飞行器智能设计愿景与关键问题

李霓，布树辉，尚柏林，李永波，汤志荔，张伟伟

西北工业大学 航空学院，西安 710072

美国国防高级研究计划局(DARPA)和美国国家航空航天局(NASA)等机构从20世纪90年代起便一直致力于推进人工智能技术在飞行器设计等方面的工程应用[1]。北约科学技术组织(NATO)在2020年3月发布的《科学和技术趋势：2020—2040》中把人工智能归为能对世界产生颠覆性影响的8大技术领域之一[2]。随着人工智能技术的飞速发展，以机器学习为代表的各种智能方法已延伸到飞行器气动、强度、结构设计等各个方面，极大地优化了设计效率和效果。如对于简单的后掠机翼的气动弹性可靠性优化设计算例，在同等的计算条件下，采用直接耦合仿真方法的优化耗时约5年，而采用基于数据驱动降阶模型的优化设计耗时仅2天[3]。当前研究表明，机器学习等智能方法在下一代飞行器研发中将起到越来越重要的作用。

在传统飞行器的研发中，首先需要根据任务要求确定飞机总重，选定可供设计参考的原型机；其次，根据飞机重量设计预期的气动特性和翼载；最后，根据所需气动特性选择气动布局，分别对机翼、尾翼等关键部件进行设计[4-5]。这种传统设计思路以完成作战任务为驱动，设计目标清晰明确，各部件设计的独立性较强、耦合度不高，涉及到的学科之间有明显的专业界线，可明确分工，在有原型机作参考的逆向设计中具有较大优势。

中国军用飞行器的设计正由过去的“跟跑”向“并跑”转变，并且在未来还要实现“领跑”目标。在飞行器的设计中很可能面临需求模糊、无原型机和无明确设计指标的困境；其次，随着飞行器的飞行状态趋向于极端状态(高超声速、高隐身、高机动性等)，诸多学科耦合度不高而导致的新问题逐一浮现；另外，未来战场环境错综复杂，战争也会逐渐向体系对抗转变[6]。飞行器设计在未来需要追求整体任务综合性能的最大化，只有这样才能充分发掘飞行器的潜能，而传统按部件分解的设计模式无法满足要求。因此，未来的飞行器设计必须发展新的设计范式，有效集成不同学科的优势，以满足极端复杂和苛严的设计需求。

鉴于此，提出飞行器智能设计体系，旨在通过智能方法，融合多源信息、多场数据以及人的先验知识，考虑飞行器整个生命周期内的功能和价值属性，实现飞行器体系化的整体性设计。本文深入探讨了飞行器智能设计的关键技术和面临的挑战，并就其中的关键科学问题进行了讨论，旨在为飞行器设计的未来发展提出见解。

1 飞行器智能设计理念与内涵

未来战争将是高强度的对抗，这对飞行器的性能提出了非常高的要求，传统的飞行器设计方法无法同时满足多组多层级指标要求，因此需要引入智能方法寻求更优的设计方案。按照目前技术发展来看，飞行器智能化设计应以体系需求和能力为顶层指导，通过知识表达、推理和应用等核心手段支撑，将智能方法融合到全生命周期的各个设计环节，再利用实体与虚拟结合的方式实现自身与外部的感知与预测，最后通过知识库与数字孪生系统实现飞行器设计的迭代与自演进优化。

飞行器全生命周期设计方法与过程可概括为平台系统设计、制造生产和运行维护与改进这3个阶段[7]，如图1(黄框)所示。在传统的飞行器设计框架下，各学科是相对独立的，在设计需求、指标不确定时很难达到综合性能最优。因此，在智能设计体系中，为了综合考虑各学科的相互耦合性，通过机器学习技术对不同类型的海量数据进行知识抽取、知识融合、知识推理和知识表达，并建立实验数据、标准规范等知识库，以帮助专家对飞行器设计、维护、任务规划等进行决策制定，从而完成更高层级的设计任务。另外，将3个阶段产生的数据与传感器采集的数据融合并传输至数字孪生系统。通过多尺度、多学科、多物理场建模及一体化计算等建立飞行器镜像，并与实际飞行器匹配和同步，进行离线状态评估、寿命预测、任务执行力评估等。这些信息将反馈给知识库，实现飞行器设计的迭代与自演进。同时通过体验平台，使决策者快速了解系统实际状态并指导操作。

图1 智能设计体系框架Fig.1 Framework of intelligent design system

从广义上讲，满足全生命周期要求的飞行器智能设计体系有以下特点：① 飞行器设计智能自演进，综合考虑全生命周期内的价值属性，正向建立创新设计模式，智能改进飞行器的气动、结构等方面的参数；② 运维系统智能，智能综合控制飞行器的各类系统，对飞行器进行智能诊断与自愈控制，完成体系中个体/群体交互和人机协同等任务；③ 实体与虚拟结合，精准模拟飞行器全生命周期的运行状态，并能对飞行器设计、生产制造、运行维护等全生命各个阶段提供支撑和指导；④ 知 识图谱支撑，融合飞行器生命各个阶段的数据、虚拟仿真数据、试验数据、人为知识和经验并进行学习和推理，使信息资源更易于计算、理解和评价，为整个飞行器智能设计体系提供数据支撑。

飞行器智能设计属于第4研究范式[8]，即充分发挥电脑高性能计算的作用，利用大量试验、仿真数据进行数据挖掘，提取其特征并融合人的知识经验，通过知识迁移学习和数字孪生技术实现飞行器设计的迭代与优化，如图2所示。具体解释如下：

图2 智能设计的范式Fig.2 Paradigm of intelligent design

1) 多源跨域数据特征提取。飞行器的实验数据、仿真数据和服役运行等数据信息往往来自不同型号和不同测点。这些数据在结构组织或者表现形式上存在差异，需要通过多源异构知识融合算法对不同来源的数据、信息加以联合和组织后，再在同一个信息域进行特征融合。

