关于武器系统数字孪生的若干思考

6月前浏览19974

作者：周军华 1,2,3薛俊杰 1,2李鹤宇 1,2姬杭 1,2林廷宇 1,2,3施国强 1,2,3

来源：系统仿真学报

导读：

回顾了数字孪生技术的主要发展过程，提出了武器系统数字孪生研究和实践的必要性，给出了武器系统数字孪生的定义和组成，分析了数字孪生应用架构和数字主线构建、双向协同仿真与控制、智能自主演进和基于容器仿真云的数字孪生运行支撑等关键技术，阐述了若干关键技术的初步研究与实践，进行了总结和展望。

关键词

武器系统；数字孪生；数字主线；仿真云

【引用格式】周军华, 薛俊杰, 李鹤宇, 姬杭, 林廷宇, 施国强. 关于武器系统数字孪生的若干思考[J]. 系统仿真学报, 2020, 32(4): 539-552.

Zhou Junhua, Xue Junjie, Li Heyu, Ji Hang, Lin Tingyu, Shi Guoqiang. Thinking on Digital Twin for Weapon System[J]. Journal of System Simulation, 2020, 32(4): 539-552.

周军华 ^1,^2,³薛俊杰 ^1,²李鹤宇 ^1,²姬杭 ^1,²林廷宇 ^1,^2,³施国强 ^1,^2,³

（1. 北京市复杂产品先进制造系统工程技术研究中心　北京仿真中心，北京　100854；2. 复杂产品智能制造系统技术国家重点实验室　北京电子工程总体研究所，北京　100854；3. 航天系统仿真重点实验室　北京仿真中心，北京　100854 ）

DOI：10.16182/j.issn1004731x.joss.20-0089

引言

未来战争对武器系统的研制和运用提出了“体系化、智能化、实战化”的新要求。以实物试验和训练为主的武器系统研制与运用模式逐渐暴露出项目周期长、质量控制难、实施成本高等问题。武器系统研制和运用部门正在逐步向基于模型的系统工程转变，尤其是通过加强建模与仿真技术在武器系统全生命周期的应用，充分利用数字空间低成本、高效率、多次迭代的优势，来促进武器系统研制与运用水平、效率的提升和成本的降低。

随着物联网、云计算、大数据等新一代信息技术和人工智能技术的快速发展，产生了数字孪生的概念，并在国内外工业界和学术界得到普遍关注。一般认为，由于数字孪生能够接收来自物理产品的数据进行实时演化，并将仿真分析数据反馈给物理产品，支撑其开展优化和决策，其在产品的分析、预测、诊断、训练等方面显示出巨大的应用潜力。因此，有必要在武器系统研制运用中引入数字孪生，为模型驱动的武器系统研制与运用模式拓展新的实现范式。

本文回顾数字孪生的发展过程，从武器系统研制需求出发，分析研究和实践武器系统数字孪生的必要性，给出武器系统数字孪生的定义和组成。从武器系统的主要特征出发，分析了其应用架构和关键技术，并对武器系统数字孪生若干关键技术进行了初步研究与实践。

1 研究背景

1.1 数字孪生技术

数字孪生(Digital Twin)的概念可追溯至2002年，Michael Grieves针对产品全生命周期管理提出了“与物理产品等价的虚拟数字化表达”的概念^[1]。受限于当时的建模与仿真技术水平、计算机性能和通信技术、产品数据实时采集技术等，数字孪生概念在提出后相当一段时期内并未得到重视。概念提出后，Michael Grieves先后在论著中使用“镜像空间模型”、“信息映射模型”的命名，2011年，NASA工程师John Vickers将其命名为数字孪生。Andreas Tolk等^[2]提出了分层的复杂系统组合与互操作技术，为构建复杂系统数字孪生提供了可行的理论方法。

