超越目之所及
除了能虚拟复制能源设施，Kognitwin® Energy 还提供监控、动态模拟以及高质量实时预测功能。
永远领先一步
如果您在实施行动之前可以预判结果，会怎么样呢？
我们的数字孪生解决方案结合物理机理模型、数据科学法以及云可扩展性，使运营商能够简化并扩大虚拟场景测试。这样可以提高实施结果预测的正确率、提供多种行动选项以做比较，并提高决策质量，从而全面提高绩效和生产力，同时保证安全性并降低能源设施作业产生的能耗。
康士伯利用逾35年的将物理机理模型部署到能源设施的经验，创新推出了结合数据科学和物理机理模型的混合式机器学习技术。混合式机器学习技术可帮助用户对各种优化方案作出快速、精准、可解的预判，从而高效推动生产优化和自动化，并增强监控能力。
满足运营商需求的服务组合
数字孪生已成为集3D显示、结构化数据集以及包含各种资产类型的文档于一体的同义词。然而，可视化和归档仅代表了数字孪生强大功能中有限的一部分，这些功能需要准确表述设备及其在各自操作环境中的运行方式。
Kognitwin® Energy，康士伯动态数字孪生解决方案，是一整套可规模化的服务组合，并可根据客户需求进行调整。该方案通过结合仿真分析，可提供远超可视化和文档访问的价值。它是在物联网、数据分析和模拟的基础上加强协作并扩大创新的工具，并可作为展示资产信息的单一来源，从而推动资产组合中基本运营模型的改进。
这就是 Kognitwin® Energy
Kognitwin® Energy，我们的动态数字孪生系统不仅可以虚拟再现您的工业设备，还为您提供了先进的数字化分析框架，包括一系列私人定制解决方案，以满足您的各种需求。
为什么使用混合式机器学习技术: 数据科学与先进物理机理知识的结合
分析工具和基于物理机理的模拟软件是能源行业所熟悉的工具，它们可以提供准确的结论。然而这些技术的应用有一个弊端，就是由于它们的资源密集特性，导致信息处理时间拉长，所以这些技术无法支持实时优化，尤其是在考虑复杂的动态应用程序时。
因此，运营商们开始利用数据驱动法来加快数据处理时间。
虽然数据驱动模型的方法在处理时间上有明显优势，但它面临精确度、对高质量数据的依赖、正确解读和模型训练等方面的挑战，这些因素使其在重资产行业的实施变得困难。
什么是混合式机器学习技术
混合式机器学习将基于物理机理的模型方法和数据驱动法的优势相结合，是解决能源行业实时优化挑战的理想方案。
获取您的《混合式机器学习白皮书》
机器学习、人工智能、工业4.0时代、物理机理模型……最重要的是，能源行业如何能够超越这些流行语，从中获得真正的价值？
混合式机器学习: 模拟设备运行方式与机器学习的强大结合
作为机器学习的一类，混合式机器学习被定义为一种通过基于物理机理模拟的合成数据来训练机器学习模型，从而提升数据驱动模型准确性的方法。不同于物质世界，模拟世界提供了无限的合成测试数据集，并且仍具有很高的准确性。
速度和准确性
当数据驱动模型得到正确的训练时，便可以通过更快速的数据驱动算法提高速度和准确性。
实时查看
通过Kognitwin®，您可以配置、协调和运行混合式机器学习技术 ，即使在设施中使用较少或较低级别仪器的部分，也可以实时查看更完整的设施运行情况。
性能改善和创新
因此，运营商能够更接近实现合适的数字化数据基础的目标；这不仅是为了实时洞察，也是为了未来的创新。
混合式机器学习：两全其美的方法
假设场景测试，始终领先一步
在工业操作中，我们每天都需要做出复杂程度各异的决定。这些决定有可能会带来负面的商业效应。在许多情况下，这些决策的结果我们只有在实施之后才会知晓，但这往往为时已晚。
设施团队可能会想知道：
• 如果我们改变这个设备的某些参数会带来什么效果？
• 如果我把今天需要做的设备保养挪到下周，会怎么样？
• 如果我调整压力值会发生什么？
如果可以在实施操作之前进行场景测试，会怎么样？
混合式机器学习技术将高仿真模拟器、物理机理模型以及数据驱动模型相结合，为用户提供预设情景测试、后果预测、选项比较等功能，从而为用户带来做出准确决策的机会。对于用户来说，这意味着可以提高资产性能和生产率、增强安全性以及节约运营能源。
混合式机器学习-弥合机器学习与实际资产的差距
混合式机器学习技术通过融入使用物理机理的高精度模拟器来增强和约束数据驱动模型。加入本次网络研讨会，聆听来自康士伯数字的Eivind Roson Eide 和Shane McArdle 讲述Kognitwin® 如何通过使用我们成熟的模拟器轻松安全地访问情境化数据，解决在实际工业资产上开发和部署机器学习模型的限制因素。
相关概念
人工智能
人工智能（AI）是指那些被设计成像人类一样思考和执行行动的计算机系统。AI 的应用领域非常广泛，从遵循一些预定义规则的简单游戏机器人（如吃豆人中的幽灵），到更先进的语言翻译模型（如谷歌翻译）都有应用。
机器学习
机器学习（ML）是人工智能的一种应用，也是一类算法，它使模型在预测结果时可以变得更加准确，而无需明确编程。通过寻找数据中的统计关系，即使程序员事先不知道这些预测值会是多少，模型也可以找到良好的预测值。
性能改善和创新
深度学习是一个更广泛的机器学习方法系列的一部分。由于基础数据中的关系极难预先定义，这些方法通常被用于现代图像和文本分析。我们可以通过使用大量数据和计算资源来了解这些关系。