2) 数据特征学习和推理。智能设计利用多源数据特征和知识融合模型，引入基于机器学习的特征提取算法，通过网络对数据特征进行推演学习。此外，基于知识图谱框架，通过融合人为知识、经验和数学模型，使机器学习具备更好的可解释性、稳定性以及可信任性。

3) 小样本数据知识迁移。对提取的数据特征进行学习、推理之后，虽然积累了大量数据，但航空飞行器种类和状态繁多，这些数据依旧属于小样本。所以需要发展小样本数据知识迁移学习方法(如迁移学习、元学习技术等)，将学习到的模型泛化到更多的状态和对象，快速、高效、稳定地迁移到新的任务中。

4) 建立数字孪生模型。基于以上数据建立数字孪生模型，并通过闭环流程来逐步迭代和优化，以提升模型精度。数字孪生模型可全面接纳飞行器全生命周期内的状态、行为、过程等静态及动态的信息，并复现飞行器任意时刻的状态，还可根据认知机理和规则来推演仿真未来时刻的“假设”场景，对其状态进行预判。

2 智能设计的关键技术

根据对智能设计体系发展的预测，多物理场多学科智能融合设计、面向飞行器智能设计的数字孪生技术、航电任务系统综合设计、飞行器体系化智能设计、人机协同智能系统设计等技术对于实现飞行器智能设计较为关键。

2.1 飞行器多物理场多学科智能融合设计

飞行器设计是多学科/多部门协调决策的过程，要求结构、气动、控制、隐身等综合能力达到最优[9-11]。智能化设计是多学科/多目标设计的综合体现，追求整体任务综合性能的最大化，亟需解决飞行器多物理场、多学科智能融合设计这一关键技术。具体内涵如下：

1) 基于人工智能的气动与多学科设计

随着飞行器精细化设计需求越来越复杂，气动设计所面临的复杂度也不断提升，单独考虑气动性能指标的设计已远远不能满足当下的工程需求。下一代飞行器的设计需要考虑多学科、多物理场之间的耦合作用[12]，如气动-结构耦合设计、气动-噪声耦合设计、飞行器-发动机耦合一体化设计、气动-隐身耦合设计等。这些工程需求势必会大幅增加气动优化设计难度，因此基于人工智能的气动多学科设计亟需从以下几个方面寻求突破。

首先，气动与多学科优化设计面临高维和高精度的海量计算，如何提升优化设计效率以满足工程设计需求十分关键。可采用与人工智能相关的机器学习技术，开展基于集成学习、强化学习等手段的气动外形优化设计方法。对于高维设计，可从稀疏学习、特征分析的角度进行设计空间分解或设计分层以提升优化效率。

其次，复杂的工程气动设计依然非常依赖专家或设计师经验，需要大量“人在回路”干预[13]。在气动设计自动化的基础上，如何进一步减弱“人在回路”干预从而提升设计的智能化程度是另一个值得关注的难题[10]。针对该问题，有望利用人工智能技术替代专家经验，减弱“人在回路”作用，提升智能化气动设计水平。此外，开展多目标、多约束的自主智能化分配技术，也有利于实现根据实际需求自主变更目标及约束的优化进程。

2) 多源气动数据智能融合和关联

飞行器气动数据的主要获取途径包括数值计算、风洞试验和飞行试验(模型和飞行试验)3大手段。然而，在实际应用中利用3大手段获取的气动数据往往具有显著的差异。如何充分利用这些数据，降低气动数据获取成本，并且最大限度地提升气动力数据库的整体精度和一致性，是气动力多源数据智能融合和关联研究的核心[14]。

目前主要采用的是数据融合技术，通过数据估计、建模、采集管理等手段，将多种来源的测量结果在时间或空间上冗余或互补的信息依据某种准则进行综合，产生关于被测对象更准确的信息和更一致的解释或描述，从而获得具有最大可信度的结果。在该领域的工作包括天地一致性研究[15]，针对高、低精度数据的气动力融合方法[16]，以及不同状态数据的气动力融合方法[17]等。未来还需要在数据融合准则和算法上进一步深入，尤其需要将智能融合方法和流体力学误差来源理论进行有机结合，找到手段、状态等不同数据间的信息融合方法。

3) 数据驱动的飞行器材料/结构多尺度设计

变体飞行器可以根据不同飞行任务和飞行条件改变自身形状，从而提高飞行器的综合性能，是未来飞行器发展的重要方向之一[18]。而材料和结构的多尺度设计与优化是实现变体飞行器的关键。

智能变形结构的设计和实现涉及仿生学、材料学、结构力学、现代机械学、控制理论、传感和信息技术等多个学科[19]。当前的变体飞行器技术主要通过变体结构设计，如可变后掠机翼、可变弯度机翼、折叠机翼等，以及形状记忆聚合物、形状记忆合金、压电叠堆陶瓷、压电纤维复合材料、磁滞伸缩材料等智能材料来实现。

变体飞行器必须解决变形材料/结构的高承载、轻质、大输出力驱动以及自适应结构等关键问题。因此，未来需要进一步在以下几个方面开展研究：智能材料的材料设计与新材料探索、智能材料结构的多场耦合力学行为表征与变形控制技术、满足气动要求的轻质柔顺可变形结构技术、高性能致动器及其控制技术、分布式传感网络技术、状态检测与损伤自诊断技术等。通过数据驱动的飞行器材料/结构多尺度设计技术的突破，来满足变体飞行器对轻质、大输出力、大变形等材料和结构的需求，为其更广泛的应用提供技术基础。