随着以物联网、云计算、大数据为代表的新一代信息技术以及多领域仿真技术的快速发展，在产品生命周期中，对生产及运行数据的实时采集，虚实之间数据实时传输，以及在虚拟空间中精确描述物理产品相关属性和行为的能力得到了大幅提高，数字孪生技术开始逐渐得到重视，并在产品设计优化、状态监控、可预测性维护等方面展现出巨大的潜力。

在国外，数字孪生率先在国防军工领域开展应用研究。2012年，面对未来飞行器轻质量、高负载、长寿命的严苛研发需求，NASA和美国空军合作并共同提出了未来飞行器的数字孪生范例^[3]。将飞行器数字孪生定义为：“一种集成的、多物理、多尺度、概率仿真模型，能够利用物理模型、传感器数据和历史数据等来反映与该模型对应的飞行实体的状态”。美国空军研究实验室通过将超高保真的飞机虚拟模型与影响飞行的结构偏差和温度计算模型相结合，开展了基于数字孪生的飞机结构寿命预测^[4]。美国海军通过虚拟化宙斯盾系统的核心硬件，构建了宙斯盾系统的数字孪生，并在托马斯•哈德纳导弹驱逐舰上利用虚拟宙斯盾系统发射了一枚导弹并成功命中目标，实现了美国海军武器系统形态以及升级模式的重大变革^[5]。美国通用电气公司基于数字孪生，利用其自身搭建的云服务平台Predix，采用大数据、物联网等先进技术，实现了对航空发动机的实时监控和预测性维护，实现了产品及服务模式创新^[6]。国外传统PLM/CAX厂商也纷纷基于数字孪生规划下一代软件产品，如ANSYS借助于在数值仿真领域的优势，推出Twin Builder，可以基于多学科的数值仿真模型，在虚拟空间构建产品系统仿真和数字孪生，支持接入PTC ThingWorx中的实时物理数据，对物理产品进行设计优化和预测性维护等^[7]。

国内在数字孪生方面也有不少研究。庄存波等对产品数字孪生体的内涵进行了系统阐述，建立了产品数字孪生体的体系结构，并给出了产品数字孪生体在产品设计阶段、制造阶段和服务阶段的实施途径^[8]。陶飞等提出了由物理实体、虚拟实体、服务、数据、连接构成的五维数字孪生模型，以及数字孪生车间的实现模式，并明确了其系统组成、运行机制、特点和关键技术，为制造车间信息物理系统的实现提供了理论和方法参考^[9-10^]。张霖从建模与仿真专业的角度指出数字孪生本质上是新一代信息技术在建模和仿真中的应用^[11]，并给出了数字孪生的定义，即“数字孪生是物理对象的数字模型，该模型可以通过接收来自物理对象的数据而实时演化，从而与物理对象在全生命周期保持一致。基于数字孪生可进行分析、预测、诊断、训练等，并将仿真结果反馈给物理对象，从而帮助对物理对象进行优化和决策。”在数字孪生应用研究方面，国内学者在空间通信网络、船舶、车辆、发电厂、飞机、复杂机电装备、立体仓库、医疗、制造车间、智慧城市等领域开展了探索研究^[9]。

1.2 数字孪生与虚拟样机

尽管数字孪生已成为学术界、工业界关注的研究热点，仍需看到，数字孪生技术处于发展的初期，已有的研究中概念与模式研究较多，落地实现研究较少。作者认为数字孪生是传统建模与仿真技术在新一代信息技术和人工智能技术背景下的进一步发展。在数字孪生实现方面，尤其应以虚拟样机^[13]为主要载体进行扩展与实现。

文献[8]进一步分析了数字孪生与虚拟样机的区别，指出数字孪生超出了虚拟样机的内涵，即数字孪生不仅包含产品构造、功能和性能方面的描述，还包含产品全生命周期中的形成过程和状态的描述，如对产品制造或维护过程的形成过程和状态的描述。数字孪生更强调忠实于物理产品的动态演进。虚拟样机是对产品系统、分系统、子系统等的数字化描述，反映了产品对象的几何属性和一个或多个领域内产品对象的功能和性能^[12-13^]。

