{
  "id": "digital-twin",
  "title": "数字孪生",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "数字孪生是与物理实体或过程保持数据连接的数字化表征，用于在其全生命周期内理解、预测其行为并为之提供支持。",
  "category": "technology",
  "subcategory": "engineering",
  "type": "concept",
  "aliases": [
    "数字双胞胎",
    "数字双生"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/digital-twin/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/digital-twin/",
      "json": "https://aiwiki.page/en/digital-twin.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "数字孪生是对可明确识别的物理实体、过程或系统的数字化表征，通过与现实中的对应对象交换数据而持续维护。它整合了对应对象的基本信息、当前或历史状态，以及描述其行为的模型。根据用途不同，数字孪生可以表征单台机器、制造流程、建筑物、交通运输网络，或规模更大的互联系统。\n\n数字孪生的独特之处不在于照片般逼真的可视化效果，而在于数字化表征与被表征系统之间持续保持的联系。测量数据、维护记录、运行条件和配置变更都可以用于更新这一表征；对该表征的分析则可进一步为检查、规划或控制提供支持。因此，数字孪生所提供的能力可能超出传统图纸、数据库或独立仿真的范畴，尽管它通常也会将这三者融为一体。\n\n数字孪生汇集了传感器、计算机辅助设计、数值建模、物联网和工业信息系统等领域的发展成果。它是否有用，取决于其表征对于某项具体决策而言是否足够准确、及时，而不在于它是否复现了现实中的每一处细节。其应用范围广泛，从估算旋转部件的剩余寿命，到评估工厂的调整方案，再到研判城市排水系统面对强降雨时可能出现的响应，都包括在内。"
    },
    {
      "heading": "定义、边界与相关概念",
      "text": "不同工程学科和标准对数字孪生的定义有所不同。其共同核心包括现实世界中的对应对象、数字表征，以及使该表征的相关方面与对应对象保持一致的机制。这种一致性可能涉及几何形态、运行状态、材料状况、配置，或其中若干方面的组合。需要特别指出的是，同步的频率和保真度应与应用需求相适应，并不一定意味着连续、即时地更新。\n\n一个有用的区分是将通用模型与特定实例的表征区别开来。涡轮机设计模型描述的是一类机器，而与某台已安装涡轮机相关联的孪生体，还可以包含其序列号、制造偏差、运行历史、维修记录以及推断出的损伤。在某些用法中，“数字孪生”也涵盖实物尚未存在时的设计，尤其是当同一数字表征日后将与生产和运行数据相连接时。在这种情况下，与未来物理实例的连接是一种预期安排，而非已经建立的联系。\n\n一种有影响力的分类方法区分了三种概念：数字模型，主要通过人工交换信息来更新；数字影子，自动接收来自物理系统的数据；以及数字孪生，实现双向自动交换。这套术语很有用，但并未得到普遍采用。许多在工业界被认可的孪生体只提供监测和建议，并不向设备发出指令。双向交换也可能通过经批准的工单或修订后的运行计划来实现，而不是直接进行自动控制。\n\n同样，孪生体也不等同于三维场景。热网络、一组微分方程或统计表征，可能比精细的几何模型更有用。反过来，一个工厂的沉浸式可视化场景可能准确呈现设备，却几乎不包含有关设备状况或性能的信息。可视化是与孪生体交互的界面，但仅凭可视化并不足以证明孪生体的存在。\n\n一些相近概念与数字孪生有所重叠，但并不相同。建筑信息模型用于组织建筑资产的相关信息，而产品生命周期管理用于管理与产品相关的信息和流程。两者都可以为孪生体提供身份标识、配置和工程记录。仿真研究的是特定假设下的行为；孪生体则可以在持续保持与某个特定系统连接的同时，运行多项仿真。仪表板展示观测数据，而孪生体还能将这些观测数据与结构、推断出的状态以及未来可能的情况关联起来。在实践中，这些概念的边界往往由预期用途以及赋予系统的职责来确定。"
