数字孪生及其在飞行器领域应用

沈如松 徐焕翔 矫永康 吴俊峰

1．海军航空大学山东烟台264001

飞行器广泛应用于社会生产的各个方面,对飞行器的研究也愈发深入,因此,在虚拟空间中分析飞行器的各种运动状态也愈发重要.近年来提出的数字孪生概念能够很好地满足目前在虚拟空间对飞行器实体进行模拟的需求.

数字孪生是联系物理空间与虚拟空间的纽带,以复杂物理建模、实时数据采集与分析、大数据技术、信息物理融合技术为关键技术,构建物理实体在虚拟空间中的孪生体,并复现物理实体的所有状态.数字孪生能够以实时性、高保真性、高集成性地在虚拟空间模拟物理实体的状态,从而分析飞行器的相关数据记录,提前发现飞行器相关故障征候,辅助操作员进行决策,降低飞行器各类事故发生概率.

最早的孪生体概念是由美国航空航天局(National Aeronautics and Space Administration,NASA)提出用于空间飞行器,2003年,美国密歇根大学的Grieves 教授最早提出“与物理产品等价的虚拟数字化表达”的表述,推进了数字孪生的概念发展.在飞行器的全生命周期中,从设计过程中的模型验证,制造装配过程中的零件检测,到运行过程中的辅助决策等,数字孪生技术都有着广泛的应用空间.此外,在任务规划方面,数字孪生技术可以帮助决策员进行任务分配与航迹规划,提出高效低耗的任务执行方案,降低指挥与控制的复杂度与成本.

1 数字孪生概念及其发展

“孪生体” 概念最早起源于NASA 的阿波罗计划[1],在该计划中,NASA 制作2 个完全相同的空间飞行器.其中一个被称为“孪生体”(twin),在空间飞行器执行任务期间留在地球上反映大气层外的飞行器状态.在飞行准备期间,孪生体全程参与训练;在任务执行期间,对孪生体进行与本体一致的实验操作,使之尽可能精确地反映飞行器在外太空的状态,以便于决策人员在各种情况下作出最正确的决策.此时“孪生体”为实体样机,目的是复现/模拟飞行器的实际状态来辅助决策.

Grieves 教授在其产品全寿命周期管理课程(Product Lifecycle Management,PLM)中提出数字孪生的“与物理产品等价的虚拟数字化表达” 概念[2].但是当初并未明确数字孪生体的名称,而是在2003–2005年暂用名为“镜像空间模型(Mirrored Spaced Model,MSM)[3]”,在2006–2010年采用“信息镜像模型(Information Mirroring Model,IMM)[4]”的名称.此时的数字孪生为狭义的数字孪生,其概念限定于产品及其全寿命周期的数字化表征.Grieves 将数字孪生定义为全尺寸描述产品实体信息的虚拟信息结构.

相比于NASA 阿波罗计划中的“孪生体”,Grieves 教授所提出的“数字孪生体” 已经完成了从实体向数字模型的转变,这也可以视为数字孪生的起源.

2005年,Grieves 教授[3]进一步提出数字孪生是2 个空间之间的映射,建立了如图1所示的2 个空间之间的相互关系.并提出了通过这个映射,可以为执行详细设计和实施的人员以及管理和批准项目的人员提供概念框架,使之对项目的实际状态有大致的理解,便于后续项目的实施与管理.同时,Grieves 也提出此时的数字孪生并未有明确标准和稳定的定义,在之后的研究中仍然需要深入发掘其概念.

图1 数字孪生概念图Fig.1 Digital twin conception

2010年,NASA 发布了“建模、仿真、信息技术和处理” 路线图[5],在该路线图的仿真部分,数字孪生作为对载具或系统的综合多物理场,多尺度仿真,集成了相关载具的所有可用数据.通过合并信息,数字孪生可以用于预测任务执行状况、仿真实际飞行情况、分析潜在的灾难性事件以及研究在设计阶段未考虑的任务参数修改的影响.在该路线图的引领下,数字孪生进入了大众视野,在后续的几年内有了比较大的发展.