虚拟样机在产品设计阶段形成，主要服务于产品设计研发阶段，其价值在于在物理样机形成之前对设计方案进行优化，从而保证物理样机的一次制造成功。当物理样机(或产品)出现以后，虚拟样机与物理样机(或产品)进行数据交互，并保持同步演化，这时候虚拟样机就演变成了数字孪生。数字孪生和虚拟样机在产品全生命周期中具有互补关系，数字孪生并不能代替虚拟样机，前者是后者的延伸，后者是前者的基础。

从数字孪生和虚拟样机的分析可以看出，实现数字孪生还需要在虚拟样机技术基础上，从武器系统需求出发，分析数字孪生的内涵和优势，突破多项关键技术，如产品全生命周期数字主线构建技术、物理-数字双向协同仿真与控制技术、自主演进技术、高效运行支撑技术以及模型履历管理技术。

1.3 武器系统数字孪生的必要性

各行业引入数字孪生都有其背景，例如文献[2]提出NASA引入数字孪生的背景在于行业特点：一是产品昂贵；二是很少制造；三是制造的以前没有制造过。当然这主要是从制造考虑的。

武器系统装备，尤其是航天武器系统装备，具有研制难度大、装备价值高、制造批量小的特点，属于典型的复杂产品^[13]。在研制与运用过程中，通过武器系统数字孪生，能够随时掌握武器系统的当前技术状态，利用建模与仿真分析不断地提高决策科学水平，并维护装备始终处于最佳性能水平。武器系统数字孪生的必要性体现在如下方面：

(1) 通过武器系统数字孪生适应武器系统装备采办与运用的新要求。一是针对武器系统的涌现和不确定性，数字孪生强调是虚拟的，演化主要在数字空间通过模型完成；二是针对武器系统的实战化要求，数字孪生的强近似性和高逼真性概念十分吻合，除了实体模型，还需要补充环境、过程和评估等模型，比如战训/综保。但也需注意到，在实际的建模过程中，在满足需求的前提下，应在近似性、逼真性和复杂性、实用性之间实现平衡。

(2) 武器系统的智能化发展要求，需要将模型、数据与算法结合起来。数字孪生强调成长，强调了模型对系统的预示作用。该技术拓展新一代信息技术与人工智能技术背景下建模仿真新方法，将模型视为一种生命体。

(3) 武器系统的研发越来越强调在系统工程中的模型组织和模型管理。数字孪生强调模型集合的统一源头和有限主线，并与物理系统映射，需要形成虚实融合的建模仿真综合应用的新模式，提升武器系统数字化设计、测试和评估等的新手段。

2 武器系统数字孪生的定义和组成

2.1 武器系统数字孪生的定义和内涵分析

本文作者给出武器系统数字孪生的定义如下：武器系统数字孪生是和武器系统实物样机与装备相对应的，在系统、分系统与设备等多个层级和功能、性能与构造等多个方面，和实物样机与装备同源产生、异步成长、赛博互动和超期生存的数字模型集合，是武器系统在采办生命周期中设计、制造、验证、评估和运用等的主要依据。

该定义把数字孪生视作生命体，覆盖同源产生、异步成长、赛博互动和超期生存等4方面。

(1) 同源产生主要是指模型集合的构建问题，就是实物装备从依据用户需求并提出概念开始，虚拟样机就要和它开始同步构建，在实物样机(或产品)出现后，虚拟样机即演化为数字孪生。另一类数字孪生则是基于应用需求和物理系统运行状况而后期构建的，能够忠实映射实物装备相关特征和技术状态。数字孪生基于一套权威的数据和模型进行构建，在装备的全生命周期中，要始终保持数据和模型的完整性和一致性。实物装备研制更多的是定义装备，并保证其确定性；虚拟样机和数字孪生是要面对用户需求和概念的边界、假设和简化等带来的不确定性。尽管同源产生，但二者分工不一样，否则就是信息上的冗余。