    },
    {
      "heading": "历史发展与标准化",
      "text": "数字孪生并非源于某一项单独的发明，而是从多种既有工程实践中逐步发展而来。长期以来，工程师一直使用缩比模型、数学模型、试验台和运行记录，来了解那些在运行中无法被全面观测的机器。例如，阿波罗计划曾利用地面模拟器和大量遥测数据支持航天飞行任务。回顾历史时，人们常将这类安排视为数字孪生的先驱，但不应将其等同于当代通过网络连接的数字孪生。\n\n现代数字孪生概念与迈克尔·格里夫斯自2002年起在密歇根大学开展的产品生命周期管理研究密切相关。这项研究描述了物理空间、虚拟空间以及两者之间的信息连接。随着理念传播，相关术语也逐步演变。后来“数字孪生”这一表述的采用，通常被认为与美国国家航空航天局的约翰·维克斯有关。这些贡献帮助确立了一种认识：数字孪生不只是计算机模型，更是物理表征与信息表征之间持续存在的关系。\n\n航空航天研究赋予了这一概念技术要求尤为严格的内涵。美国国家航空航天局2010年的建模与仿真路线图讨论了数字孪生；2012年，爱德华·格莱斯根和戴维·斯塔格尔发表了一篇被广泛引用的论文，阐述了面向美国国家航空航天局和美国空军未来飞行器的数字孪生范式。其重点是整合高保真仿真、机载测量数据和历史信息，以反映某一具体飞行器的状态。疲劳、损伤累积和不确定的运行载荷是其中的核心关注点：两架名义上完全相同的飞机，可能因各自经历不同而形成不同的状态。\n\n在2010年代，传感成本下降、连接能力改善、云计算发展以及数值方法进步，拓宽了这一概念在工业领域的应用范围。制造业的相关举措将其与生产设备及企业信息系统连接起来。建筑和基础设施领域的应用则将其与空间模型、检查记录及资产管理系统相结合。这一表述也进入了市场营销领域，有时被宽泛地用于指代几乎任何形式的数字表征。随着应用范围扩大，准确说明其连接方式、涵盖范围和验证情况变得日益重要。\n\n标准化工作旨在提高不同实现方案之间的可比性。ISO 23247系列标准于2021年首次发布，确立了面向制造业的数字孪生框架，涵盖通用原则、参考架构、制造要素的数字表征以及信息交换。这类标准并不规定采用某一种通用模型或软件产品，而是提供一套结构，让制造商和技术提供商能够在其中定义组件与接口。行业专用标准仍然十分重要，因为机床、飞机与城市供水管网在设备标识、工程含义、安全责任以及可接受的不确定性方面，存在显著差异。"
    },
    {
      "heading": "架构、身份标识与信息交换",
      "text": "数字孪生架构通常包含若干相互作用的层次：物理设备与仪器仪表、通信与数据采集、信息的持久化存储、模型与分析服务，以及供人员或其他系统使用结果的接口。这些功能不必集中在同一个应用程序中。在实际部署中，可以将嵌入式软件、本地服务器、远程计算服务、维护数据库和专业仿真工具结合起来。\n\n可靠的身份标识是其基础。每一项观测都必须关联到正确的资产、部件、位置和配置。更换电动机、更换传感器或更新控制器，都可能改变后续测量数据的含义。因此，孪生体所需的不只是设备名称，还需要记录部件之间的关系及这些关系在时间上的有效范围。如果缺乏配置控制，模型就可能依据已拆除部件的特性来解释数据。\n\n运行信息通常来自可编程逻辑控制器、数据采集与监视控制系统、检测仪器和业务系统。OPC统一架构能够将工业数据与结构化描述一并传递，而应用程序编程接口则可以提供对维护历史记录或仿真服务的访问。通信协议负责传输信息，但不同系统能否一致地解释信息，取决于它们是否在语义上达成一致。例如，一个标为“压力”的数值，如果没有单位、测量位置、基准约定和时间戳，其含义仍然不明确。\n\n时间处理尤为重要。传感器时间戳可能记录某个量的采样时刻，而数据库时间戳记录的则是消息到达的时刻。网络可能造成消息延迟、重复或顺序错乱。缓慢变化的配置记录也必须与高频采样信号在时间上正确匹配。用于事故重建的孪生体，所需的时间分辨率可能与用于年度资本规划的孪生体不同。保存数据溯源信息，即信息的来源及其转换历史，有助于区分直接测量值与计算值、校正值或人工录入值。\n\n架构也受到物理条件的约束。在靠近设备的位置进行计算，可以减少通信延迟，并使系统在网络中断时仍能运行。集中式计算资源则能够汇集整批设备的信息，或执行计算量较大的分析。因此，架构选择并非简单地在本地计算与远程计算之间二选一；许多孪生体会将任务分配到两者上。关键保护功能通常仍由经过适当工程设计的本地系统承担，而不依赖外部分析服务。\n\n互操作性不止于文件交换。两个模型必须对坐标系、资产边界、单位、变量定义以及结果的适用条件有一致的约定。一条持续贯通的工程信息链，通常称为数字主线，有助于将需求、设计修订、制造记录和运行证据连接起来。它为孪生体提供支持，但本身并不能保证行为模型始终准确。"
