期刊名：Machines

期刊主页：https://www.mdpi.com/journal/machines

还在为筛选文献而发愁？别急，Machines 青年编委浙江大学的阮迪望老师汇总的这份“AI 与机理模型融合的数字孪生”方向的文献清单，也许能为你提供灵感！

阮迪望，浙江大学航空航天学院博士后、助理研究员。2023年12月博士毕业于德国柏林工业大学，2024年1月-2025年2月，作为人才引进入职国防科技大学空天科学学院，任助理研究员。研究方向：智能故障预警、可靠性控制、嵌入式AI。入选教育部HWBH引进计划，主持国家自然科学基金、湖南自然科学基金、之江国际青年人才基金、航天发射测试与测运控技术创新中心开放课题等项目，发表SCI/EI论文30余篇，授权国家发明专利10余项，任中国振动工程学会高级会员、中国指挥控制协会智能测评专委会委员，中机维协专家库成员。担任《战术导弹技术》《失效分析与预防》、Journal of Dynamics、Monitoring and Diagnostics、Machines、Electronics and Signal Processing等多个期刊的青年编委。

主题介绍：

本主题聚焦工业领域数字孪生技术的创新应用与深度赋能，研究范围覆盖航空、能源、智能制造、船舶等关键工业场景，核心围绕 “以机理模型为基础、以 AI 技术为赋能手段”的数字孪生构建与应用展开。通过多学科耦合机理模型搭建数字孪生底层框架，可精准映射物理系统的动态特性；融合先进 AI 技术则能突破机理模型在处理非线性动态、适配多工况方面的局限，实现特征提取、参数优化、故障诊断与状态预测等核心功能；同时，借助实时虚实数据交互与闭环优化，可确保数字孪生系统的高保真度与工程实用性。该主题对解决传统工业设备智能化改造、复杂工况下安全运维、全生命周期效率提升等难题具有关键意义，为工业 4.0 背景下的设备健康管理与智能决策提供重要技术支撑，推动数字孪生技术从理论研究向工程落地深度转化。

1.Nose-wheel steering control via digital twin and multi-disciplinary Co-simulation.

基于数字孪生和多学科协同仿真的飞机前轮转向控制

https://www.mdpi.com/2075-1702/13/8/677/

本文亮点：借助Simcenter 3D、AMESim、MATLAB等平台，实现了飞机前轮转向系统液压和机械动力学耦合效应的多学科数字孪生建模。

Chen, W.; Zhang, L.; Tong, Z.; Liu, L. Nose-Wheel Steering Control via Digital Twin and Multi-Disciplinary Co-Simulation. Machines 2025, 13, 677. https://doi.org/10.3390/machines13080677

2.A hierarchical and self-evolving digital twin (HSE-DT) method for multi-faceted battery situation awareness realisation.

一种实现电池多维度态势感知的分层自进化数字孪生（HSE-DT）方法

https://www.mdpi.com/2075-1702/13/3/175/

本文亮点：提出分层自演化的数字孪生（HSE-DT）方法，实现对储能系统电池SOC、SOH的准确估计以及不同工况下动态变化的捕捉。

Zhao, K.; Liu, Y.; Zhou, Y.; Ming, W.; Wu, J. A Hierarchical and Self-Evolving Digital Twin (HSE-DT) Method for Multi-Faceted Battery Situation Awareness Realisation. Machines 2025, 13, 175. https://doi.org/10.3390/machines13030175

3.Digital twin-driven condition monitoring system for traditional complex machinery in service.

面向在役传统复杂机械的数字孪生驱动状态监测系统

https://www.mdpi.com/2075-1702/13/6/464/

本文亮点：构建面向煤磨机智能状态监测的数字孪生模型，集成了物理层、数据层、模型层和应用层，并在燃煤电厂得到实际应用。

Yin, W.; Hu, Y.; Ding, G.; Chen, X. Digital Twin-Driven Condition Monitoring System for Traditional Complex Machinery in Service. Machines 2025, 13, 464. https://doi.org/10.3390/machines13060464

4.Manipulator trajectory optimization using reinforcement learning on a reduced-order dynamic model with deep neural network compensation.