(2) 异步成长主要是指模型集合的成熟度提升和演化控制问题，实物样机与装备从数量到状态是有限的，数字孪生存在演进的问题，它与实物样机和装备的成熟度是异步的。数字孪生的成长不仅仅依赖于与实物装备的同步，也依赖于自身模型的成熟度的提升，尤其是能够通过动态演进技术，实现自学习、自适应、自成长的建模过程。数字孪生的演进是基于数据和模型的，需要数字主线和数据驱动作为支撑。

(3) 赛博互动主要是指模型集合的应用问题，这里面重点是CPS系统中的系统仿真，这方面的研究是当前数字孪生研究的主要关注点。

(4) 超期生存主要是指模型集合的生命周期管理和最后存档问题，数字孪生对应的物理装备退役和报废后，数字孪生依然作为一种档案进行保留。超期生存比较类似数据管理，重点是仿真数据和模型怎么记录、集成、传递和综合成好用和重用的一套模型集合，强调数字孪生是要把物理装备销毁前的数据并入数字孪生。

2.2 武器系统数字孪生的组成

结合上述定义和内涵分析，提出武器系统数字孪生的组成参考模型，如图1所示。

图1 武器系统数字孪生的组成参考模型Fig. 1 UML-based reference model of digital twin for a weapon system

按照参考模型，从武器系统数字孪生的表达对象(即与实物的功能特性、物理特性等相对应的武器系统数字孪生视图)、所属层级(重点是组件级以上)、应用主体(总体和专业在研制生命周期中的协同和演进)3个维度出发定义武器系统数字孪生的组成。其中，在数字孪生表达的对象特征维度上，参考《GJB3206A-2010技术状态管理》，结合实物产品的功能特性、物理特性，强调利用数字孪生作为主要依据，从构造、功能或性能等视图定义、模拟、试验验证和评估实物；在数字孪生表达的所属层级(及其组成)维度上，按照武器系统研制文件的完整性要求进行数字孪生组成分解和层级划分，对于不同层级的数字孪生，均由一个且唯一一个“数字孪生”与之对应，数字孪生内部包括一个“系统数字孪生”和若干个“子级数字孪生”，系统数字孪生和子级数字孪生都由若干个数字模型组成；在数字孪生表达的应用主体维度上，应用主体体现在子级数字孪生上，它从学科专业、物理组成和产品专业(机械、电子、软件)等不同方式进行划分，并且，数字孪生与外部的数字孪生的协同问题、数字孪生内部的子级数字孪生之间的协同与演进问题主要是通过系统数字孪生集中解决。

导弹武器系统下任意层级实物按照工程应用情况均可将其对应的数字孪生作为一个模型集合进行描述。并且，按照不同视图，通过对比实物样机及其现有研制模式的方式去组织、分析和阐述模型结合。进一步，本文对武器系统数字孪生进行视图的分解、分析和定义，示例如图2所示。构造、功能和性能等视图的基本内涵如下：

图2 某类型武器系统数字孪生的多视图表达示意图Fig. 2 Multi-view representation of digital twin fora weapon system

功能视图是和各层级实物在生命周期内面临的任务相对应的，也是数字孪生构建和应用所支撑的主要目标之一，主要包括两方面：一方面是需要满足的作战功能和任务；另一方面是在实物装配、维护、使用、训练和保障过程中需要实现的功能或者完成的任务。两方面都表现为具体任务的实施过程，以及实施过程中的逻辑/时序、工况/条件和边界/环境/干扰等。

构造视图是和各层级实物的物理(机械、电子)组成或软件逻辑组成相对应的。它描述了机械、电子和软件等方面的定义和设计的结果，反映了各层级实物组成结构、物理属性或逻辑属性的定义，以及各组成之间的物理或逻辑接口关系。