4) 数据驱动的飞行器多场耦合模型

高超声速飞行器研制需要直面的流-固-热耦合难题是典型的多场耦合问题。传统的直接耦合仿真方法计算量巨大，难以在型号研制中被广泛采用。笼统、海量的多场耦合大数据无法为工程师提供清晰、准确的设计思路，很难为工程设计提供有力的技术支撑。

随着人工智能时代的到来，基于数据驱动的多场耦合分析建模成为可能。目前学术界已经在非定常气动力建模[20-21]、气动热建模[22-23]和非线性结构建模[24]等独立学科的模型化方面取得了一定的进展。这些工作为多场耦合仿真提供了“化整为零”的新思路，能有针对性地提高计算效率和精度，这是传统计算方法(如工程方法和数值模拟)所不能兼顾的。在子学科建模的基础上进行“化零为整”的耦合架构设计，不仅可以提升分析效率，还能极大提升多学科、多场耦合复杂问题的可分析性和可设计性[25-26]。Ladicky等采用回归森林方法成功对非定常流场进行预测，数值计算效率提高至少10倍[27]。Guo等通过卷积神经网络方法对气流场进行预测，在保证精度相当的情况下，计算效率提升了2～4个数量级[28]。

在未来该领域可以进一步关注非均分布物理场降阶方法，动态、非线性、时变/变参系统的模型化，复杂多场/多学科问题耦合特征的定量评估与简化策略和基于数据驱动模型的多场耦合问题的机理等方面的研究。

2.2 面向飞行器体系智能设计的数字孪生技术

随着飞行器功能和性能的持续提升，飞行器系统组件越来越多，而组件与组件之间的交互会衍生出复杂特征，如系统状态随时间快速变化的动态性，以及系统材料、结构、气动、周围环境存在的不确定性。数字孪生作为一个技术体系，旨在为物理系统创造一个数字集合体或模型来表达其全生命周期的所有知识。利用飞行器及其运行环境的数字孪生体，可以实时监测飞行器的状态并评估飞行器性能，在飞行器整个生命周期中，结合运行环境信息优化飞行器的操作、运行与维护，提高设计水平与智能化程度。

1) 飞行器智能数字孪生

2003年，美国密歇根大学教授Michael Grieves提出通过物理设备的数据，在虚拟空间构建一个可以表征该物理设备的虚拟实体和子系统，并且这种联系在整个产品的生命周期中都联系在一起[29]。这个概念在2011年被正式命名为数字孪生，以解决未来复杂服役环境下的飞机运行维护的问题[30-31]。

飞行器数字孪生可定义为：一种数字技术驱动的多学科、多物理场、多尺度、多保真度、多概率的虚拟性仿真、验证系统，采用在线传感器监测、离线地面检查、飞机运行历史等多源数据，反映并预测飞行器在全寿命周期内的行为和性能。数字孪生不是一个静态模型，而是一个动态模型，会随着数据的产生而不断演化，是模型、数据、概率和决策的有机融合。数字孪生和其他技术相比具有以下显著的特点：① 虚实结合，旨在建立实体与虚拟模型之间的双向映射与深度融合，数字孪生体在动态展示飞机相关数据改变的同时，可根据真实飞机参数进行智能分析和决策；② 时效性，飞行器数字孪生体根据传感器实时数据与飞行器状态信息，进行状态预测；③ 多学科/多物理性，数字孪生体是基于物理特性的数字化映射模型，能够描述多物理场、多域的状态和信息；④ 多尺度/多保真性，数字孪生体应可描述飞机整个机体、结构部件、零件等多个尺度的行为和特性，从而稳健、高效、准确地对飞机的状态和行为进行高性能仿真；⑤ 概率/不确定性，由于存在几何和材料参数认知的不确定性，以及飞行载荷变化等的随机不确定性，导致数字孪生模型的结果不确定。

下一代飞行器需要更轻的质量，且面临更高的负载、更严酷的使用环境和更长的服役周期等挑战。目前的设计、验证、管理和维护理念无法满足下一代飞行器的需求，因此飞行器的数字孪生技术将是其智能设计的关键组成部分，在数字空间建立真实飞机模型，通过传感器网络实现与飞机真实状态完全同步，在收集各种数据之后，结合智能大数据分析技术，可以准确预测飞机状态，指导决策者为每架飞机定制个性化管理方案，并为飞行器设计提供及时可靠的反馈信息。

2) 飞行器智能数字孪生建模技术

数字孪生强调用实时感知的信息消除模型的不确定性，用精确的模拟代替真实场景，从而优化实际系统的操作和运维。飞行器包括结构、气动、航电等多种不同体系的复杂组合，因此如何对复杂系统建模是面临的首要挑战。数字孪生体是由传统模型发展而来，因此建立复杂的高精度系统模型是首要前提，现在建模依然面临着环境、载荷、材料性能等众多因素不确定，以及力、热、电等不同物理场之间的强耦合作用等各类问题，这些问题都将导致模型无法准确模拟系统的真实情况，需要借助多物理场耦合建模和多尺度损伤分析方法来提升模型精度。

为实现复杂的飞行器系统建模，需要多学科知识的支撑，通过多物理场建模、多系统仿真建立飞行器系统的行为模型和演化模型，并基于机器学习技术提取降阶或代理模型，用于在线分析。但仅依靠手动建模无法完全解决系统特殊状态的表达，需结合知识库中存储的历史数据、专家经验来表征、识别、分析可能状态，并通过数据注入的方式，分析各类状态下系统的行为数据，来构建飞行器模式库，保存到知识库中。通过设计统一的数据库接口，并结合分析、决策智能助理与可视化技术，帮助专家进行飞行器设计、维护、任务计划的决策制定等。