2011年,Grieves 教授在其著作Virtually perfect:driving innovative and lean products through product lifecycle management[6]中引用了合作者John Vickers 用于描述该概念的名词:数字孪生体,并提出了被广泛接受的数字孪生体模型.该模型分为物理实体、虚拟样机以及二者之间的交互接口3 个部分.

同年,美国空军研究实验室(Air Force Research Laboratory,AFRL)[7]讨论了3 个问题:如何使用数字孪生预测飞行器结构寿命、如何确保其概念模型的结构完整性,以及开发和部署数字孪生的技术挑战.他们计划于2025年交付一架配备有数字孪生体模型的飞机,该孪生体在几何细节(包括制造误差)和材料细节(包括统计微观结构级别)上都是超现实的.此外,该孪生体模型可以在虚拟空间进行同等时长的飞行,在飞行期间,孪生体会根据基于最佳物理学的概率模拟来累积使用损坏,并输出大量与材料和结构性能相关的损坏数据,可以预测意外故障并反馈于现实飞机进行预防.

2012年,NASA 与AFRL 提出未来飞行器数字孪生体范例[8],在未来,飞行器需要更轻的质量、更高的承载能力、更久的服役时间与更为极端的服役环境,现有的基于历史与经验的飞行器生命周期的管理方式将会与实际情况出现较为严重的偏差,为了解决这些问题,数字孪生利用高精度的物理模型,更新的传感器数据以及大量历史数据等来形成对实体的超高保真度仿真模型来反映实体的实际状态.

2013年,AFRL 提出了“机体数字孪生”[9]的概念,用于设计和维护机身,并对每一架飞机都制作专属的维护保养计划.在这种条件下,每架飞机都能够用于收集大量数据,有助于之后飞机的设计与维护,改变现有的飞机生命周期管理方式,降低维护成本与模型的不确定性.

除了上述理论发展,许多研究机构也在探索数字孪生的实际应用,并推进数字孪生的发展.

2015年,通用公司推出Predix 工业大数据平台[10],该平台的核心功能是捕获大型制造或工业运营中的数据并对其进行分析.通过分析收集到的大型制造或工业运营数据,可以帮助公司建立生产系统的数字孪生体,从而辅助公司管理层进行分析,决策层进行决策,推动制造业的进一步发展.

2017年,陶飞等对数字孪生车间进行了探索,阐述了数字孪生车间的系统组成、运行机制、特点、关键技术等[11],并探讨了实现数字孪生车间信息物理融合的基础理论与关键技术[12].在其分析中,数字孪生成为了车间未来信息物理融合发展中的关键一环,作为信息物理融合的关键性技术,将会在未来车间发展中起到重要作用.2020年,江海凡等[13]从车间现存问题和挑战出发,提出了构建数字孪生车间的阶段划分及相关技术,为数字孪生车间的发展提供了参考.

2017年,庄存波等[14]分析了现有数字孪生技术的发展状况,基于产品数字孪生体与产品工艺模型、产品设计模型、产品制造/装配模型、产品服务模型、产品报废/回收模型之间的关系;建立了产品数字孪生体的体系结构,并在此结构的基础上,给出了未来产品数字孪生体的目标:虚实融合、闭环的产品全寿命周期数字化管理与全价值链协同.

2020年,董雷霆等[15]面向疲劳寿命管理,给出了如图2所示的飞机结构数字孪生基本框架,并根据该框架提出飞机结构数字孪生的5 项关键建模仿真技术.在其分析中,数据获取与分析、模型建立是数字孪生在飞机结构建模仿真中的关键技术.

图2 飞机结构数字孪生基本框架Fig.2 Basic framework of digital twin for aircraft structure

2 关键问题与技术

2.1 复杂产品模型建立技术

对于数字孪生而言,产品的模型建立是整个数字孪生体运行的基础环节,而现有的飞行器产品,随着科学技术的发展也呈现出复杂化、精细化的趋势,因此,复杂产品的模型建立的技术也愈发重要.目前的产品数字孪生模型可以分为通用模型与专用模型两种,不同的研究人员针对其面对的问题也给出了相应的模型建立方法.

