谈了多年的数字孪生，早期项目大多停留在三维可视化：把厂房和设备搬进屏幕，看起来漂亮，对生产决策的帮助却有限。最近两年情况明显变化，越来越多项目把重心转向寿命数据——用模型预测关键部件的剩余寿命，进而提前锁定备件与检修窗口。西门子、罗克韦尔等厂商已经把这类能力打包进各自的资产管理体系，当作标准模块对外销售。
第一条路径是物理模型打底。旋转设备的失效机理研究得比较透彻，轴承有L10寿命公式，齿轮箱有接触疲劳模型，只要拿到转速、载荷和润滑状态，就能算出理论寿命曲线。海德汉的编码器和西门子的驱动器可以把运行数据完整记录下来，喂给模型后精度相当可观。这条路的优点是对历史故障数据依赖少，新装设备也能直接用；缺点是模型假设与真实工况之间总有偏差，冲击载荷、频繁启停这类场景容易失真。
第二条路径是数据驱动。在关键部位加装振动、温度、电流传感器，让算法从数据里识别劣化趋势，不预设失效机理。罗克韦尔在电机健康管理上走的就是这条路，用电流特征分析判断转子断条与轴承缺陷，不需要拆机检查。它的优势是可能发现未知模式，劣势同样明显：需要足够的故障样本，冷启动阶段误报率偏高，而多数工厂恰恰攒不出像样的历史数据。
第三条路径是混合建模，也是当前的主流方向。物理模型给出基线，数据负责修正偏差，两条腿走路。ANSYS和达索的仿真工具可以先把部件的应力分布算出来，再叠加产线实测数据校准；西门子收购预测性维护公司后，也是把机理知识与机器学习结合提供服务。混合方案前期投入大，但泛化能力最好，适合关键产线的长期运营。
还有一个容易被忽视的环节是数据治理。寿命预测项目失败的原因，多半不在算法而在数据：传感器点位没有台账、命名不统一、历史检修记录还躺在纸质档案里。项目启动前，先把关键设备的数据字典梳理清楚，把检修记录电子化并关联到资产编码，模型的输入才有保障。这项工作枯燥，却决定了前面三条路径能走多远。
对准备落地的工厂，有三点建议。其一，从高价值备件切入，主轧机轴承、压缩机转子这类一停机就伤筋动骨的部件，预测价值最大；其二，数据质量优先于算法先进性，传感器点位选不准，再好的模型也是空中楼阁；其三，先离线后在线，用半年的离线分析验证模型可信度，再接入自动补货流程。数字孪生的价值不在模型多精美，而在于备件到货早于故障发生。
