工业机械的老化，可以通过并用数字孪生的物理模型和数据模型来预测。基于CAD数据的物理模型，可以基本上再现工业机械制造时的状态。一旦工业机械在实际中投入运行，依据现场的环境的不同，会产生不同的老化情况。通过使用数据模型，也可以再现物理模型不同年份的变化。

笔者继续引用上文的飞机发动机的例子进行说明。首先，根据在粉尘多的天空中飞行的发动机的老化情况创建模型。待飞行过后，将实际的粉尘数据输入模型中，这样就可以把发动机的老化情况反映到物理数据中。

数据模型和物理模型并用，还有其他的好处。使用物理模型进行故障预测模拟时，需要使用工业机械运行中的传感器数据。但是由于现场环境的不同，可能会发生传感器不能正确收集数据、传感器数据不能通过网络进行汇集等情况。在传感器数据不全的情况下，使用数据模型，可以进行补全和修正。GRC的帕里斯说：“传感器数据的补全，可以用来查明工业机械发生故障的原因。”

另外，亚马逊和谷歌的消费者偏好的预测模型和GE的数字孪生模型最大的区别在于，亚马逊和谷歌的模型仅在数据模型上成立。GE之所以采用物理模型和数据模型并用的方法，是因为在工业机械领域，仅仅依靠数据模型是不能预测故障的。

对此，GRC的帕里斯解释说：“谷歌一天会推送数千万条数字广告，亚马逊一年销售数十亿件以上的商品。谷歌和亚马逊拥有海量的消费者行为数据，用数据模型就能很好地正确预测消费者行为。但是，GE的喷气式飞机发动机，即便是一年飞行100万次，也仅发生28次故障。故障的发生频度非常低。所以是不能仅用数据模型来分析故障发生的机理。同时，也必须要采用物理模型的模拟。”(www.daowen.com)

GE与亚马逊和谷歌在手法上还有其他的不同。GE数字的CTO哈雷尔·柯戴什（Harel Kodesh）强调说：“飞机发动机修理一次就要花费20万～30万美元。如果故障预测错误，发生了无效的修理，就会造成巨额损失。故此，GE必须要提供远远高于亚马逊推荐书籍和音像制品精度的预测。”

因此，GE在实际的数字孪生中不断变换机器学习的算法，一台工业机械对应近1000种预测模型。GE通过大量的预测模型，最大限度降低误差发生的可能性。

数字孪生除了预测故障之外，还有别的用途。它可以用于提高工业机械的生产效率。比如，从事风力发电涡轮的业务部门GE可再生能源可以使用数字孪生实现风力发电站发电量的最大化。首先，GE从风力发电的叶片和涡轮的CAD数据上制作各个风电设备的物理模型。同时，用机器学习得到风力发电站周边实际的风向数据，制作周边环境的数据模型。然后将数据模型预测的风向数据输入到物理模型中，计算机模拟出叶片朝向哪个方向可以实现发电量的最大化。通过监测实际环境中的风向，按照计算机模型结果转动叶片，可以实现发电量的提高。