通用模型的研究早在2005年就开始了,Grieves教授在2005年[3]便提出了PLM/MSM 两种模型.PLM 具有功能集成,结构通用,可选的附加功能模块与可提高效率的信息流等优点,但同时也存在模型仅仅是个雏形,概念较为模糊,不够完整的弊端.为了理解PLM 模型中的信息核心,提出了MSM,该模型分为真实空间、虚拟空间以及二者之间的信息流3 部分,有当前数字孪生通用模型的雏形.相较于PLM,MSM 不以功能(材料、工艺、维护等)来进行组织,而是用关联的物理对象来组织.

此后,许多研究人员也对通用模型进行了研究分析,例如Schroeder 等的交换数据模型[16],于勇等的产品构型数字孪生模型[17]等.而2018年,Zheng等[18]针对当前车间的复杂情况进行了数字孪生建模.在其模型中,对车间按照典型的“实体空间、虚拟空间、信息传递层”进行分解,将车间的各部分分类归入模型之中,实现了车间模型的全参数虚拟建模.在模型中,车间的物料流、信息流与控制流[13]在执行完相应任务后将数据进行融合分析,并以此为基础建立数字孪生系统.

相比较于通用模型,专用模型更具有针对性与实用性.相比较于其他方向,飞行器所具有的高成本、高损耗等特性会导致其专用模型的迅速发展.迄今为止,与飞行器相关的模型有Li 等的机翼健康监测模型[19]、Seshadri 等的多物理场零件损伤控制模型[20]等.

2017年,Zakrajsek 等[21]建立了飞机轮胎损伤模型.由于飞机在着陆过程中的轮胎旋转磨损问题十分复杂,故需结合大量历史数据采用数字孪生方法进行分析.Zakrajsek 等基于易磨损率概念构筑数字孪生模型用于预测着陆磨损.该模型可以将预测结果与现场实际结果进行比对改进,从而使模型不断迭代更新,更符合实际情况.

通用模型能够包含领域中大部分产品的共通性特点,专用模型能够针对特定型号的产品进行虚拟空间描述.在新产品进入虚拟空间,建立模型时,同领域的通用模型能够快速建立模型基础,而对专用模型的建立能够完善通用模型中缺乏的细节.如何整合通用模型与专用模型,在新产品进入虚拟空间时能够快速、准确地建立对应的虚拟模型,是后续需要探讨的问题.

2.2 信息物理融合技术

2017年,陶飞等提出了数字孪生车间[11]的相关概念,在其文章中着重提到数字孪生所需求的信息物理融合技术.同年,陶飞对信息物理融合技术[12]进行了更为详尽的阐释,将其分为物理融合、模型融合、数据融合与服务融合4 部分,而每一部分不仅是数字孪生车间的关键技术,同样也是飞行器的关键技术.

物理融合:主要应用于飞行器的生产车间,为其余3 种融合技术提供基础数据支撑.该技术用于统筹实体物理空间中飞行器生产制造的各项设备,收集各项相关数据,作为数据融合的支撑.同时对人所下达的命令进行采集并响应,将收到的命令纳入飞行器的生产计划中,调整相应的生产情况.物理融合需求人机交互技术、智能分析技术,以便对人下达的指令进行分析理解,从而转化成可以用于车间生产的计划表.

模型融合:将飞行器的各部分模型进行整合,以实现对物理实体的真实完全映射.由于当前飞行器的模型存在尺度差距过大的问题,最小的铆钉孔等零件的物理尺度为10−2m 量级,而较大的机翼、梁等零件尺寸高达102m 量级[15],在如此巨大的量级差距下,不仅对于飞行器的模型建立有很高要求,对将其纳入数字孪生中虚拟空间的模型融合技术更有要求.因此,复杂产品建模技术、CAD、CAE 技术都是不可或缺的部分,在此基础之上方可考虑飞行器的模型融合问题.

数据融合:通过大数据理论,对飞行器生产维护过程中收集到的各项数据信息进行处理,经过处理后,形成对该物理实体的统计、反映、预测、建议等,辅助决策人员进行决策.经过数据处理,可以预测飞行器在何时需求维护保养与维修等,也可以及时预测飞行器运行过程中的隐患,以辅助人员进行预处理,降低飞行器事故发生概率.因此,对于大量、多元的数据进行分析与处理的技术是不可或缺的,只有对获取的数据进行准确、适当的处理,才能够作出合理、有效的预测与规划.

