数字孪生体可以作为虚拟传感器，也可以在数字孪生体中实现虚拟传感器。将来自实际设备和虚拟传感器的数据与机器学习例程相结合，将能够对电能系统的设备进行诊断和预测
本文由三位业界大咖围绕制造业的数字孪生之路展开探讨。数字孪生来到了一个新的时间节点，这是基于传感器、智能装备、工业软件、工业互联网、IoT、云计算和边缘计算的成熟和更广泛的商业实践积累。展望未来，数字孪生在未来5到10年将会持续加速和更广泛地普及。
本研究建立一个完整的测试台的数字孪生模型（DT）。DT和信号HiL之间的主要区别在于，后者通常是在安装实际硬件之前构建的，以便通过强大的仿真来测试一个概念，而DT是在实际测试台存在之后创建的，其数字副本可以独立于实际硬件设施使用。
数字孪生对于大型、技术复杂的机器设备，如飞机、火箭等尤为重要。由于这类设备技术含量高，且一旦出错，代价昂贵，因此，航空航天领域是最早应用数字孪生的领域。2009年美国空军实验室提出了“机身数字孪生”的概念。2010年NASA也开始在技术路线图中使用“数字孪生”术语。
我们从与产品相对应的数字孪生，最直接的一种扩展性思路就是建立设备资产的数字孪生，比如我们做了很多基于设备资产数字孪生的状态监控、预测性维护等等。这些设备资产当然是属于车间或者工厂的，但这个仍然不是车间或者工厂运行价值所在。
数字孪生系统具备的动态仿真功能，能够模拟设计模型在制造环节的可行性、效率性以及可能出现的制造问题，并反馈至设计进行修改。在这个环节中，比如汽车油泥模型的设计和数字孪生，三维扫描都能够提升物理实体和数字实体的转化效率。