性能视图是和各层级实物相关的学科/专业相对应的。它面向各层级分析、仿真和试验验证的主要工作内容是按照力、热、光、电等物理学科、信息学科、控制学科、系统工程学科等学科对各层级实物的性能与效能、产品的可靠性、维修性、保障性等方面进行分析和验证，本质上是理论的、工程的方程/不等式和参数/属性的集合。

从3个视图出发所构建的模型不是独立的，之间存在紧密的协同关系，如图2所示。以性能视图下的模型为例，它需要功能视图的任务、工况、边界、环境和构造视图的物理组成、定义与接口作为输入开展分析、仿真与试验验证，同时，性能视图向功能视图反馈性能、效能、可靠性或可维修性等属性与参数，向构造视图反馈空间、布局、匹配性或者协调性等属性与参数。

3 武器系统数字孪生的技术架构分析

3.1 武器系统数字孪生的架构描述

武器系统数字孪生的架构主要描述数字孪生与实物之间的关系，如图3所示。武器系统数字孪生和实物样机或装备是在时间轴上演进变化的，是一对多的关系，也就是实物有很多状态，不同的样机自身还有不同的状态，但它们在数字空间都是一套数字孪生(模型集合)对应的。某一时刻t_x，数字孪生和实物有3类映射关系，如图4所示。一是和之前实物的预测关系，实物的某个状态PI_m和孪生的当前状态DT_n有一个前瞻时段，期间存在不确定性(例如随机、模糊)，需要数字孪生支撑解决；二是和当前时刻t_x的实物状态PI_n的控制和诊断关系，其中控制需要在CPS环境开展，尤其涉及计算机控制方法和基于LVC(实装/虚拟/控制)的系统仿真；三是在实物的某个时刻t_y，对数字孪生DT_n的训练和修正经过修正形成数字孪生DT_o。这些关系的实现过程，都属于围绕数字孪生的活动，技术上都属于建模与仿真范畴，有集中式、分布式等仿真方式。可以看出，实物和数字孪生在演进中各有侧重，实物也有附带的模型(例如BOM、MBD方法)，但基本是定量的，而数字孪生则要基于此是对实物模型的补充、假设和修正。

图3 武器系统数字孪生的应用模式Fig. 3 Application mode of digital twin for weapon system

图4 武器系统数字孪生架构Fig. 4 Architecture of digital twin for weapon system

3.2 面向数字孪生的武器系统数字主线构建技术

武器系统数字孪生与实物样机或装备要保证同源产生就必须构建武器系统全生命周期数字主线，使两者始终围绕一套权威、可信的数据源开展活动。

数字主线是一种覆盖武器系统全生命周期，能够支持虚实双向数据传递的，权威的数字化数据流。它能够自动地建立模型、数据之间的关联关系，形成数据地图，并在装备全生命周期过程中维护模型/数据的一致性与完整性，形成一套权威、可信的全生命周期模型/数据，即构建一个权威的数据源。数字主线的实现需要集成装备论证、设计、制造、维护保障等阶段各个数字化系统中的模型/数据，实现跨域模型/数据的集成。

本文提出一种武器系统全生命周期数字主线构建技术，通过系统/工具集成、模型/数据管理(MDM)与数字地图管理实现数据的一致性和完整性。其构建流程如图5所示。

图5 武器系统全生命周期数字主线的构建流程图Fig. 5 Construction flow chart of digital thread in the lifecycle for weapon system

(1) 系统/工具集成。制定MDM的集成接口规范，对需要集成的软件工具或信息系统进行适配，根据数据应用需求，实现与CAX软件工具、系统建模与仿真工具以及生命周期各阶段的信息系统(如需求管理系统、产品设计数据管理系统、企业资源计划系统、制造执行系统、产品试验数据管理、维保数据管理系统等)的集成。已集成的软件工具或信息系统能够检入模型/数据到MDM系统，也可以反向从MDM系统更新模型/数据，也能够通过MDM系统获取其他软件工具或信息系统中的模型/数据。MDM系统与集成的软件工具/系统之间传递的主要是结构化数据/系统模型、CAX模型。

