早期的飞机发动机数字孪生模型是由发动机设计师们根据物理原理和一些测试生成的 , 但这种模型现已不能满足实际需要。因为传感器采集的数据以及非结构化数据加深了对许多资产设备的了解，从事数字孪生模型研发的公司收购或雇佣了专业的数据科学公司，使用更加先进的统计技术对这些数据源进行筛选。MRO 企业和航空公司采集的维修和运行数据也能够帮助提高预测准确度。由于没有哪家公司拥有生成现代化数字孪生模型所需的全部数据，所以行业内对数据分享的需求增长很快，由此也带来了数据所有权和保密方面的担忧。

以汉莎技术公司为例 , 他们从每台发动机交付用户开始采集数据，然后为每台发动机生成数字孪生模型，从小数据集开始，记录实体发动机的运营商、 飞行小时数、运营情况、维修情况等。采用这种数字孪生技术监控飞机发动机，汉莎技术已有10 年的历史。目前，汉莎技术公司已拥有了自己的数字孪生模型、拥有了所需的大部分数据，尤其是运行和送修时的各种数据，一 直保持着数字孪生模型的时效性，甚至已不再需要依赖发动机制造商的数字孪生模型。此外，在发动机大修期间，汉莎技术公司会记录发动机零件的磨损情况和状 态，以及哪些部件需要更换等。汉莎技术认为，对发动机健康状况预测而言，运行数据分析比制造商设计数据更可靠。

众所周知，发挥数字孪生的真正潜力需要大量资源和资金。正是基于这一原因以及规模效益的考虑，在研发数字孪生技术工具方面，制造商的表现是最积极的，MRO 企业其次，航空公司排最后。目前关于数据问题存在两大挑战。一是如何从老旧机型上获得发动机数据。例如，GE 正在与各航空公司合作通过机载通讯链路下载这些数据，并与 Avionica 公司合资成立了一家企业专门做这件事情。二是，在新机型的数字孪生模型上，如何处理海量数据。因为短时间内处理海量数据是对计算能力有很高的要求。

此外，还有一个挑战是，数据源于多个系统涉及的多方，而数字孪生模型 必须聚焦于最低设备清单范围内易导致停飞的关键零部件。因此规划者必须认识到传感器成本和可能的传感器故障因素以及传感器替代方案。

总之，未来要想进一步发挥数字孪生技术的潜能，数据存储、计算能力和 机载连通性还需取得更大的进步。