数字孪生是物理实体（零部件、单台或多台设备等）在虚拟空间中的数字镜像。这个镜像需要通过物联网获取实时、海量的数据来驱动虚拟模型，使其与物理实体保持同步。使用数字孪生进行分析模拟，得出优化控制/运维策略，再通过物联网下发给物理实体的执行器。
说起来似乎很简单，但是数字孪生的组成要素并不少，其中物联网是数字孪生的基础，以下以工业系统的数字孪生为例，展开讨论。在现代化工厂中，构建生产设备的数字孪生的一般架构如下图所示：
可以看出，数字孪生的核心组成部分通常包含几个要素：物理实体、虚拟模型、数据连接（传感器、边缘计算、IT/OT 系统）、模型/算法（参数更新、数据分析、Monte Carlo 仿真设置）、服务与接口（可视化界面、数据库等）。更多关于数字孪生和物联网的说明，可参考：什么是数字孪生？ - MATLAB & Simulink；物联网 - MATLAB & Simulink。
既然这么复杂，构建成本不低，为什么工业界对数字孪生趋之若鹜？
Krones（克朗斯）的 Robobox T-GM 是一款全自动系统，用于对瓶装饮料包进行转向、定位和分组，以便码垛。
克朗斯重新设计了该系统，旨在提高其输出量和灵活性，并减少维护需求。新款 Robobox T-GS 采用了一种带有并联运动学设计的三角机器人，能够以每小时 500 层的速度将饮料包分组成预定义的层模式。和分拣机器人不同， Robobox T-GS 通过在移动的传送带上滑动包裹来工作。因此，设计必须考虑摩擦力、重力、电机的惯性矩以及接触力（包括包裹与传送带之间的接触力）。
克朗斯工程师使用 Simulink® 和 Simscape Multibody™ 开发了三角机器人的数字孪生。他们利用该数字孪生进行仿真，为设计决策提供依据。在重新设计的系统投产后，他们又利用该数字孪生体支持预测性维护并诊断运行问题。
这个案例中，数字孪生从多个方面，为工业系统设计和优化，提供了思路和支撑，概括来说，数字孪生可以辅助工业系统的设计开发者/运维者完成以下任务：
尽管数字孪生用例各不相同，但可以采用一些具有共性的策略来推进数字孪生项目。这些策略基于一致的框架：定义明确的目标、设计和验证模型、有效部署模型和算法，并通过持续的监控和更新维护。
成功的数字孪生应用之旅始于对目标清晰的认识。数字孪生要实现什么目标？是帮助产品开发、帮助诊断设备问题、优化运营，还是提供用于培训的仿真？
接下来，定义数字孪生的范围。数字孪生是表示一个单独的组件，还是表示作为一个子系统的组件集合，乃至表示整个系统本身？是只提供单一功能还是有多种用途？这些最初的决策将决定项目的复杂程度和方向。
创建一个数字孪生需要深思熟虑，具体取决于领域知识、可用方法以及计算资源。对于全新产品设计，因为缺乏测试或运营数据，许多人只能从基于物理的建模（借助 Simulink、Simscape）开始。当有足够的数据可用时，可通过 Simulink Design Optimization 提供的 Parameter Estimator App 结合实测数据对模型参数进行调参，如下图所示。也可以使用数据驱动或基于 AI 的方法进行系统辨识，结合机器学习或深度学习来预测结果和行为，包括开发预测性维护算法。
一旦数字孪生完成构建，就要对其进行严格的测试和验证。这一阶段的目的是通过评估反映物理副本的准确程度来建立对数字孪生的信任。还需要度量其预测和仿真的准确度。了解基于数字孪生提供的信息作出决策的相关风险也很重要。只有这样，才能确保数字孪生不仅是复杂的模型，而且是面向真实应用的可靠工具。
经过验证的数字孪生和相关的算法（优化、预测性维护等），可针对不同的目标运行环境，使用对应的工具进行部署，例如：
数字孪生决非一劳永逸的解决方案。持续的监控十分必要，以确保数字孪生始终能够可靠、准确地表示其物理对应项。可以通过建立性能度量并定期根据真实数据验证数字孪生，保证它忠实地反映其物理实体。此外，数字孪生很可能需要随着时间的推移而演化，当超出某些阈值时，需要建立参数调节机制（前面提到的 Parameter Tuning）甚至重建整个模型的机制。这种自适应性是数字孪生延长使用寿命和保持价值的关键。
MATLAB 和 Simulink 提供了用于创建、仿真、验证和实现数字孪生的综合平台。借助基于物理的建模、统计数据分析和 AI 提供的综合优势以及简易的部署选项（PLC、嵌入式、Web、云等），帮助工程师团队更高效地设计数字孪生，以增强对复杂物理系统的理解、操作和维护。
（本次回答由 MATLAB 盐究员 Y的N次方 提供）
