對孿生體進行操作，發出命令執行後，其信息發生變化，給出仿真反饋。例（lì）如：按下某空（kōng）調孿生體的溫度下調按鈕，係統向真實空調係統發出指令，執行成功後反饋其運行溫度，且機（jī）房內溫度環境變化在溫度（dù）雲圖上實時體現。
基於上述建模方法構建（jiàn）的孿（luán）生機房，可以應用於機房空間的規劃場景、機房內設（shè）備的運維和（hé）調控場（chǎng）景、機房內設備的模擬割接場（chǎng）景、機房故障/隱患分析預測等等的（de）業務（wù）場景中。
在孿生機房的基礎上進行機房溫度調控（kòng），將改變機房溫控（kòng）隻能通過運維人員定時（shí）巡檢查（chá）看溫（wēn）度傳感器的數值、監控傳感器報警信（xìn）息，靠人工方式對製冷係統進行（háng）狀態調節的傳統方式（shì）；將實（shí）現（xiàn）機房溫度分布仿真和模擬、提前預測和多手段自動調控，改變被動調控為主動調控，確保機房溫度（dù）始終維持在（zài）安（ān）全範圍內，從而進一步實（shí）現機房PUE壓降。
在傳統模式下整個機房空間的（de）各類設備布局、溫度（dù）分布無直觀的展示；調控的方式相對單一且借助運維經驗；無法提前主動對溫度進行（háng）調節。通過引入數字孿生（shēng）技術（shù），結合機房的六麵模型進行數據融合處理分析，實現機房孿生可視、機房三維溫度的預測和模擬、多（duō）因（yīn）素融合主動溫（wēn）控。
現階段（duàn）孿生機房溫控的目標是實現機（jī）房溫度趨勢預測、製冷設（shè）備/機（jī）組多參（cān）數最優控製、製冷設備參數調整效果模擬仿真。
結合機房內各類設備的孿生特性，還可以進一步對發熱源設備進行調整，關停設備、減少發熱量、優化散熱（rè）等，從源頭實現機（jī）房溫控（kòng）。包括不（bú）限於如下（xià）場（chǎng）景：
機架U位容（róng）量規劃，仿真模擬設備上架位置調整、優化散熱和溫度傳播
高發（fā）熱設備業務分析，仿真模擬（nǐ）業（yè）務割接、設備（bèi）割接或退網
動力設備負載分析，降低空載（zǎi）發熱損耗
照明/監控類設備溫控，實現自動（dòng）開（kāi）關
為了完整實現整個業務場景過程，從園區的幾何建模開始，到樓棟樓層、機房、機房內的各種設備（機架、動力設備、製冷設備、IT設備、傳感（gǎn）器、監控設備（bèi）等）、以及各類管線的幾何建模，保證孿生場景的業務操作的（de）完整性。
通（tōng）過機房空間位（wèi）置設計器，靈活的實現各（gè）類設（shè）備在（zài）機（jī）房內的（de）相對（duì）位置的建模，從而實現孿（luán）生機房的（de）場景（jǐng）構建，為後續各類業務應用做好準備。
針對機房溫控場景中性能和告警數據，是機房的實時三維溫度雲圖，以及從雲圖中實時計算（suàn）分析（xī）其中超過限（xiàn）製的熱（rè）島區（qū）域。
在對（duì）機房三（sān）維溫度雲圖建模時，需要獲取溫度傳感器器的實時溫度數據（傳感器的性能模（mó）型）和超過限定的溫度告警數據（傳感器（qì）的告警模型），同時結合結合傳感器在機房中的空間位置，實現機房三維溫度雲圖的建模，從而（ér）實現了機房內各個區域的溫度精準掌控。
為了改變（biàn）當（dāng）前被動調（diào）控為主動調（diào）控，涉及（jí）到機房溫控過程（chéng）中的運行規則主要有3個方麵（miàn）：
機房內的各個孿生體記錄下溫度（dù）這個指（zhǐ）標數據，通過積累的曆史數據，使用趨勢預測算法實現提前（qián）預測將來一（yī）段時間內的機房溫度變化，趨勢預測算法可以使用時（shí）序分解算法、LSTM算法，在訓練模（mó）型是將傳感器（qì）溫度作為主要數據，IT設備的溫度散（sàn）熱、季節性的室溫、節（jiē）假日信息作為影響參數，綜合訓練出適（shì）用的趨勢預測模型。
在機房三（sān）維溫度雲圖中找到熱島區域位置後，通過機房空（kōng）間距離（lí）、風道路徑設計等信（xìn）息結合空間路徑搜索能力實現最優路徑查找，找到熱島附近的製冷設（shè）備（bèi），從而得到了最（zuì）直接的溫度調控對象。相應的查找方式有：空間距離（lí）範圍搜索、風道矢（shǐ）量路徑搜索等。
數據中心在設計其空調係統時，往往會引入多種降溫節能模（mó）式，比如：
分析發現當（dāng）機房（fáng）內出現熱島（dǎo）時除了查找到最優的空調外，還存在其他多種的控製方式，如：空調停機+新風啟動；新風關閉+空調壓縮機啟動；空調壓縮機關（guān）閉+水冷交換啟動等等。即除了達到滿足機房溫度要求外，還需要尋找能耗最低的控製參數。
通過粒子群優化算法（Particle Swarm Optimization, PSO），在多種降（jiàng）溫模式內進行最優解的搜尋，快速獲取和定位製冷設備的狀態，給出控（kòng）製調整參數，在滿足降溫的前提下，保（bǎo）障能耗最低。
機房的控製（zhì）實際是對機房內設備的（de）控製，針對溫控場景的控製，是對（duì）末端空調設（shè）備、製冷機組的參數調控。
在定義空調、製冷機組的控製（zhì）模型時，針對（duì）可以（yǐ）調整的參數進（jìn）行（háng）了相應（yīng）的指（zhǐ）令（lìng）和（hé）接口定義。通過機房的運（yùn）行規則模型分析出來的調控參數和最優製冷設備，將需要調控的參（cān）數（shù）下發（fā）給對應的製（zhì）冷設備上，從而實現機房溫度的控製。
機房的（de）反饋（kuì）模型重點是指（zhǐ）模（mó）擬仿真反饋，即（jí）當機房的運行規則模型主動分析了調控（kòng）參（cān）數後，通過將各類調控參數和溫度變（biàn）化之間（jiān）的關聯關係建立AI算法（fǎ）模型，進行調控效果的反饋和仿真，模擬參數下發後的調控效果。通（tōng）過機房溫度三位雲圖模擬出現出來。
通過AI算法提前預測溫度（dù）變化，在多種溫控調參的（de）策略下智能選擇能耗最（zuì）小的策略，針對（duì）選擇的調控參數進行仿真模擬，預測驗證調控效果，最終獲取最（zuì）優的調控策略物理下發（fā）給空調/BA係統執行。
將機房的（de）六麵模型數據（jù）進行融合貫通，通過上述過程的強化學（xué）習和持續優化，最終實現機房溫度主動精準調控，進一步壓降機房能耗PUE。