3) 飞行器智能数字孪生数据分析技术

数据分析技术不仅可以实现模型的动态更新，还能通过量化载荷、边界、材料参数等不确定输入，并利用大数据等人工智能技术对系统的性能状态开展在线飞行可靠性风险评估。

对于飞行器这类大型复杂系统，在服役过程中会不断产生各类载荷、环境、维修等数据，此时借助人工智能、大数据分析技术，从这些数量巨大、类型繁多、不断变化的数据集中挖掘价值，发掘多源异构数据之间潜在的内部关系，从而为诊断、预报、决策等提供模型构建支撑。飞行器数字孪生体是物理产品在虚拟空间的超现实模型，始终存在拟实化程度的问题。因此要针对数字孪生体与物理空间产品之间的偏差不断进行修正，通过数据的不断积累与模型的更新，保证数字孪生体与实体保持较高的一致性。

数字孪生的实现需要发展新的工具平台，包含集成多物理场仿真、数据管理、大数据分析、动态数据驱动决策等多个功能模块，同时借助虚拟现实(VR)或增强现实(AR)等可视化技术，使决策者能够快速准确地了解系统实际状态，从而指导对系统的操作，实现效能更高的控制与优化。

2.3 航电任务系统综合设计

航电系统是飞行器的“大脑”，能统一处理飞行器上各种设备的信息，并通过机载数据总线来传送通信、导航、控制等相关信息，从而使飞机上的电子设备性能达到最优。与之相关的传感器网络和航电系统架构设计与飞行器智能设计密切相联，因此，本文分别对这两项技术进行了深入的探讨。

1) 传感器网络设计

要使智能设计体系具备接纳飞行器全生命周期内静态和动态信息，对其故障、寿命、环境等做出认知、推演与预判的能力[32]，需要在设计阶段就考虑如何安置传感器与监测系统，使飞行器不仅能够实时感知内部系统性能状态，还能收集系统周围的环境信息[33-35]。

首先，为了使飞行器具备系统性能状态实时感知能力，对其进行寿命预测及健康管理极其重要。由于飞行器本身结构的特殊性及飞行工况的复杂性，使得飞行器关键机械部件的故障特征呈现微弱性、强非线性和耦合性等特点[32]。通过合理优化的加装与布局先进的压力、振动、应力应变、转速监测等传感器，结合先进的信号处理手段，深入融合多源传感数据，实现在强噪声干扰下微弱故障特征的准确提取。

另外，在未来空战中，目标更加多样化、加之隐身等先进技术的出现，需要传感器更准确地反映出环境的复杂性并提供危险预警，以使飞行员或机载自主控制系统能更快地认知周边态势并做出合理决策[36-37]。这要求在设计阶段就考虑红外、光电等多元化传感器网络的分布，通过多源异构数据处理发现各类数据之间的关系，感知机身四周环境信息，提供必要的长程侦测、精确目标跟踪等资讯[38]。

在智能设计体系中(图1)，传感器网络获得的实时数据将与试验和仿真数据等大数据融合[39-41]。在知识库的基础上，可通过构建深层模型、深度学习、决策迭代优化等手段，对健康状态、态势情况等进行推理和决策[37]。

2) 航电系统架构设计

以信息系统为支撑的智能化网络中心战和体系化对抗将是未来航空装备的主要作战样式[42]，因此，需要提高飞行器的超声速巡航、隐身、超视距和多目标攻击、高机动性和敏捷性以及联合作战、协同作战、机动作战等综合能力[43]，而这些都离不开综合化的航电技术、高性能计算芯片和软件定义系统[44]。

目前的航电系统架构设计主要有以下几种：

① 模块化航电系统(Integrated Modular Avionics, IMA)[45]。由IMA平台及其应用组成，在该平台上共享可变、可重用、可交互的软硬件资源。该平台能够针对所定义的安全性、可靠性和性能要求提供设计与验证服务，并驻留和管理以及执行飞机的功能应用。IMA平台是指一个或者一组包括核心软件的模块。该平台的硬件能够为驻留其上的一个或多个软件提供计算资源、通信资源和接口能力。IMA平台可独立进行认证而不受其驻留应用的影响。

② 分布式综合模块化航电系统(Distributed IMA, DIMA)[46]。将IMA平台分布式地部署到飞机上的多个安装位置，并通过AFDX网络提供实时和具有容错性的数据通信，从而进一步缩短线缆长度和响应时间[47]。DIMA具有天然的故障隔离屏障，能够进一步提高系统安全性，且当中还使用了新的硬件平台用来处理I/O和控制。此外，DIMA结合了联合式航电和IMA的优势，使用了分布式的结构，通过主动冗余提供容错性，并且使用共享的处理器、内存、传感器和I/O接口等系统资源，对商业组件(Commercial Off-The-Shelf, COTS)进行了更强的综合[48]。

由于在智能设计体系中，航电任务系统除了要包含传统意义上的核心处理与数据网络、综合驾驶舱显示控制系统、综合射频及传感器管理系统、综合通信、导航与识别、先进飞行管理系统/软件、综合探测、告警与态势感知/软件、综合任务管理系统、先进电子战与自卫防御系统、飞行器管理系统，传统的飞控、机电系统、综合系统管理系统/软件等[49]，还需要考虑与地面数字孪生系统的交互。这意味着随着设备数和任务数的增多，设计的难度也显著增大，因此航电任务系统需要更合理地分配系统的设备和需要驻留的功能到适当的位置上以保证系统的安全和质量[50]。其本质上可归纳为多目标组合优化问题。考虑到实际问题的规模和复杂程度，一般的多目标优化算法无法得到满意的设计方案，未来将结合航电系统的评估目标和实际开发的需求，将进化人工智能算法与多目标优化算法相结合，以实现航电系统的结构优化。