    },
    {
      "heading": "行为模型与计算方法",
      "text": "数字孪生中的模型将观测结果和假设转化为对系统行为的描述。基于物理机理的方法采用质量、动量和能量守恒等基本关系。例如，换热器的数字孪生可以将质量衡算、能量衡算与传热关系相结合，以估算出口温度并检测性能下降。结构数字孪生则可以利用有限元法，根据实测载荷估算应力。模型的选择取决于需要作出的决策：预测总体能耗与定位微小的疲劳裂纹，所需的细节程度并不相同。\n\n一种通用的离散时间表达形式为\n\n\\[x_{k+1}=f(x_k,u_k,\\theta)+w_k, \\qquad y_k=h(x_k,u_k,\\theta)+v_k,\\]\n\n其中，\\(x_k\\) 表示内部状态，\\(u_k\\) 表示输入或运行工况，\\(\\theta\\) 表示模型参数，\\(y_k\\) 表示测得的输出。\\(w_k\\) 和 \\(v_k\\) 分别表示过程不确定性和观测不确定性。这种表达形式将模型对系统演变的假设与仪器实际观测到的结果区分开来。它可以描述多种系统，从电池的内部状态到管网中的水流分布。\n\n相比之下，数据驱动模型从观测数据中学习各种关系。机器学习可以估计正常运行时的行为、识别异常模式，或近似替代计算成本高昂的运算。当机理尚未得到充分理解，或直接建模的成本过高时，这类模型可能很有用。其局限性在很大程度上取决于训练数据：用稳定运行数据训练的模型，在启动、设备受损或遇到陌生环境条件时，可能并不可靠。在既有经验范围内进行准确插值，并不等于能够在该范围之外作出可靠预测。\n\n混合方法将机理要素与经验要素结合起来。例如，可以用物理模型描述热流，再用学习得到的修正项表示不确定的热损失；也可以用已知的守恒定律约束统计估计器。这些做法可以提高结果的合理性和数据利用效率，但并不会自动消除误差。修正模型可能在校准过程中补偿了不正确的参数，却在运行工况变化后失效。\n\n计算成本决定了各种方法能够在哪种时间尺度上运行。精细的三维计算可能需要数小时，而运行决策可能必须在数秒内作出。模型降阶、简化等效电路、查找表和代理模型都可以减轻这一计算负担。不同模型可以并存：用快速近似模型进行监测，用更精细的模型开展定期分析。两者都不是在所有情况下更优；是否适用取决于所需精度、更新频率和可用资源。\n\n随机仿真通过表征多种可能的未来，而非单一轨迹，增加了另一个维度。车队维护数字孪生可以对不确定的使用情况和故障过程进行采样，生产数字孪生则可以模拟可变的到达时间和设备故障。这类输出以所采用的假设为前提，不应被视为精确的预测。"
    },
    {
      "heading": "同步、状态估计与不确定性",
      "text": "维护数字孪生并不只是将测量数据复制到数据库中。仪器只能观测选定的量，而许多值得关注的状态——如内部温度、累积损伤或材料剩余厚度——无法直接观测。因此，同步往往需要进行状态估计：将模型预测与观测结果相结合，以推断系统的状态。传感器融合可以整合具有不同噪声特性、采样率和空间覆盖范围的测量数据。\n\n一种简单的估计器利用预测输出与实测输出之间的偏差来修正预测状态。其示意形式为：\n\n\\[\\hat{x}_k^{+} = \\hat{x}_k^{-} + K_k\\left[y_k-h(\\hat{x}_k^{-})\\right],\\]\n\n其中，\\(\\hat{x}_k^{-}\\) 为先验估计，\\(\\hat{x}_k^{+}\\) 为修正后的估计，\\(K_k\\) 为修正增益。卡尔曼滤波器提供了一套成熟的框架，可在特定假设下计算此类修正；其非线性和集合变体则用于处理更复杂的系统。在大型环境与地球物理模型中，相关过程通常称为数据同化。\n\n某个状态究竟能否被推断出来，属于可观测性问题。