沙迦大学工业与管理工程系团队开发出一种数据驱动型数字孪生技术，专为压缩空气储能系统(CAES)设计，旨在通过实时监测与故障预测显著提升储罐效率及可靠性。该研究成果发表于《能源》杂志，详细阐述了如何利用传感器、统计分析与无监督机器学习构建虚拟物理系统副本，实现CAES系统的智能监控。

研究核心在于通过部署基于Arduino的传感器网络，持续采集温度、压力、电压等运行数据，并存储于模块化模式库中。助理教授康塞塔·塞梅拉罗指出：“数字孪生体如同物理系统的智能镜像，能提前识别泄漏故障(F1)、耦合故障(F2)及负载故障(F3)的早期迹象，防止问题恶化。”实验验证表明，该模型无需依赖大数据或高成本计算资源，仅通过关系概念分析等机器学习技术即可完成故障分类与系统健康状态(HS)评估。

研究强调，其设计的模块化架构具备高度可扩展性，相关模式库可快速适配至电池、涡轮机或氢气存储单元等其他能源系统，仅需微调参数即可实现技术迁移。塞梅拉罗博士补充道：“这种‘建模模式’概念大幅缩短了新系统开发周期，同时降低了维护成本。”通过预防性维护策略，操作人员可基于实时异常检测提前干预，避免非计划停机与能源损失。

更多信息： Concetta Semeraro 等人，《基于数据的压缩空气储能系统故障检测数字孪生：设计与实验验证》，《能源》(2025)。