服务融合:对飞行器运行过程中的维护、保养等服务进行管控,是基于前三者的融合体现.通过数据处理给出的结果,对飞行器的各项服务进行安排与实施,不仅对物理实体进行服务,也对网络空间中的数字孪生体进行服务性的模型修正.修正后的模型进入下次实验,以贴合物理实体在实际任务执行中的状态,经过试验给出任务执行情况的预测.在任务执行结束后,将结果与预测进行比对、迭代,积累经验,经由深度学习、机器学习、人工智能等相关技术的应用,使得数字孪生体能够更为贴合实际任务执行过程中遇到的情况,给出更为合理的服务需求.

2.3 数据收集与传输技术

数字孪生技术的实现是建立在信息采集与数据传输的基础之上的[22−23],并借此来实现数字孪生体对物理实体的准确映射,对于数据的准确度与时效性有着很高的需求,尤其对于数据的时效性要求更高.基于高精度、低延迟的大量数据,数字孪生的双空间映射才有了意义,否则过久的延时与过大的误差都会导致整个数字孪生系统的失能甚至失效,无法实现既定的映射能力.

数字孪生体所利用的数据来源于物理空间实体的传感器采集,对于传感器的敏感度与精度也有很高的要求.在物理实体中,合理的传感器网络布置能够获取更为准确、不需处理的数据.而物理实体内高兼容性、大容量、能够预处理部分数据的数据传输网络,也能够提升数据收集与传输效率.此外,如何通过更少的传感器来获取更多的数据信息,如何搭建更为高效的数据传输网络,也是亟待研究应用的技术.

通过射频识别(Radio Frequency Identification RFID)技术[24]进行产品识别,以在网络空间中建立与之相对应的独特模型,收集到的数据可以直接链接到相应的数字孪生体,这些数字孪生体在物理实体的数据支持之下进行相应的演变(例如磨损、维护、保养等).现有的传感器与网络通信技术可以获取来自于真实系统的实时观测数据[25−26],通过这些数据,网络空间中的模型得以不断迭代更新,更为贴近物理空间的实体状态.

2.4 大数据技术

航空器系统自身就具有大数据基因[27],在数字孪生支持下的飞行器系统本身就具备了大量的数据[28],同时,在系统的运行过程中,规模庞大、成分复杂的数据产生并被收集,这些数据超出了目前数据的处理能力[29].按照Tao[30]的观点,数据一旦产生并被收集,就存在着如何分析、处理并利用数据的问题.大量数据只有在经过分析、筛选、清洗、预处理并提取特征后才能够被利用.因此如何利用采集到的大量数据,并为数字孪生提供支持,需要大数据技术处理、分析数据的能力.

根据李仁旺等[31]的分解,可以将大数据为数字孪生提供的支持分为大数据收集层、大数据处理层、大数据分析层以及最终的应用服务层.大数据收集层对飞行器各个环节中收集的数据进行分类、转换、储存,航空发动机在1 次飞行过程中就会产生1 TB的数据量[28],因此,对于数据的预处理是十分必要的,否则冗杂的数据会对大数据处理层造成不必要的负担.

大数据收集层提供数据处理与分析的相关技术,将收集层预处理过的数据进行降噪、降维和可视化处理,为分析层提供有效数据.经过大数据处理层的处理,先前复杂、多维、强噪声的数据转换为可以被分析层直接使用的有效数据,同时可以根据目标应用层与大数据分析层的反馈修正数据处理方法,以提高大数据处理层的有效程度.

大数据分析层在接收到大数据处理层所传递到的有效数据后,进行进一步的数据挖掘与决策方案生成,对飞行器所需要的服务进行决策,以避免可能产生的事故或飞行任务中可能出现的故障.应用服务层是整个大数据分析的目标,为飞行器提供实际的服务执行,修正飞行器状态,以保证飞行器在执行任务过程中的稳定运行[32].