2.4 飞行器体系智能优化设计

未来战场环境错综复杂，战争也会逐渐向体系对抗转变[7]。未来战争将由一定数量、相对简单的飞行器个体通过相互关联和协作形成以自组织方式构成的体系化组合。个体间的信息共享有利于环境感知和资源配给优化，增强了系统的稳定性和可靠性。军事活动中的飞行器体系可以根据任务需求采用多样化配置方法，包括载人战机或无人飞行器，和按任务划分的侦察机、战斗机、轰炸机等[51-52]。除需考虑单一战机的性能及指标外，在有适合体系作战的需求时，还要考虑其对整个群体的影响及其在整体环境中的协同配合，包括飞行器个体与群体之间的体系协同优化设计、自组织通信与信息交互、态势感知与决策等，具体表现在：

1) 飞行器体系协同优化设计

合理高效的协同优化是群体任务规划与执行的基础和前提[53]，这需要考虑个体之间、个体与群体、及群体与群体之间的协同，其中包括冲突处理、任务分配、资源分配、信息分享等，因此可以转化成优化问题的求解。在体系化的飞行器单体与群体协同优化设计时，对于问题描述可根据体系设计需求考虑以下因素：优化目标选取与多目标间权衡、个体约束(包括动力学关系、最大航时航程、探测方式与距离等)、群体约束(包括空间距离保持、通信资源、边界约束等)、任务的空间分布、环境与态势评估考量和冲突规避与解决方案等。由于涉及多个相互制约目标的优化，求解难度很大，不能简单地通过对多个目标加权平均或者设定优先级的方式来求解，通过这样的方法往往只能获得一个Pareto非劣集合[54]。由于飞行器对于实时性的要求极高，导致现阶段多数算法并不能直接应用于大规模的复杂任务自主规划。未来智能协同优化控制在算法的实时性和可拓展性方面仍有较大发展空间[55]。

此外，需要在知识库中(图1灰色框)加入对目标特性图、决策知识库、算法模型库等知识方法的设计[56]，以此来综合集成作战单元模块群体，快速生成决策方案，驱动执行指挥控制。并能通过大量分析计算、仿真、试验及融入经验等丰富知识库，使飞行器单体间及群体间能快速响应环境变化，具有自学习和自适应的协同能力。

2) 自组织通信网络设计

未来战场的飞行器体系有可能包含多种不同类飞行器、有人机、无人机与无人机集群，因此个体/群体间与控制站间的高效通信是保障信息交互共享和及时全面掌握战场环境态势信息并优化任务分配的重要前提。可靠的通信也关系到个体的安全运行，甚至整个体系任务的成功与否[57]。

飞行器的通信模式主要有集中式和分布式两类。对于集中式通信方式，由于单个飞行器通常并不具备强大的通信系统来支持其与控制站直接通信，并且，多个飞行器同时与控制站通信容易造成控制站通信资源挤兑的情况，这种方式在目前通信技术下不能够满足体系作战的要求。另一研究思路认为可以基于分布式的群组架构研究自组织网络，用于群体飞行器的通信[58]。自组织网络采用分布式的架构，尤其是飞行器体系中包含无人机集群时，允许单机随时加入或离开网络，使得单机故障不会导致整个通信模式瘫痪，同时也确保了群体通信的可拓展性[59]。然而，分布式架构也存在一些局限性，如：飞行器的高速机动飞行容易造成网络断链，个体不断变换位置致使网络拓扑结构快速高频变换，使得通信在有效性、安全性和可靠性等方面都受到挑战。

因此在智能设计阶段需要考虑分布式的、具有抗故障与自愈能力的通信网络设计，以保证飞行器群体在有限的通信资源约束下，对其他个体、群体、环境、任务等具有高效感知和共享的能力。另外还可通过融入认知无线电[60]、通信拓扑结构动态规划[61]等智能技术提高群体通信的效率。

3) 协同态势感知系统设计

协同态势感知是体系化控制和决策的基础。由于每个飞行器的环境感知能力有限，可采用分布式的群组架构，使每个飞行器之间通过共享信息来获得强大的协同态势感知能力[62]。协同态势感知包括自身状态感知、环境感知、邻近飞行器感知、群状态感知、目标感知等多个方面。

未来作战环境更加复杂，具有高强度和多变的特点，这要求感知系统具备自主性，充分发挥前端作用[63]。具体来说，第一要求感知系统具有同源信息拼接和异源信息综合推理能力。同源信息拼接是指集群中的每个飞行器载有同类传感器，通过将获得的信息(如图像)结合飞行器的状态(位置、姿态等)进行拼接，进而同时获得对更大范围的环境感知；异源信息综合推理，是指集群中的多个飞行器采用不同类型的传感器，获得同一目标或环境的不同属性信息，以对环境感知做出更准确的判断。第二要求感知系统在实体和数字孪生平台的设计中具有信号/信息实时共享的能力，能够通过对在线、离线学习方法的设计与改进实现体系协同平台对环境态势、情报、装备等重要信息的认知。

2.5 人机协同智能系统设计

人机协同智能可通过人机交互实现人类智慧与人工智能的结合，将人脑和机器融为一体。传感器和智能算法用于解决底层的信号采集、信号解析、信息互通、信息融合等问题，人脑负责高层次决策，从而使人脑和机器形成一个完整的系统。

1) 人机接口与信息交互设计方法

友好的人机接口和信息交互方式能让飞行员更快地掌握并理解各类信息，使机器快速理解、响应飞行员的意图并显示处理结果，其在瞬息万变的战争时期尤其能提高指挥效率[64-65]。在目前已有的AR、VR、眼动、手势及语言等分析手段的基础上，需要研究并构建基于全息界面的多通道人机交互系统，分析各类信息的感知敏感度，设计交互与显示方法，研究飞行员接收、理解和确认等关键技术。