如果更多传感器测得的本质上仍是相同信息，那么增加传感器并不一定能消除歧义。例如，冷却性能下降可能源于污垢沉积、流动状况变化，也可能是温度传感器校准不准确。要区分这些原因，可能需要增加测量，或对运行条件进行受控调整。参数估计也面临类似困难：有时，多组不同的参数组合都能解释同一组观测结果。\n\n同步也存在时间上的限制。如果测量数据到达得太晚，数字孪生即使能准确反映不久前的情况，也可能不适合用于当下的决策。更新间隔应根据系统动态特性和预期用途确定。振动监测可能需要高频采集，而桥梁检测模型可能只需定期纳入详细的检测数据。因此，“实时”是相对于具体过程而言的要求，并不对应一个通用的采样率。\n\n测量不确定度、参数不确定性、未来输入的不确定性以及模型本身的不足，都会影响预测。不应将这些来源笼统地归结为一个未经解释的准确度声明。例如，估计参数的置信区间未必能涵盖因遗漏某种物理机制而造成的误差。不确定性量化研究这些不确定性如何影响输出和决策。\n\n预测误差也可能随时间变化。传感器漂移、维修、磨损、软件变更以及新的运行工况，都可能使先前的校准失效。残差，即观测值与模型预测值之差，可以揭示此类变化；但如果模型一直在调整以拟合同一批数据，那么残差较小并不足以证明模型正确。采用独立测量、留出不参与校准的运行时段，以及明确模型的使用范围，有助于区分真正的预测能力与对既往数据的拟合。"
    },
    {
      "heading": "工程全生命周期、维护与控制",
      "text": "随着资产从设计、制造走向运行和退役，数字孪生可以支持各个阶段的不同活动。在设计阶段，模型可用于比较配置并评估预期载荷。在生产阶段，对几何尺寸、材料性能和装配条件的测量，可以使这一表征反映某个具体产品的特征。随后，运行记录又为该产品的实际使用情况补充了依据。要保持这些阶段之间的连续性，就必须细致地管理版本变更：设计配置、制造配置、安装配置和当前运行配置并不总是一致。\n\n虚拟调试与验收是一项实际应用。在完整的实体生产线建成之前，就可以将仿真生产线连接到控制软件。工程师无需让真实机械运转，就能测试动作时序、联锁、物料流动以及系统对特定故障的响应。这有助于发现接口错误，但测试结果的有效性受仿真覆盖范围限制。不能仅仅因为仿真测试成功，就排除虚拟环境中未纳入的碰撞或故障。\n\n在运行阶段，数字孪生可以支持状态监测和预测性维护。例如，旋转机械模型可以将转速、载荷、振动和温度数据，与轴承及润滑方面的知识结合起来。它不会一概将高振动水平视为异常，而是可以将观测值与当前工况下的预期值进行比较。可靠性工程则进一步将状态估计与失效机理、检查间隔及维护后果联系起来。\n\n剩余使用寿命是一项尤其难以准确给出的预测结果。它不仅取决于当前的退化程度，还取决于未来载荷、所处环境、维护情况以及选定的失效阈值。因此，应将数值估计理解为有条件的结果。某个部件在一种工作循环下预计可以使用一段时间，但转用于更严苛的工况后，其表现可能有所不同。对于某些应用，与其给出单一的失效倒计时，不如给出在规定时间内损伤超过阈值的概率，这样更有实用价值。\n\n数字孪生还可以支持模型预测控制：由模型评估未来轨迹，再由优化器在约束条件下选择控制动作。不过，数字孪生与控制器并不是一回事。数字孪生可以仅作为提供建议的系统，而执行仍由现有控制器负责。如果将建议直接接入自动执行环节，那么时序、稳定性、故障响应和功能安全就会成为系统层面的要求。\n\n在退役或翻新阶段，积累的记录可以为部件再利用、再制造和处置提供依据。这些记录的价值取决于数据的连续性。如果记录无法转移、解读，或其可信度无法得到保证，那么再精密的运行模型对后续所有者也可能用处不大。因此，全生命周期支持不仅涉及建模技术，还涉及合同和组织层面的安排。"
    },
    {
      "heading": "制造、能源与交通运输领域的应用",
