物理实体很容易理解，就是我们的实验平台之类的。数字孪生体，我们姑且认为它就是个仿真体。我们对物理实体可以做不同的实验获得它的各种不同的特性，但是都要付出相当的代价，要不是时间，要不是金钱。与实验相对应的，我们可以对仿真体开展不同的的计算（仿真），一样也能获得很多不同的特性。在很多情况下能显著的减少成本。
可是，如何让我们在物理实体上做的实验能够在数字孪生上做呢。中间需要一个过程，就是模型校准。就是让你的仿真体在一定范围内就能体现真实的物理实体。我们把这个过程可以看成是参数估计，看成是模型辨识。总之，就是从物理实体获得一定范围内能符合实际的数字孪生体。
这是我们大多数人做仿真干的事。就是建立模型，改变参数，看我们关注的参数会如何变化。稳态的呢，就属于获取不同的静态特性。动态的呢，就是获取不同的动态特性。
建立模型的时候，实际上模型里头有很多的参数。如果这些参数和真实的情景有差异，那么由此所获得的解跟真实情况就会有差异。我们实际上是要调整这些参数，在一定范围内使得仿真的结果和我们真实的测量数据最为接近。这就是参数估计。不过这些参数可能很多，不可能简单的用眼睛瞅一瞅就能找到最合适的参数。但是从这个参数估计的描述过程来讲，就是一个优化问题。构建一个优化问题，其变量是这些可以调节的参数，目标函数就是仿真值和真实值差异最小。（这是最朴素的理解，至于贝叶斯优化什么的，我们姑且不论。）
所以相对仿真这样的正问题来说，这实际上已经属于反问题了。
那这样的参数估计出来的实际上还有另外的作用的，就是像软测量、故障诊断等。
软测量，我们举两个例子来说。管道流动中，如果摩擦阻力和粗糙度的关系我们是已知的，而我们如果有一条管道的测试数据，我们从模型如果能够通过一个参数估计过程获得摩擦阻力，也就是可以用来测粗糙度。燃料电池中，我们说质子交换膜的含水情况与电阻变化相关，如果从测试数据通过一个参数估计过程能够获得电阻这样的参数，也就可以用来测含水情况。
这里的故障诊断也是有所特指的。我们仍然举个例子来说明一下。有一个供水管网，如果某时某地发生了有害物质进入管网，量还已知，那么按照管网模型，在若干个观测点测试的数据应该可以通过仿真计算出来的。现在如果在一些测点观测到了异常，那么请问原始的故障发生的时间地点量都如何呢？我们可以把三个变量当成模型参数，就是调节这些参数使得模型仿真的结果和测试结果最接近，从而把参数确定下来。这就是基于参数估计的故障诊断。当然也可能用到机器学习等其他一些数据驱动的办法。