2) 有人/无人智能协作

在未来复杂的空战环境下，运用多架有人机、无人机在飞行空域内构成相互合作、优势互补及效能倍增的协同作战系统，是智能空战获胜的关键所在[66]。要使“人工智能+有人/无人机”成为空战的主要力量，需主要解决技术和信任两方面的问题。

为充分发挥人工智能强大的感知与推演能力，需要通过数字孪生系统中的作战仿真模块快速仿真各种作战计划，生成大量可能的未来态势，从而为任务决策提供态势感知的相关数据。针对决策控制模块的设计，在战前可通过多分支超实时推演仿真，超越实体战场预判敌方可能的动向和战局走向，提前优化作战方案；在战中则可根据态势监控信息，构造平行战场，利用更新的战场态势信息剪裁部分仿真分支，辨识即将到来的决策点，快速形成草拟决策，并提供给指挥员以选择性的提示，从而加速真实战场观察-判断-决策-行动(Observation, Orientation, Decision, Action，OODA)循环。

从未来空战所需的各个过程来说，机器更适于快速决策、高复杂度协同行动、海量异构数据分析处理[67]。由于空战所包含的信息不完备、干扰不确定、实战检验少、可信性要求高等多种复杂的限制，完全依靠人工智能并不现实。因此利用人工智能在空战中提供基本认知，提出可供选择的作战方案，由飞行员从更高层次完成博弈决策是未来一段时间的主要发展思路。

3) 空战对抗模拟与人在环上的智能设计

目前基于AR技术的空战对抗训练模拟装置可用于模拟瞬息万变的战场情况，其将指挥人员融入虚拟环境中，进行作战演习。在人机协同作战过程中，需要作战飞机编队的指挥人员根据战场态势的实时变化，及时、准确地制定和调整作战任务方案。此时大量信息的涌入，以及极端情况的出现可能会使指挥人员从生理和心理层面很难胜任这样繁重的感知、分析、判断和决策任务，因而需要设计先进的智能决策与辅助系统，提高作战飞机编队指挥人员的实时战术决策和指挥效能。

智能决策系统可以与OODA相结合，从决策和行动两个层面来提高OODA循环的效率。运用大数据和机器学习方法提取飞行员的空战经验，并结合蒙特卡洛搜索树、滚动时域优化等方法，实时生成作战环境下的有限候选策略，飞行员可根据自己的理解选择最优策略，降低认知负荷，从而提高武器系统目标瞄准和发射的效率。智能决策与OODA的结合能够提高智能决策系统在面对外界不确定扰动情况下的自适应控制能力、鲁棒性能和容错能力。

3 智能设计的共性科学问题

第2节所提技术均涉及与人工智能进行融合，但传统人工智能的数据来源为图像或自然语言，格式较为统一。而飞行器设计领域中数据的来源多，可来自实验、仿真、飞行、先验知识、经验、故障手册等，类型不定、跨域较大、各类数据间的关联复杂；另外由于未来飞行器的飞行环境复杂，其设计需求具有模糊性和不确定性。因此，真正融合人工智能方法实现飞行器智能设计仍极具挑战。需要找到其中的共性、底层科学问题作为突破点，并以此为牵引解决上层技术问题。

因此，可从底层航空设计中最复杂但具有大数据属性的湍流、气动等问题出发，研究如何将其建模方法与机器学习方法进行融合。在此基础上，进一步研究如何使用人工智能中的相关方法去挖掘不同学科中共性知识的特征表达、推理及迁移，以实现将飞行器个体设计中的各个学科综合智能化；最后，研究如何使知识在整个飞行器体系中迁移和演化，并最终实现整个飞行器体系设计的智能化。

3.1 机器学习与经典航空设计问题的联合建模机制

湍流、气动噪声以及结构疲劳等是飞行器设计中长期面临的难题[68-69]。因此，湍流的精确模拟与减阻、气动噪声的预测和降噪以及结构疲劳寿命预测和可靠性分析对于先进飞行器研制十分关键。

对于湍流问题，当前工程中主要采用各类湍流模型。这些经典的湍流模型大多是通过结合有限的实验数据和基本假设，在一定的理论指导下构建的。然而，现有的雷诺平均湍流模型的适用性较低，对分离流动的模拟精度不足。随着人工智能时代的到来，数据驱动的机器学习方法在湍流模型构建方面蓬勃发展[70-71]。这种基于机器学习的湍流模型为新一代湍流模型的构建提供了极大的自由度。一方面其可以让使用者根据自己的需求充分发挥自主性，利用特定应用领域的样本专门构建湍流模型，为工程湍流模型的定制提供了方法基础。另一方面其代数特性有利于增强鲁棒性和收敛性，提高计算效率。

在气动噪声方面，气动噪声的精确数值模拟一直是CFD仿真的难点。虽然目前学术界已经发展了一些高精度数值求解方法，能够较为精确地开展空腔等简单模型的噪声预测，但是距离在飞行器部件乃至全机应用还有很大差距。而声学风洞成本高、周期长，致使在飞行器设计阶段很难开展完善的风洞试验。气动噪声研究的大数据属性使得机器学习方法在这一研究领域具有独特的优势[72]。基于数据驱动的机器学习方法可以用于飞行器气动噪声源的智能识别，噪声强度的智能预测，噪声诱发机理以及降噪措施的探究等。

在飞行器结构强度分析中，结构疲劳寿命的准确预测一直是核心难点问题之一。目前，主要采用工程方法对其疲劳寿命进行估算，但因为材料的微观组成、机体宏观结构以及不定扰流造成的振动疲劳等问题，结构疲劳寿命预测的准确性仍然有待提高。此问题涉及多学科融合，且具有不确定性大，样本数据量小等特点，采用传统方法难以解决此类高度耦合的复杂问题。利用机器学习在数据挖掘等方面的优势，融合不确定性表达与推理、跨域数据的多模态特征提取与融合、小样本知识迁移等技术方法，可提高结构疲劳寿命预测的准确性。