      "text": "制造领域的应用涵盖单台机器、工作单元、生产线乃至整座工厂。机床的数字孪生可以估算热变形及其对尺寸精度的影响；生产系统的数字孪生则可能侧重于描述排队情况、加工时间、设备可用性和工艺路线选择。这些属于不同的建模问题：高度精细的机械模型并不能自动预测工厂的产出率，因为产出率取决于机器、工人、缓冲区和生产调度之间的相互作用。\n\n当运行行为由工件到达、工序完成或机器故障等事件驱动时，离散事件仿真便能发挥作用。接入当前的生产记录后，它可以比较不同的调度方案，或估算关键工位停用带来的影响。主要难点往往在于准确描述实际运行规则、返工、物料短缺和人工干预，而不是复现标称生产节拍。与物流系统集成后，分析范围还可扩展至库存可用性以及进出厂运输。\n\n能源设备提供了多尺度建模的实例。一台用于风能发电的风力机，其数字孪生可以将风况、转子行为、结构载荷与功率输出联系起来。燃气轮机的数字孪生可以跟踪压气机积垢或部件劣化引起的性能变化。在这两种情况下，都必须区分环境条件变化与设备状况变化；否则，正常的环境波动可能被误判为性能退化。\n\n电网的数字孪生可以整合网络拓扑、设备参数、电力测量数据和开关状态。状态估计和电力系统仿真早在“数字孪生”这一名称出现之前就已存在，采用这一名称本身并不会增添新的分析能力。其实际意义在于连接以往相互独立的信息源、保持配置信息的一致性，并支持反复开展运行或规划分析。开关位置状态未及时更新的模型，其实用性可能还不如拓扑正确的简单模型。\n\n对于锂离子电池，内部状态估计可以将电芯的电压、电流和温度与荷电状态及健康状态联系起来。数字孪生通过整合制造信息、使用历史和电池群体层面的分析，可以超越电池管理系统的实时功能。老化模型必须区分随时间发生的劣化与循环使用引起的劣化，同时考虑这两类劣化对运行条件的依赖性。\n\n交通运输领域的应用既涵盖交通工具，也涵盖交通网络。铁路的数字孪生可以将基础设施的几何信息、检测结果、列车运行情况和维护记录联系起来。车辆的数字孪生可以描述对疲劳敏感的部件或热行为。在海港，建模系统则可能以泊位分配、货物装卸、仓储和衔接运输为核心。这些应用的共同原则是建立持续更新、服务于决策的表征；但各个实例所涉及的物理机制、时间尺度和运行约束存在显著差异。"
    },
    {
      "heading": "建筑、基础设施与环境系统",
      "text": "建筑资产面临的生命周期问题与许多制造产品不同：它们往往会持续使用数十年，其间经历改造、所有权变更，且相关资料可能并不完整。建筑数字孪生可以从设计模型起步，但最终必须反映资产的实际建成状态及后续改动。要使运行数据在翻修和设备更换后仍能得到正确解读，就必须将空间、设备和文档与持久标识符关联起来。\n\n建筑能耗应用将几何信息、建筑构造特性与人员使用情况、天气及设备运行情况联系起来。供暖、通风和空气调节系统的测量数据可与预测负荷或设备性能进行比较。两者之间的差异可能表明运行时间表设置不当、传感器故障、控制行为异常，或建筑模型存在错误。使用者行为会带来很大的不确定性，因此，仅有精细的几何表征并不能保证能耗预测准确。\n\n土木基础设施数字孪生可以整合设计计算、检查记录和结构响应测量数据。对于桥梁而言，应变、加速度、温度和交通信息有助于解释其响应特征的变化。必须区分季节性温度效应与结构劣化。无损检测和定期近距离检查能够提供永久安装的传感器无法获取的证据。因此，数字孪生通常是整合异构证据的框架，而不是实体检查的替代品。\n\n水务系统将水力模型与管道、泵、阀门、蓄水设施及用水需求等信息相连接。实测流量和压力有助于评估漏损，或研究拟议的运行调整能否维持供水服务。城市排水应用可以利用暴雨洪水管理模型等模型，分析径流和排水管网的运行情况。降雨预报会引入额外的不确定性，而降水数据的空间分辨率可能与排水模型的精细程度同样重要。\n\n在城市尺度上，“数字孪生”可以指多个模型组成的联合体，而非单一的综合模拟器。交通、能源、洪水风险、土地利用和建筑系统分属不同主体，更新周期也各不相同。城市规划问题还涉及政策选择和人的反应，这些都无法仅凭几何信息推断。例如，出行时间模型本身并不能确定居民家庭将如何响应一项新的住房政策。\n\n环境数字孪生将类似方法扩展到流域、海岸及其他自然系统。遥感能够提供地面仪器难以经济地获取的空间观测数据，而模型则将这些观测数据与物理过程联系起来。这些系统的边界必然是开放的：天气、上游状况和人类活动都可能独立于所建模的系统而发生变化。因此，当这类表征用于支持基础设施韧性评估时，明确情景设定和不确定性范围尤为重要。"
    },
    {
      "heading": "验证、网络安全与可靠性的局限",