(2) 模型数据管理。对于结构化数据/系统模型，其属性信息可以直接获取。针对半结构化的CAX模型，通过二次开发解析并提取模型的关键属性，如：对于CAD模型，提取其材料、质量等属性，以及用户自定义的属性。

(3) 数据地图的构建与管理。尽管自动知识抽取与加工技术正在不断成熟，但对于武器系统研制领域来说，利用专家经验采用自顶向下的方式能够更加高效地构建基础数据地图。通过对历史装备型号的结构化、半结构化、非结构化数据的处理，对基础数据地图进行扩展，能够生成完整的数据地图。数据地图中的实体涵盖复杂全生命周期全部关切的模型/数据。

将MDM系统中的模型/数据与数据地图中的实体进行关联，在模型/数据项之间建立显性的关联关系，构建全生命周期数据地图，支撑在具体的模型/数据应用场景中开展模型/数据的智能检索与推送。模型/数据能够通过相同的标记与数据地图进行自动关联。

通过数据地图检查关联的模型/数据的情况，对数据地图的完整性进行检查，并生成检查报告。对检入的模型/数据进行一致性的检查，如果出现不一致的情况，则对情况进行报告，由负责该项数据维护的人员对出现异常的模型数据进行人工检查确认。

3.3 物理-数字双向协同仿真与控制技术

武器系统实物装备与数字孪生的赛博互动依托的是分布式实时反馈系统，能够集成计算、通信与控制功能，实现物理世界与虚拟时空的链接，具有感知与改变物理世界的能力。

数字模型的本质是离散事件模型，即有时间戳的执行和操作序列；而物理模型本质是连续时间模型，其模型行为通常用微分方程来表达。因此，在数字模型和物理模型之间该如何进行有效交互以应对离散过程和连续过程的不同语义、同时实现2种模型之间的双向协同仿真和运行管理是一个重要问题。

如图6所示，在实物装备与数字孪生协同仿真系统中，可通过布置在物理世界中的传感器有选择地获取物理环境和物理设备信息，并通过特定网络传输协议将这些信息传送到数字空间中，传感器以固定的频率刷新物理环境及物理设备信息，保证数字空间能够接受到最新物理环境变化；同时，数字空间在获取到物理域的状态和数据信息时，能够对数据进行处理、计算和分析，指导模型运行和模型校准，不断迭代数字模型版本，并通过特定网络及网络协议反馈控制指令；同时，物理模型使用内置的执行器接收反馈信息，执行器能够根据其中携带的控制指令执行相应操作，以改变物理环境和物理设备中的参数和状态，支撑数字孪生的前瞻预测、诊断控制与修正训练。

图6 实物装备与数字孪生的双向协同仿真与控制Fig. 6 Bidirectional co-simulation and control of physical equipment and digital twin

数字模型和物理模型之间的交互通过信息-物理交互模型刻画，数字模型和物理模型分别处于数据流和控制流的两端，交互模型在其中起到协调、传递和集成的作用。交互模型分为2个类型：逻辑交互模型和物理交互模型。应用程序通过逻辑交互模型实现对物理模型的感知和控制，即逻辑耦合；物理交互模型基于运行平台，并通过模拟-数字、数字-模拟转换实现对物理模型信息的获取和处理，即基于运行平台的物理层耦合。因此，在双向协同仿真与控制中需要对以下几方面进行规定：

(1) 2种模型间的关联关系，包括信息流关联关系和控制流关联关系；

(2) 采样周期和控制频率；

(3) 硬件、操作系统和软件的规格和配置。

交互模型和数字模型之间的交互方式是数字模型与软件平台之间的交互，存在于运行平台软件架构中；交互模型和物理模型之间的交互可以体现为交互模型通过不同种类的传感器去感知物理环境和物理设备中属性和状态的变化，并将这些变化数据反馈到数字模型内部。在这个过程中，传感器利用模拟-数字转换将连续的物理参数、状态变成离散的数据表达，数字模型通过计算后，通过交互模型将计算控制信息传递到执行器对物理模型进行反馈控制调节。在这个过程中，执行器利用数字-模拟转换将离散的数据变化成连续的物理运动和状态。