3.2 跨领域数据与知识推理

飞行器智能设计不仅是对已有知识的整合，更是要依靠大数据对跨领域的特征与知识进行深层次挖掘与应用。因此，如何对各个分系统进行数据特征提取与知识表达、对多域、多源数据进行分析和融合以及对小样本数据进行学习和迁移十分关键。

1) 数据特征提取与知识表达

数据特征提取是信息处理中对某一模式的测量值进行变换，以突出该模式代表性特征的方法，其本质是知识的表达。在飞行器设计过程中需先对数据进行知识提炼，去除冗余信息，而后形成高质量的表达，为进一步的数据分析奠定基础。

目前，基于三元组的知识表示形式[73]受到了人们广泛的认可，但是其在计算效率、数据稀疏性等方面存在诸多问题。近年来，以深度学习为代表的表示学习技术取得了重要进展[74]，可以将实体的语义信息表示为稠密低维实值向量，进而在低维空间中高效计算实体、关系及二者之间的复杂语义关联。这对飞行器设计相关知识库的构建、推理、融合以及应用均具有重要的意义。但如何从各类原始数据中进行特征提取，并构建包含语义、相互关系等信息的词嵌入或图嵌入表达仍是一个待解决的关键问题。

飞行器收集的传感器数据来源广泛，存在数据质量参差不齐、来自不同数据源的信息重复、各类信息间的关联不够明确等问题，所以需要进行多层级的数据融合与知识融合。对来自不同知识源的知识在同一框架规范下进行异构数据整合、消歧、加工、推理、验证、更新等操作，达到数据、信息、方法、经验以及人的思想的融合，形成高质量的知识库，以方便进一步的数据利用。

2) 多域、多源数据的表达与分析

数据在飞行器设计的不同阶段有不同的呈现：设计阶段是仿真模拟的数据，试飞阶段是传感器和地面观测的数据，运营阶段是传感器的数据等。另外，在不同的场景下各种传感器采集的数据不同。而多模态机器学习可以处理和关联来自多种模态信息的模型，捕获模态之间的对应关系并获得对数据关系的深入理解。因此，可通过多模态学习挖掘信号、图像等不同模态数据之间的更深层次关系[75]。并将多模态学习和知识图谱相结合，表达更多的非结构化数据，构建图像、文本和信号之间的关系，以在知识图谱中的实体上添加不同的模态，更好地完善飞行器设计知识图谱所构建的数据特征提取与知识表达数据库。

3) 小样本数据的学习

飞行器日常工作大都处于正常状态，以至于采集的数据中异常状态的数据非常有限。此外，飞行器是复杂的多场耦合系统，实际观测的数据样本仍然较少，因此如何通过小样本学习对复杂系统进行描述与推理计算，是提高机器学习算法可用性及稳定性至关重要的前提[76]。目前常用的解决方案有两种：① 数据增强和正则化，采用数据扩充的方式尽可能增加数据集中训练样本的数量，再以正则化方式缓解有限数据引发的过拟合问题；② 元学习，这是现在的主流方案，基于人类学习的机制，利用已有知识来构建认知模型，并外推到新的场景，从而避免目前大部分深度学习方法从零开始学的方式。应用这样的模式去解决新的问题可以不需要太多样本，从而解决小样本学习的问题。针对飞行器某些数据较少的情况，可利用数据增强扩展方法训练样本，同时通过设计正则化项来限制模型复杂度以避免过拟合，此外可结合先验知识构建的元学习模型来进一步提高小样本下的数据挖掘与学习效率。

4) 历史经验数据的迁移学习

在飞行器设计过程中，当从老的型号向新的型号过渡时，有一些共性特征可以借鉴。然而受限于当前机器学习模型的迁移学习能力，共性特征目前仍依靠人的口述、讲授等知识传承方法。随着深度学习的快速发展，迁移学习应用场景越来越丰富[77-78]，有望在一定程度上解决历史经验数据与知识传承的难题。

常用的迁移方式包括基于特征的迁移、基于共享参数的迁移和基于关系的迁移。这些方法的本质是在寻找源域数据和目标域数据的共同特征、知识映射关系以及模型的共享参数和先验分布，而其中的关键是搭建能够有效提取多源数据特征的网络结构，以及选取适用的知识迁移方式。针对飞行器设计过程面临的多种型号的知识迁移，需要建立可持续学习的模型实现自更新与自演进。此外，需要保证所设计学习模型在目标域数据有效，并且在源域数据上有较好的效果，以此确保迁移学习的泛化性和稳定性。

飞行器设计领域涉及多个复杂的系统，包括整体结构、控制系统、燃油系统、液压系统和电气系统等。这些系统的数据表现千差万别，但又相互影响。因此可基于多种数据源的融合技术构建相应的知识图谱，如图3所示，基于多种不同的数据源，如各个领域中的结构化、半结构化和非结构化数据，建立相应的领域本体知识库，然后将它们映射为全局本体库，接着使用这些领域知识图谱通过知识获取和数据融合构造飞机智能设计知识图谱。在进行数据分析时，利用元数据学习方式和迁移学习为小样本学习实现跨域、跨代的数据与知识迁移，通过建立知识模型和推理机制，将已构建的知识模型应用到飞行器系统各个部分的设计、开发与诊断中。对上述关键问题的研究，能够增强飞行器设计过程中知识的表达能力和可拓展性，从而提高模型的可解释性、可靠性以及稳定性，最终实现飞行器高效率设计与未来飞行器的综合最优设计。