      "text": "必须针对明确的用途评估数字孪生的可信度。核实关注计算实现是否正确体现了其数学规范和软件规范。验证关注模型是否充分反映了预期应用所涉及的现实世界行为。校准是依据证据调整参数的过程，并不等同于独立验证。依据某一运行时段的数据校准的模型，可能十分贴近该时段的实际情况，但在不同负载下或设备发生变化后却表现不佳。\n\n评估可以利用受控试验、历史运行记录、独立测量仪器，以及与其他模型的比较。哪些性能指标有用，取决于所要作出的决策。平均温度误差可能适合某项能源评估，而对于维护系统，漏检罕见但会造成损害的工况则更为重要。还应评估不同运行工况下的误差，而不能只看单一的综合评分。在常见稳态工况下的良好表现，可能掩盖模型在少见瞬态过程中存在的严重缺陷。\n\n数字孪生将运行数据、工程信息，有时还有指令通道连接起来，因此带来了广泛的网络安全攻击面。虚假测量值可能破坏状态估计；遭到篡改的配置记录可能使正确的计算被应用于错误的系统。攻击者还可能从只读的数字孪生中获取敏感的运行细节。身份认证、访问控制、完整性检查、网络隔离和可审计的变更，分别应对这一问题的不同方面。下发指令的能力尤其需要严格审查，因为一旦遭到入侵，就可能影响物理系统的运行。\n\n以人为中心的数字孪生，以及精细的建筑或工作场所模型，也可能引发数据隐私问题。即使人员在场记录、移动轨迹和设备使用记录是出于运行管理目的而采集的，它们仍可能揭示与可识别个人有关的信息。数据所有权和知识产权使设备供应商、运营方、软件提供商与资产所有者之间的交换更加复杂。有权访问机器的测量数据，并不意味着有权使用其制造商的专有模型。\n\n经济和组织方面的限制可能起决定性作用。仪器安装、通信、模型开发、软件集成、验证和长期维护都会产生成本。增加细节可能只会提高费用，却不会改变决策。因此，较为简单但维护良好的表征，可能比全面却缺乏充分支持的表征更有价值。评估应将数字孪生与明确的替代方案进行比较，例如传统检查、现有监测系统，或规模更小的建模方案。\n\n尚未解决的技术问题包括：在相似资产之间迁移模型，检测模型何时超出其经过验证的适用范围，以及在独立开发的数字孪生之间维持可信的交互。相互耦合的模型可能交换不一致的量，或按不兼容的时间尺度推进，从而产生数值或概念上的错误。随着系统演变，每次更新都可能影响先前的验证证据。因此，长期部署需要记录假设条件、版本历史和可追溯的数据依赖关系，并制定相应程序，以便在这些假设不再成立时修订或撤回输出结果。"
    }
  ],
  "links": [
    "sensor",
    "building-information-modeling",
    "apollo-program",
    "programmable-logic-controller",
    "scada",
    "application-programming-interface",
    "mass-balance",
    "energy-balance",
    "finite-element-method",
    "machine-learning",
    "training-data",
    "sensor-fusion",
    "kalman-filter",
    "observability",
    "measurement-uncertainty",
    "commissioning",
    "model-predictive-control",
    "logistics",
    "wind-power",
    "gas-turbine",
    "electrical-grid",
    "lithium-ion-battery",
    "battery-management-system",
    "railway",
    "seaport",
    "air-conditioning",
    "storm-water-management-model",
    "urban-planning",
    "remote-sensing",
    "infrastructure-resilience",
    "calibration",
    "cybersecurity",
    "data-privacy",
    "intellectual-property"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}