工业 4.0 在多年热议后悄然落地，如今，制造、能源和运输企业正在越来越多地从中受益。

仿真未来场景

公司可以使用数字孪生仿真未来场景，以了解天气、车队规模或工况差异等因素对性能的影响。该方法可为维护计划提供决策支撑，并可提前标记预期故障，从而有助于管理资产和优化运营。

公司可以将数字孪生应用于各个领域，包括异常检测、运营优化和预测性维护。

异常检测

数字孪生模型与真实资产并行运行，并会实时标记偏离预期行为的运行行为。例如，石油公司可以流式传输持续运转的海上石油钻塔的传感器数据，而数字孪生模型会寻找运行行为中的异常现象，以标记潜在的设备损坏。

运营优化

公司可以应用天气、车队规模、能源成本或性能因素等变量，触发成百上千个仿真，以评估是否就绪或是否有必要调整当前系统设置点。通过这种方法，您可以优化系统运行，从而缓解风险、降低成本或提高系统效率。下图这家饮料和食品行业设备生产商如何创建数字孪生，从而实现设计优化、故障检测和预测性维护。

预测性维护

在工业自动化和机械应用中，公司可以使用数字孪生模型来确定剩余使用寿命及最合适的设备检修或更换时间。

如图所示，在一个典型的智能连接系统拓扑结构中，可以根据应用所需的响应时间，在智能资产、边缘或 IT/OT 层执行数字孪生。以预测性维护为例，这是工业 4.0 的一项常见应用，它通常要求做出实时或紧急决策，这意味着数字孪生应直接集成到资产或边缘。  

数字孪生的工作原理是什么？

下例假设一家公司在不同地点设有三个井场，井场中运行多个泵，从地下开采石油和天然气，需要对多个泵的数字孪生应用预测性维护。

工程师可以构建一个数字模型，使用来自传感器的输入数据和泵的当前工况更新该模型。如图 2 所示，数字孪生模型读取这些读数，并输出由公司员工分析得出的泵当前状态，这将带来诸多优势，包括：

• 设备停机时间缩短：每台泵均包含重要部件，例如阀门、密封件和柱塞。借助数字孪生，员工能够预测故障并加以防范，从而帮助减少停机时间。

• 库存管理：工程师们还可以利用数字孪生来识别潜在故障，进一步了解哪些零件可能需要维修或更换，从而更有效地管理零件库存。 

• 车队管理、假设分析仿真和运营规划：三处井场的每个泵可能功能相似；然而，每个地点都有不同的环境因素（如温度）会影响泵的运行状况。借助数字孪生，公司能够监控整个车队，仿真未来场景并进行比较，以找出提高效率、改进运营规划的方法。 

如何构建数字孪生

在上述优势的吸引下，将有越来越多的公司要求工程师开发数字孪生。设计团队在准备、构建和应用数字孪生模型时，不可不知以下三种方法。

数据驱动建模

如果公司希望通过估计剩余使用寿命 (RUL) 来优化维护计划，则可使用数据驱动模型，因为来自资产的数据类型将决定团队所使用的模型。如果公司拥有类似机器的完整历史记录，则可以使用相似性模型。如果只有故障数据可用，则可以使用生存模型。如果没有故障数据，但是知道安全阈值，则可以使用退化模型估计 RUL。在此 RUL 场景中，使用不同传感器（例如压力、流量和振动）测得的泵数据持续更新该退化模型。

基于物理建模

如果公司希望仿真未来场景并监控车队在这些场景下的行为，则可使用基于物理的模型，该模型通过连接机械组件和液压组件创建。资产向此模型馈送数据，此输入数据将用于估计并调整模型参数，使模型保持最贴近状态。然后，工程师们可以注入不同类型的故障，仿真泵在不同故障条件下的行为。

数据驱动建模与基于物理建模相结合：卡尔曼滤波器 

工程师们可以使用卡尔曼滤波器作为数字孪生，将泵的退化作为一种状态进行建模，定期更新此状态以表示泵的当前状况。

如何应用数字孪生

设计团队需要分别针对每个资产创建唯一数字孪生。这意味着团队必须为不同地点的每个资产分别创建唯一数字孪生，并使用对应资产的参数进行初始化。唯一孪生的总数将取决于应用场景。如果团队对由多个系统构成的系统进行建模，则可能需要针对其中的每个多组件系统构建数字孪生，但也可能不需要，具体取决于精度要求。例如，如果目的是运行故障预测和故障分类，则设计团队需要针对各个目的创建不同的模型。

利用数字孪生创造价值

数字孪生具备灵活性和各种潜在优势，因而成为公司在工业 4.0 转型过程中的首要任务。借助运营中的实物资产的最贴近表示，工程和设计团队可以挖掘数据背后的意义，从而推动优化、改进效率、实现自动化和评估未来性能，最终节约成本、缩短开发时