究竟如何最大化地提升工业机械的效率呢？其中一个方法是事先预测工业机械的故障，防止机械的突然停止，也就是“计划外停机”的情况。如果是事先计划的停机，可以通过准备替代品或者调整运营的方式将工业机械故障的影响降到最小化。而由故障引起的工业机械的计划外停机的影响常常非常大。比如，如果发电站的发电涡轮发生了计划外停机，就有可能造成停电。如果喷气式飞机发动机或者列车的柴油发动机发生了计划外停机，就有可能发生事故或者出现停运。对于海底油田设备而言，计划外的停机可能会引起油田火灾。事先防止计划外停机，不仅仅可以提高运营效率、削减成本，对于安全也是十分重要的。

GE为了预测故障开发了“数字孪生”。所谓数字孪生，指的是工业机械的“数字双胞胎（twin）”。在Predix上制作工业机械的数字版，随时将从实际机械上采集的传感器数据上传。通过这种数字孪生，预测机器今后的故障。

数字孪生有“物理模型”和“数据模型”两种模型（将工业机械的运行状况公式化）。

物理模型是设计工业机械时使用的三维（3D）CAD数据。在计算机上通过物理模型模拟工业机械的状态，预测在特定条件下机器是否会发生故障。GE位于纽约州的研发机构“全球研发中心（GRC）”的软件开发负责人柯林·帕里斯（Colin Paris）表示：“原来仅仅用于开发工业机械的CAD模型，也用在了工业机械运行时的数据分析上，这是数字孪生独特的地方。”

数据模型是基于安装在工业机械上的各种传感器采集过去数据，通过机器学习的方法形成工业机械的模型。通过在物理模型和数据模型上得到工业机器上的最新数据，之后就可以预测包括故障发生率在内的工业机械未来的运行情况。(www.daowen.com)

下面，笔者以制造柴油机车的业务部门GE运输为预测货运列车的故障而制作的数字孪生为例，具体说明GE是如何在真实的场景下预测故障的。

GE数字的数据专家廖林峡开发了通过采集货运列车上的数据进而预测机车和货车故障发生的数字孪生。廖林峡首先将货运列车上振动传感器记录的特定波形模型定义为“表示车轴偏差的振动特征”“表示发动机故障的振动特征”等。然后，他以实际的运行数据为基础，将特定波形模型在何种情况出现多少次后会发生故障的规律，通过“机器学习”的方法导出。

机器学习是从数据之中自动获得知识和规律的方法。从机器学习中获得的规律，就是将工业机械的运行情况数据化后，通过公式表现出的数据模型。对于列车的数字孪生而言，就是把运行中的货运列车上的振动传感器获得的数据放入数字孪生中，预测该货运列车的故障。