基于深度神经网络补偿的降阶动力学模型强化学习机械臂轨迹优化

https://www.mdpi.com/2075-1702/11/3/350/

本文亮点：融合基于物理的降阶动力学模型和基于深度学习网络的非线性补偿模型，提出了面向机械臂的混合数字孪生体，并采用强化学习实现机械臂能耗最优的轨迹规划。

Chen, Y.-H.; Yang, W.-T.; Chen, B.-H.; Lin, P.-C. Manipulator Trajectory Optimization Using Reinforcement Learning on a Reduced-Order Dynamic Model with Deep Neural Network Compensation. Machines 2023, 11, 350. https://doi.org/10.3390/machines11030350

5.Simulation modeling and temperature over-advance perception of mine hoist system based on digital twin technology.

基于数字孪生技术的矿井提升机系统仿真建模与温度超前感知

https://www.mdpi.com/2075-1702/11/10/966/

本文亮点：开发了矿井提升机的数字孪生监测系统，能够实现多变量协同监测；结合高斯-卡尔曼联合滤波算法和长短期记忆网络（LSTM），完成提升机电机温度的预警。

Liang, X.; Wu, J.; Ruan, K. Simulation Modeling and Temperature Over-Advance Perception of Mine Hoist System Based on Digital Twin Technology. Machines 2023, 11, 966. https://doi.org/10.3390/machines11100966

6.A digital twin-based adaptive height control for a shearer.

基于数字孪生的采煤机自适应调高控制

https://www.mdpi.com/2075-1702/12/7/460/

本文亮点：建立了采煤机提升机构的数字孪生模型，并将其用于煤机高度调节系统自适应控制算法的设计及验证。

You, X.; Guo, Y.; Miao, B.; Ge, S. A Digital Twin-Based Adaptive Height Control for a Shearer. Machines 2024, 12, 460. https://doi.org/10.3390/machines12070460

7.Digital twins to predict crack propagation of sustainable engineering materials under different loads.

数字孪生预测不同载荷下可持续工程材料的裂纹扩展

https://www.mdpi.com/2075-1702/12/2/125/

本文亮点：开发一种用于预测特定工程材料疲劳寿命的CAE数字孪生模型，求解了包含宏观裂纹和若干微裂纹的平面在不同载荷下的裂纹扩展，实验证实其能够有效预测结构的断裂或疲劳损伤。

Li, X.; Li, G.; Bi, Z. Digital Twins to Predict Crack Propagation of Sustainable Engineering Materials under Different Loads. Machines 2024, 12, 125. https://doi.org/10.3390/machines12020125

8.Performance prediction of the elastic support structure of a wind turbine based on multi-task learning.

基于多任务学习的风力机弹性支撑结构性能预测

https://www.mdpi.com/2075-1702/12/6/356/

本文亮点：基于物理模型构建了风力涡轮机弹性支撑的数字孪生模型，采用拉丁超立方抽样方法，基于数字孪生体生成大量反映结构设计参数与力学性能指标关系的数据，节省了物理试验成本。

Zhu, C.; Qi, J.; Lu, Z.; Chen, S.; Li, X.; Li, Z. Performance Prediction of the Elastic Support Structure of a Wind Turbine Based on Multi-Task Learning. Machines 2024, 12, 356. https://doi.org/10.3390/machines12060356

9.Uncertainty-aware fault diagnosis of rotating compressors using dual-graph attention networks.

基于双图注意力网络的旋转压缩机不确定性感知故障诊断

https://www.mdpi.com/2075-1702/13/8/673/

本文亮点：基于Rotordynamic软件构建了旋转式压缩机的数字孪生模型，并采用双邻接矩阵来编码物理信息和数据驱动的传感器关系。

Lee, S.; Kim, Y.; Choi, H.-J.; Ji, B. Uncertainty-Aware Fault Diagnosis of Rotating Compressors Using Dual-Graph Attention Networks. Machines 2025, 13, 673. https://doi.org/10.3390/machines13080673

10.A data-driven fault diagnosis method for marine steam turbine condensate system based on deep transfer learning.

