间的数据连接（通常是双向的）。
与"仿真"的区别
| 传统仿真 | 数字孪生 | |
|---|---|---|
| 数据 | 离线、静态输入 | 实时数据驱动 |
| 更新 | 设计阶段使用 | 全生命周期持续更新 |
| 连接 | 单向（模型→结果） | 双向（可反馈控制） |
核心差异：数字孪生与物理实体之间有一条持续的、实时的数据链路。
没有这条链路，它就只是一个 3D 模型或仿真。
应用层次
一、监测与可视化（最常见）
把设备的运行状态实时呈现在数字模型上——本质是高级的监控大屏。
价值：直观、便于理解复杂系统的当前状态。
局限：如果只是可视化，价值有限。
二、分析与诊断
结合历史数据和模型，分析"为什么会出现这个状态"、"哪里可能出问题"。
三、预测（价值较高）
- 预测性维护：基于设备的实际运行状态（而非固定周期）预测何时需要维护——这能减少非计划停机；
- 剩余寿命预测。
四、优化与仿真（价值最高）
在数字模型上"试验"不同的运行参数，找到最优方案，再应用到物理系统。
优势：不必在真实系统上试错（试错成本高或有风险）。
五、闭环控制
数字模型直接参与控制决策。这是最高层次，也最难实现（对模型精度和实时性要求极高）。
应用领域
一、制造业
- 设备的预测性维护；
- 产线的虚拟调试（在投产前验证）；
- 工艺参数优化。
二、建筑与基础设施
- 建筑的能耗模拟与优化（暖通空调、照明）；
- 结构健康监测（桥梁、隧道）；
- 施工过程的模拟与进度管理。
三、城市
- 城市交通流仿真（评估限行、新路、信号灯方案）；
- 内涝模拟（暴雨时的积水预测）；
- 应急疏散仿真。
四、医疗
有研究在探索心脏、器官的数字孪生——用于手术规划和药物剂量优化。这仍处于早期阶段。
挑战
一、模型精度
数字孪生的价值取决于模型能否准确反映物理实体的行为。
建立高精度模型需要：
- 深入的领域知识（物理机理）；
- 大量的运行数据（数据驱动建模）；
- 通常是机理模型 + 数据驱动的结合。
二、数据质量
"Garbage in, garbage out"——传感器故障、数据缺失、时延，都会让孪生失去意义。
三、成本
建立和维护高质量的数字孪生成本不低——包括建模、传感器、数据平台、人员。
需要评估：这个系统的价值（如减少的停机损失）是否超过投入？
一个务实的判断
数字孪生在很多场景被过度营销了。
很多被称为"数字孪生"的项目，本质是 3D 可视化——没有实时数据驱动，也没有分析优化能力。
判断标准：
- 模型和物理实体之间有没有实时数据链路？
- 它有没有产生超出可视化的价值（预测、优化、控制）？
如果答案是没有，那它只是一个漂亮的三维模型。
说明：本文为工业互联网的知识整理。