3 数字孪生在飞行器领域应用

3.1 飞行器设计验证

飞行器在设计验证的过程中需要利用模型或物理产品进行各个系统的可行性试验,系统集成试验以及适航性试验等多种试验.现有的需求实物的试验模式导致一些挑战[33−34]:1)试验需求实物,因此,在试验过程中出现的问题无法快速反馈迭代,需求大量时间与成本来修正设计阶段的错误;2)模拟试验中条件有限,很难测试到飞行过程中可能遇到的所有状态;3)随着系统耦合复杂程度的增加,综合试验难度也在加大,部分试验甚至可能呈现高危性[35].

采用数字孪生技术,根据技术指标需求、总体方案框架、详细设计等部分在虚拟空间建设高精度,多系统,高复杂度的飞行器虚拟样机用于试验.相较于传统的设计样品试验流程,在虚拟空间进行的试验可以在飞行器设计之初即投入使用,可以实现“边设计,边试验,边修正”,从而避免试验滞后设计而导致的高时间成本与高经济成本的返工.

数字孪生技术可以收集飞行器飞行过程中的数据从而构建出实际的环境状况,用来设计验证新型飞行器进行试验时可以采用这些构建出的环境.相较于试验场较为单一的环境,虚拟环境的多样性能够更贴合飞行包线之中的各种飞行状况,尤其是试验场相对稳定的气候所不能实现的飞行状况.复杂性更强的试验自然也能够得出置信度更高的试验结果,使得飞行器运行过程中的任务执行能力和安全飞行能力更高.

随着科技发展,飞行器的结构、系统复杂度与各系统之间的耦合度不断增加,导致综合实验难度增加,难以构建令人满意的试验环境.同时为了进行试验,必然需要极端条件,多个极端条件所构成的极端环境在试验场上可能具有高危性,同时需要消耗较高的成本.因此,数字孪生所构建的虚拟环境在此类需求下就能够贴合需求,通过虚拟环境进行试验可以避免上述问题,同时能够快速修改试验条件,快速得出试验结果修正飞行器状态.

在设计新的飞行器型号时,前型号的飞行器的飞行数据可以用于为新型号的数字孪生体进行模拟试验,降低试验成本.此外,可以将试验同时在新旧型号的飞行器数字孪生体上进行,方便得出对比性结论,推进新型号飞行器研制工作.

3.2 飞行器制造装配

在完成飞行器设计验证工作后,进入生产装配过程中,数字孪生可以作为伴随性的技术来辅助飞行器的生产过程.

通过飞行器生产线的数字孪生体构建,可以跟踪飞行器生产状况,合理配置资源,提高生产效率,降低成本.以F-35 战斗机为例,洛克希德·马丁公司[36]通过数字孪生技术对生产制造数据的实时反馈,提高了F-35 战机的生产速度,预计将每架飞机22 个月的生产时间降低到17 个月,同时将生产成本从9 460万美元降低至8 500 万美元,极大提高了生产效率.

通过数字孪生技术,可以实时监测零件加工状态,将次品零件及时进行处理,降低了次品零件进入装配阶段的可能性.数字孪生技术使得“加工检测下一步加工”的工艺流程更为简便,对公差、粗糙度等指标可以进行后续工序修正,对于尺寸误差、形状误差等问题,可以进行次品零件处理,降低成本,提高生产效率.诺斯罗普·格鲁曼公司[37]利用数字孪生技术改进了F-35 零件生产过程中的次品决策问题,将次品处理决策时间降低了1/3.

完成零件加工阶段后,RFID 技术、传感器技术等为飞行器数字孪生体的构建创造了基本条件,在装配阶段,飞行器数字孪生体伴随着飞行器物理实体的装配而搭建,为飞行器在运行阶段的数据收集、任务执行、维护保养等作准备.孙萌萌等[38]对飞行器的总装生产线进行了可视化建模,并对飞行器总装生产线进行了可视化平台的设计与实现.该平台能够实时显示总装生产线的状态与飞行器的装配进度,同时采集装配过程中的数据,并将其传输至服务器中用于后续的维护.

装配阶段中,由于不同零件的公差、粗糙度等均不相同,需要针对性进行模型修正,从而保证虚拟空间中的孪生体能够匹配特定产品的实际状态.孪生体基于历史数据进行状态监控与预测,根据装配体的实际工况进行分析,给出产品维护与维修的辅助决策,降低维护的时间与经济成本.