3.4 数字孪生的智能自主演进技术

针对武器系统数字孪生的异步成长问题，物联网技术为建模提供了一种新的强有力的手段，而且在对复杂系统机理缺乏足够认识的情况下，还可基于所采集的数据利用人工智能技术对系统进行建模。传统的建模技术只能针对特定的场景和需求进行建模仿真，无法适应动态、变化的环境，效率较低。针对上述问题，本文提出数字孪生的动态演进技术，用以实现自学习、自适应、自成长的建模过程。数字孪生的智能自主演进技术基于工业互联网，利用新一代通信技术、人工智能技术完成多层次信息融合，通过自主学习和搜索的方法在虚拟环境中收集仿真数据，并依据实际物理环境中的历史数据，驱动模型进行认知决策的优化，通过持续迭代更新，降低数字孪生体和物理实体之间的差异，提高仿真的真实性和准确性，从而适应复杂的环境和动态的需求，开发出具有较强适应能力和灵活性的装备。

数字孪生的智能自主演进技术共包括2种演进方式：简单演进方式和模型演进方式，如图7所示。简单演进方式中，实物和世界的模型、参数都确定不变，使用近似世界模拟真实的世界，针对特定装备的不同决策，在虚拟环境中执行策略进行实验，通过蒙特卡罗搜索或强化学习技术在不同的状态中进行选择，得到当前环境下最优的运行策略。模型演进方式中，针对未知程度高、不能完全掌握机理的复杂真实世界，使用监督学习和非监督学习的方法构建不同的世界模型，并通过改变模型参数来表示对真实世界的不同认知；使用强化学习的方法构建不同装备的模型，并通过改变参数表示对真实装备的不同认知；通过迁移学习，使得模型具有足够的准确度，从而开发出具有足够灵活性和适应性的装备。

图7 数字孪生的智能自主演进技术实现方法Fig. 7 Implementation method of intelligent autonomous evolution technology of digital twin

3.5 基于容器仿真云的数字孪生运行支撑技术

在武器系统数字孪生的异步成长中，需要收集大量数据用于仿真环境下的建模、决策；仿真过程中不断进行实验对比不同决策的效果，并利用深度强化学习等方法进行训练，指导装备的全生命周期制造，该过程需要大量的计算资源，解决算力不足问题，实现云端协同的大规模平行分析工业仿真过程。

数字孪生的仿真系统需要运行在单机/局域网、私有云、公有云等不同形态基础设施之上，但是如果采用传统方式建立复杂的仿真系统，包括主从式或联邦式集成的分布交互程序，程序依赖不同的模型文件、仿真求解器等运行环境，占用资源较多，模型构建时间长，难以支撑仿真系统的快速部署和大规模运行。针对上述问题，提出基于容器仿真云的数字孪生运行支撑技术，如图8所示。对仿真系统进行虚拟化抽象、服务化改造，通过数字孪生仿真容器，可按需在赛博空间游牧、部署、运行，在支持在传统的嵌入式CPS系统基础之上，构建云、边、端一体化按需仿真的大CPS系统，具备轻小化、组合化、一致性、成长性等特点。

图8 基于容器仿真云的数字孪生运行支撑实现Fig. 8 Digital twin operation support based on container simulation cloud

基于容器仿真云的数字孪生运行支撑技术采用边缘端实现工业基础异构资源接入，使得整个网络能够在每个工业节点直接采集数据，通过面向云端的仿真服务将多个边缘工业仿真节点在云端统一集中调配，为系统提供充足的计算资源，使其能够进行分布式系统集成、多终端一致迁移和多实例自动调用。通过虚拟化技术，为复杂多样的仿真资源提供统一标准的封装，实现资源的一次开发，多次重复、快速部署，复杂仿真系统快速动态构建、高效运行容错。

