数字孪生

数字孪生(Digital twin)指可用于各种目的物理资产(物理孪生,physical twin)、过程、人员、场所、系统和设备的数字副本。数字(digital)表示提供了物联网设备在其整个生命周期中如何运行的各个要素和动态。先前研究中使用的数字孪生技术（digital twin technology ）的定义强调了两个重要特征：
首先，每个定义强调物理模型和相应的虚拟模型之间的连接。
其次，通过使用传感器生成实时数据来建立这种连接。
数字孪生是物联网里面的概念，它指通过集成物理反馈数据，并辅以人工智能、机器学习和软件分析，在信息化平台内建立一个数字化模拟。这个模拟会根据反馈，随着物理实体的变化而自动做出相应的变化。理想状态下，数字映射可以根据多重的反馈源数据进行自我学习，从而几乎实时地在数字世界里呈现物理实体的真实状况。数字映射的反馈源主要依赖于各种传感器，如压力、角度、速度传感器等。数字映射的自我学习（或称机器学习）除了可以依赖于传感器的反馈信息，也可以是通过历史数据，或者是集成网络的数据学习。后者常指多个同批次的物理实体同时进行不同的操作，并将数据反馈到同一个信息化平台，数字映射根据海量的信息反馈，进行迅速的深度学习和精确模拟。
在各个工业部门，数字孪生被用来优化物理资产、系统和制造过程的操作和维护。它们是用于工业物联网的成形技术，其中物理对象可以与其他机器和人类生活和交互。事实上，在物联网的背景下，它们也被称为“网络对象” "cyberobjects"或“数字化身” "digital avatars"。
实例：
使用数字双胞胎优化机器的一个例子是维护发电设备，如发电涡轮机、喷气发动机和机车(power generation turbines, jet engines and locomotives)。
数字双胞胎的另一个例子是使用3D建模来为物理对象创建数字对象。它可以用来查看实际物理对象的状态，这提供了一种将物理对象投影到数字世界的方法。例如，当传感器从连接的设备收集数据时，传感器数据可用于实时更新设备状态的“数字孪生”副本。（Twitter的术语“设备阴影”（"device shadow" ）也被用于数字孪生的概念。数字孪生意味着物理对象的属性和状态，包括形状、位置、姿态、状态和运动的最新和精确拷贝。
数字孪生也可用于监测、诊断和预测，以优化资产性能和利用率。在这一领域，感官数据可以结合历史数据，人类专业知识和车队和模拟学习，以改善预后的结果。因此，复杂的预测和智能维护系统平台可以使用数字双胞胎来找出问题的根源并提高生产力。