3.3 飞行器健康监测与维护

当前飞行器任务执行的过程中,主要的延误来源于预测之外的维护时间[39],其原因主要在于对飞行器额外的磨损预测不足,需要执行额外的维护项目.因此,由数字孪生所建立的预测性维护模型,可以极大地避免以上情况的发生.基于历史经验数据,构建飞行器模型以预测关键组件寿命,在关键组件寿命不足以支撑后续任务执行时,辅助决策者进行预测性维护的决策下达,从而降低飞行器在任务执行过程中的故障发生概率.

当前检测技术需求很高的维护时间,例如拆卸飞机、检查零件与维修[40].这些操作的主要依据是类似机型的飞行器在类似环境下的运行经验[41],事实证明这可以有效减少飞机结构故障的事故数量,但是不可避免的维护过程中产生的意外情况也会导致其他复杂状况.

以飞行器的机翼[42]为例,通过数字孪生进行结构损坏的检测和监视是一项实用性十分重要的应用.最近,已经提出了一种利用嵌入飞机结构中的形状记忆合金(Shape Memory Alloy,SMA)颗粒的转变响应来检测疲劳裂纹的方法.通过检测嵌入粒子的机械和/或电磁响应的变化,操作员可以检测到这些粒子附近疲劳裂纹的发生.数字孪生概念的一个重要方面是监视飞机的结构健康,尤其是疲劳裂纹形成所造成的损害.这些信息将用于更新多物理数字孪生模型.通过每架飞机的独有数字孪生体,结合SMA的响应结果来反映机翼实际状况,进行相应的维护保养.这种技术可以大大降低维护飞行器状态的时间与经济成本,提高效率,减少任务执行延误的时间.

而飞行器另一重要部件,航空发动机[43],也可使用数字孪生技术进行预测性维护.通过对航空发动机进行数字孪生建模,并对每个独立的实体进行数据采集与运行分析,来实时监测发动机运行状态.结合收集的历史数据,对发动机运行状态进行预测,在发动机产生故障征候的时候及时给出警告,有效避免在执行任务期间飞行器出现故障.同时收集到的数据可以纳入发动机大数据系统,使数字孪生体能够给出更贴合实际状况的结果.

3.4 飞行器任务规划

飞行器在执行任务之前,需要进行飞行任务规划,以寻求最为合理的任务分配方式与飞行器航迹规划.尤其是在以无人机为代表的无人飞行器执行任务的过程中,良好的任务规划能够使飞行时间最短、效率最高;针对多无人机编队执行任务,任务规划也能够将飞行任务进行合理分配,从而高效率地完成任务.针对飞行器的任务规划,现在已经有多种较为成熟的任务路径规划方式,例如杨健等[44]提出的基于分层优化法的多协作无人机任务规划方法,李瑞阳等[45]提出的基于列生成算法的无人机任务规划方法,杨晨等[46]对多无人机协同任务规划研究等,这些方法都进行过仿真验证,具有实际实现意义.

如果能够在基于数字孪生的虚拟空间中进行任务规划,现有的任务规划方法可以得到更好的仿真环境,同时能够将各种突发状况添加到算法中进行预演,从而提高规划方法的可信度,推动实现任务规划从平台到体系的演变[47−49].对无人机编队协同任务执行进行任务规划,具有高保真性的数字孪生技术能够提高求解最优方案的效率,提高任务执行效率,降低任务执行时间,以更低的成本更好地完成飞行任务,降低指挥与控制的难度.另外,由于数字孪生能够实时监测飞行器状态,可以在任务实际执行的过程中对任务规划进行实时修正,对飞行器进行实时指挥与控制,使飞行器能够更好地执行任务.

4 结论

从概念发展、关键技术以及在飞行器领域的应用来探讨数字孪生在飞行器领域的应用现状.随着数字孪生技术的不断成熟,其中主要的技术瓶颈正在被突破,但仍然存在许多需要解决的问题,例如以飞行器专用软件平台为代表的软件平台的缺失问题,以传感器精度与布置方式为代表的数据采集与处理问题,以中间层实现为代表的信息物理融合问题等.上述问题都有很大的发展空间,解决这些问题后,数字孪生技术将会获得更大的发展与应用.