基于深度迁移学习的船用汽轮机凝水系统数据驱动故障诊断方法

https://www.mdpi.com/2075-1702/13/8/708/

本文亮点：结合数字孪生和深度迁移学习，提出了一种面向船舶汽轮机凝结水系统的高保真度物理约束数字孪生体，可模拟六种状态数据，为船舶蒸汽轮机系统的智能运维提供了解决方案。

Liu, Y.; Chen, L.; Shangguan, D.; Yu, C. A Data-Driven Fault Diagnosis Method for Marine Steam Turbine Condensate System Based on Deep Transfer Learning. Machines 2025, 13, 708. https://doi.org/10.3390/machines13080708

11.Data-driven digital twin framework for predictive maintenance of smart manufacturing systems.

面向智能制造系统预测性维护的数据驱动数字孪生框架

https://www.mdpi.com/2075-1702/13/6/481/

本文亮点：提出了一种用于智能制造系统的数字孪生框架，用于比较不同的机器学习分析技术在预测性维护中的应用。评估结果表明，该框架能够有效预测数控车削加工过程中的表面粗糙度和能耗。

Khan, T.; Khan, U.; Khan, A.; Mollan, C.; Morkvenaite-Vilkonciene, I.; Pandey, V. Data-Driven Digital Twin Framework for Predictive Maintenance of Smart Manufacturing Systems. Machines 2025, 13, 481. https://doi.org/10.3390/machines13060481

12.Building a digital twin powered intelligent predictive maintenance system for industrial AC machines.

构建数字孪生驱动的工业交流电机智能预测性维护系统

https://www.mdpi.com/2075-1702/11/8/796/

本文亮点：建立了鼠笼式感应电机的数字孪生模型，用于电机的故障诊断和预测性维护。实验装置通过dSPACE MicroLabBox 控制器集成到数字工作空间，以便进行频繁的校准和参考信号设置。

Singh, R.R.; Bhatti, G.; Kalel, D.; Vairavasundaram, I.; Alsaif, F. Building a Digital Twin Powered Intelligent Predictive Maintenance System for Industrial AC Machines. Machines 2023, 11, 796. https://doi.org/10.3390/machines11080796

13.A development method for load adaptive matching digital twin system of bridge cranes.

桥式起重机负载自适应匹配数字孪生系统开发方法

https://www.mdpi.com/2075-1702/13/8/745/

本文亮点：构建了起重机载荷自适应匹配的数字孪生系统框架，建立了载荷自适应匹配优化模型，提出了一种桥式起重机载荷自适应匹配数字孪生系统开发方法及平台。

Li, J.; Dong, Q.; Xu, G.; Zuo, Y.; Jiang, L. A Development Method for Load Adaptive Matching Digital Twin System of Bridge Cranes. Machines 2025, 13, 745. https://doi.org/10.3390/machines13080745

14.Process simulation and optimization of arc welding robot workstation based on digital twin.

基于数字孪生的弧焊机器人工作站工艺仿真与优化

https://www.mdpi.com/2075-1702/11/1/53/

本文亮点：针对电弧焊接操作过程中的机器人焊接过程，建立了焊接机器人的运动学数学模型，构建了基于数字孪生焊接机器人单元的系统框架，利用数字孪生技术优化了焊接工作站的机器人协作过程。

Zhang, Q.; Xiao, R.; Liu, Z.; Duan, J.; Qin, J. Process Simulation and Optimization of Arc Welding Robot Workstation Based on Digital Twin. Machines 2023, 11, 53. https://doi.org/10.3390/machines11010053

期刊介绍

主编：Antonio J. Marques Cardoso, University of Beira Interior, Portugal

Machines (ISSN 2075-1702) 是一本由MDPI出版的专业工程技术期刊。该刊已被国际权威数据库SCIE收录，在JCR (Journal Citation Reports) 机械工程领域分区等级为Q2。该刊发文范围涵盖机械工程、电子与电气等领域，旨在及时、准确、全面地报道国内外机械工程、电子与电气工作者在该领域取得的最新研究成果、工作进展及学术动态、技术革新等，促进学术交流，鼓励学术创新。

2024 Impact Factor：2.5

2024 CiteScore：4.7

Time to First Decision：17.6 Days

Acceptance to Publication：2.7 Days