图3 飞行器智能设计知识图谱Fig.3 Knowledge map of aircraft intelligent design

3.3 体系能力涌现机理与自学习演化机制

飞行器体系设计涉及到体系的整体构建和结构优化，以及其能力特征的导向性涌现和自主演进，主要包含体系架构优化设计、个体及群体行为模式科学表征、环境响应和规模效应影响机制、个体/群体交互规律和学习演化机理等关键问题的研究。

1) 飞行器通用化体系架构设计与智能行为模式表征

体系架构设计决定了飞行器体系的整体框架和建构基础。飞行器体系在功能结构上具有开放、异构和分布的显著特征，开放式和通用化体系架构有利于异构个体的灵活集成、体系能力的导向性涌现和整体效能的最优化。如美国国防预先研究计划局(DARPA)的拒止环境协同作战(CODE)、体系综合技术与试验(SoSITE)和进攻性蜂群使能战术(OFFSET)均体现了开放、异构和分布的理念[79]。体系架构理论和DoDAF等体系架构框架可以为飞行器体系的架构设计提供全局性理论和方法支撑。

整体才具有而孤立的部分及其总和不具有的特性，称为整体涌现性。飞行器平台个体依据规则组成体系后，可能涌现出复杂整体智能行为。整体智能具有去中心控制、分层动态组网通信、简单个体行为和自组织性等特点，可以快速响应博弈性对抗环境和战场事件，缩短己方OODA循环过程，打断对方循环流程，提高整体行为的战术价值，获得博弈对抗的主动性[80]。因此，体系宏观的行为模式及智能特征涌现可基于智能体的建模方法，应用SysML(Systems Modeling Language)、OPM (Object-Process Methodology)、复杂博弈网络等建模工具，通过构建合理的个体模型和交互机制来进行表征。

2) 不确定任务环境与节点规模效应对体系协同控制的影响机理

动态开放的体系架构，决定了飞行器体系具有任务和环境适应的内禀特性。系统的整体涌现性具有结构效应和规模效应两种形式[81]。飞行器体系结构及节点规模，可以随着任务的变化进行动态配置，根据任务需求演变和优化，但是其需要建立相应的控制机制。因此需要发展以优化为准则的精确协同方法，以达到最佳的控制效果和效益。

飞行器体系在复杂动态环境中遂行任务，需要体系的高效组织与协同，而有效地进行飞行器体系任务分配与任务规划是基础。可以将智能优化算法应用于任务规划问题模型进行求解，并通过任务规划的仿真实验进行验证。而传统方法难以支撑智能化体系的任务规划，因此需要采用群体智能控制的方式[82]。飞行器体系以及集群在任务执行方面具有典型的规模优势，但随着任务复杂度、环境不确定性和飞行器体系节点规模的增加，协同目标探测、协同目标状态融合、协同态势理解与共享等关键问题难度剧增，因此，发展可以适应大规模、高异构性和分布式问题的求解算法至关重要。

3) 智能个体/群体间增强学习、迁移学习与演化的动态机制

体系的动态演化特性是通过个体与群体的复杂交互机制实现的。智能个体具有学习能力，并通过个体和群体的互动增强作用，发生迁移学习和深度演化，在个体能力和群体结构不同层级实现动态互激励式优化演进。

体系智能以个体智能为基础，并从个体智能涌现出导向性整体智能。无论是个体智能还是整体智能，都需体现自主能力和学习能力两个方面的特征[83]。具有感知、判断、规划、决策、协同等高级别的自主能力将成为飞行器体系的发展趋势，而个体自主是基础。飞行器体系中平台之间存在协同观察、协同判断、协同决策和协同行动的交互性关系。个体基于自身知识以及对环境、自身和态势的理解，通过在不同的过程中进化，增强和其他群体间的学习，进行规则更新，获得完成多种任务的更高能力。从高层视角可将体系整体视为宏观智能体，在OODA全流程环节从体系整体的角度进行综合权衡，可以涌现出整体行为效果最佳的宏观智能[84]。快速发展的深度学习技术是支持飞行器体系个体和体系整体自主学习和能力演进极具潜力的方法。另外，体系作战仿真系统日益成熟，可以首先在建模仿真活动中培育和训练个体和体系智能，待成熟后再将其嵌入飞行器个体及体系[85]。

受自然现象启发，目前还有大量的研究工作借鉴仿生学思想研究蜂群、蚁群、鸟群、狼群、鱼群、菌群等大规模的生物群体的协同机制[86]，构建优选学习器，基于获取的态势信息、任务约束，并依据集群个体能力，有机结合模糊逻辑与超限学习算法，实现从状态到策略的策略集输出及协同策略优化和动态智能演化[87]，有力支撑飞行器体系的智能优化设计。

4 结 论

在人工智能的促进下，飞行器设计有望实现跨层级、全方位、深融合的革命性突破。本文基于飞行器未来的设计需求以及人工智能技术，对飞行器设计体系的发展进行了预测，提出了飞行器全生命周期多源数据驱动的智能化设计理念。其能极大地缩短研发周期、提升飞行器设计效率和效能，实现整个设计流程的自演进和知识的传承。

本文总结的关键技术和科学问题可为飞行器设计的未来发展提供初步研究方向。其涉及学科领域广，并且需要将数字孪生、知识库构建等前沿人工智能技术与传统飞行器设计的各个领域进行深度交叉融合。但是，由于将智能化技术应用到飞行器设计的理念近些年才刚刚萌生，究竟如何将多域联合建模、知识表达与推理等人工智能方法真正应用于这个多学科耦合的领域并发挥出理想的作用仍具有巨大的技术挑战，因此本文从预测的角度对各类技术和科学问题进行了论述。飞行器智能设计仍迫切需要各航空航天工业部门、高校、研究所和学会加大重视力度，发展其新方法和新理论，解决航空航天工程长期面临的湍流、气动等“卡脖子问题”，最终实现中国军用飞行器在国际军事上的“领跑”。