尽管预测性和基于状态的维护技术取得了进步，但计划外停机仍然是制造操作的主要成本之一。尽管主动维护的重点是及早发现故障的症状，从症状推断可能的原因，并采取主动措施来防止故障，但与上一代预测性维护方法相比，目前所取得的成功非常有限。
这主要是由于将有问题的资产处理为“黑盒”。如果不了解资产的内部状态以及在操作期间资产的子流程之间发生的状态转换，就不可能详尽地推断出故障的真正原因和/或潜在原因。在过去，即使由于通过预测性维护处理了症状而避免了故障，也没有解决实际原因。
现实情况是，当资产在过去的操作行为中没有发现某些导致失败的条件时，资产将会意外地失败。这就是为什么需要检测次优性，不仅是为了避免意外故障，也是为了实现卓越的性能。这就是持续资产优化的思想进入画面的地方。随着工业4.0技术的出现，现在有可能合理地努力动态实现资产优化，因为目前有能力实时生成有关资产表现的有意义的上下文信息。
传统的大数据分析将深度学习应用于战略优化，以实现在一个月、六个月或一年内产生重大影响的决策。这需要大量的过去数据来识别资产表现的隐藏模式。连续资产优化的不同之处在于，它可以在相对近期的未来时间框架内实现资产优化，例如一个班次的剩余时段、下一个班次或第二天。它可以在不需要大量历史数据的情况下做到这一点，使其更具战术性和可操作性。这种资产优化的实时方法还确保与每个关键资产相关联的每个组件/子流程的行为在其更广泛的操作上下文中得到理解。通过建模(基于第一原理物理)流程/资产组件行为之间的交互，可以使用人工智能技术预测和优化未来的行为，并且可以显著降低运营成本。
这种持续和实用的资产优化可以通过数字双胞胎以标准和系统的方式实现。数字双胞胎已经出现了近10年，但自第一次定义以来，它们的应用一直在发展。
所示的数字孪生框架包括四层:操作、性能、优化和预测。操作层连接到工厂中的资产，并从资产和子流程收集实时数据。性能层根据收集到的数据计算资产的性能。优化层将来自操作层的数据和在性能层计算的关键性能指标应用于资产特定子流程的模型。然后，由模型计算的单个优化作为输入馈送到预测层，该层协调子流程优化，以达到整体资产/流程优化。各层之间的通信以机会性和动态的方式进行，以确保资产得到持续优化。这就是如何使用极简的网络基础设施、边缘计算、物联网硬件和智能固件/应用软件来实现数字双胞胎的重要组成部分，并将总体实施成本保持在可承受的水平内。
