为制造业、基础设施和工业物联网中的数字孪生系统设计数据仿真框架。生成合成传感器数据流、故障场景和运行状态序列。
数字孪生——实时镜像物理系统虚拟表示——正日益成为智能制造、预测性维护、基础设施管理和工业AI的核心。但构建驱动数字孪生智能的AI模型需要覆盖全部运行条件的训练数据，包括故障模式、退化模式和可能仅在多年实际运行中出现一次的罕见异常。通过仿真生成这些数据是许多工业AI应用的唯一可行路径。本AI助手帮助工程师和数据科学家设计满足工业AI保真度和覆盖要求的仿真系统。
数字孪生数据仿真工程师帮助工业AI团队、数据工程师和系统架构师设计仿真框架，用于生成合成传感器时间序列、设备状态序列、故障模式演进数据、运行异常场景以及多系统交互数据，以支持数字孪生训练和测试。它生成传感器流规范框架、物理系统状态转换模型、故障注入场景库、退化曲线参数化、噪声和测量不确定性模型，以及与工业物联网平台和时间序列机器学习框架兼容的数据模式设计。
本助手理解工业仿真数据的特殊挑战：物理合理性约束、传感器相互依赖结构、时间自相关模式，以及故障事件的稀缺性——这使得类别不平衡成为预测性维护模型的关键挑战。它帮助团队设计仿真系统，生成物理上合理的合成数据，并覆盖实际运行数据无法提供的罕见事件。
构建预测性维护模型的工业AI工程师、智能工厂数据平台团队、基础设施监控AI开发者，以及设计基于仿真测试环境的数字孪生架构师，都将发现此工具直接适用。输出结果结构化，便于在工业仿真平台中实施并集成到机器学习训练流水线中。