2. 预测性维护 – 在工业 4.0 应用中，模型可以用来确定剩余使用寿命，通知运营部门在最适当的时间检修或更换设备。

3. 异常检测 – 模型与实际资产并行运行，并会立即标记偏离预期（仿真）行为的运营行为。例如，石油公司可以流式采集持续运转的海上石油钻塔的传感器数据。数字孪生模型会寻找运营行为中的异常现象，以帮助避免灾难性破坏。

4. 故障隔离 – 异常可能触发一连串的仿真，以便隔离故障，识别根本原因，使工程师或系统能够采取适当措施。

这些模型必须保持最新，并根据运营中的资产进行调优，这通常涉及将来自资产的数据直接传输到调优数字孪生的算法中去。这允许您可以考虑资产环境、寿命和配置等方面的问题。

一旦确认数字孪生可用并保持最新后，您可以用它以各种方式预测未来行为、精细化控制或优化资产运营。一些例子包括模拟真实资产上不存在的传感器、模拟任意数量的未来情景以便为当前和未来运营提供更多信息，或通过向数字孪生发送当前真实输入来提取当前运营状态。

通过 MATLAB，您可以使用所连接资产的数据定义模型。您还可以使用 Simulink 中的多域建模工具创建基于物理实体的模型。数据驱动和基于物理实体的模型都可以使用来自运营资产的数据进行调整，以发挥数字孪生的作用。 您可以使用这些数字孪生进行预测、假设分析仿真、异常检测、故障隔离等。

MATLAB 中可用的数据驱动方法包括机器学习、深度学习、神经网络和系统辨识。您通常可以使用一组数据来训练或提取模型，然后使用另外一组验证数据来验证或测试模型。 借助 MATLAB 应用程序，您可以探索这些建模方法，找到适合您的应用的最精确方法。

Simulink 中基于物理的建模涉及利用第一原理设计系统。模型可能包括机械、液压和电气组件。此外，模型也可能来自使用基于模型的设计与 Simulink 的上游设计工作。

通过优化方法，您可以使用标准协议（如用于入站数据流的 MQTT）调优数字孪生模型并使其保持最新状态。

您可以在任何对您的应用有意义的地方实现数字孪生 –– 在边缘节点、运营技术基础架构或 IT 系统。并可在 Azure IoT Hub 或 AWS IoT 等商用系统上集成，或根据需要通过 API 和其他常用集成方法（如共享库和 RESTFul 调用）实现自定义集成。