3.6 数字孪生模型履历管理技术

武器系统数字孪生实现超期生存，核心是要在数字空间保证模型集合的“高频迭代、快速更新”。本文提出了基于快照流的模型履历构建技术，能够对模型集合进行版本管理与状态控制。模型履历能够在武器系统全生命周期维护模型的唯一性、可靠性与技术状态的可追溯性，使得在其基础上构建的武器系统数字孪生能够作为数字化资产长期保管和应用，实现超期生存。

针对导弹研制过程中数据/模型的迭代过程生成一系列快照(即某一时刻的数据集)，全部快照在时间序列上组成快照流，记录导弹研制过程中各类数据/模型的生成、变更、交互过程等全信息，生成导弹研制的数据/模型履历，从而实现对数据的追溯，如图9所示。快照中的数据/模型信息包括静态属性(数据的来源、成熟度、质量)和动态属性(数据更新和数据传递)；快照流中各快照采用“增量”的方式进行数据编码。

图9 基于快照流的模型履历构建过程Fig. 9 Model history construction process based on snapshot stream

基于快照流的模型履历构建方法，借鉴了软件工程中版本管理思想，其构建流程如下：

(1) 在工作目录中修改模型，对模型动态属性进行标注。

(2) 暂存模型，将模型的快照放入暂存区域。

(3) 提交更新，找到暂存区域的模型，将快照永久性存储到仓库目录。

借助基于快照流的模型履历构建方法，建立武器系统各层级模型，以及产品数据、试验数据、生产检测数据、保障数据等的履历构建，通过模型履历仓库与MDM管理系统的集成，将全生命周期过程中的状态结果文件根据研制需求导入MDM管理系统中，进行技术状态管理。

4 武器系统数字孪生的探索

鉴于武器系统数字孪生的研究刚刚起步，本文选取武器系统智能集成装配线为对象，对本文提出的方法进行初步验证。智能集成装配线包括智能装配集成信息系统、智能物流系统、基于机器人/自适应工装的智能装配执行系统、智能装配中心/人机协同装配中心、数据采集与分析系统，用于实现仪器舱和空气舵2种设备的生产全过程。

智能集成装配线的结构如图10所示，物理生产系统和赛博生产系统2部分。在研发初期，因此使用物理生产系统实现确定性部分，使用赛博生产系统模拟不确定部分，如图11所示，物理生产系统开始构建真实生产线，赛博生产系统构建虚拟生产线，二者共同产生，由于生产过程中包含确定性部分和不确定部分。在生产过程中，通过强化学习的方法演进数字孪生。通过前向演进，解决物理生产系统中生产线的不确定性；通过物理生产系统和数字孪生之间信息和控制指令的传递，对当前生产过程进行诊断、控制；通过后向时刻的物理生产系统，能够对数字孪生模型进行修改、训练，使得生产线的仿真结果更加准确。

图10 智能集成装配线结构图Fig. 10 Structure of intelligent integrated assembly line

图11 生产线赛博生产系统Fig. 11 Production Line Cyber Production System

智能装配中心/人机协同装配中心是智能集成装配产线的核心，主要由机械臂完成，智能集成装配产线难点之一是要实现机械臂的演进。传统靠人工调校动辄几个月大半年，难以实现敏捷化柔性化。本文重点阐述基于深度强化学习实现(双)机械臂能力的演进。使用深度强化学习进行数字孪生的演进，深度强化学习算法在数字孪生中与模型进行交互，通过试错进行学习，完成神经网络参数的优化。仿真环境接收控制变量，将实施相应控制后的环境信息传递给深度学习算法。根据环境信息，深度学习部分获得状态变量和奖励值，通过前者计算机械臂的控制量，通过后者对神经网络参数进行更新，如图12所示。对物理生产系统进行建模，得到的赛博生产系统如图13所示。系统构建中，首先建立一个简单的机械臂模型，随着研究的深入与物理生产系统的开发，将物理生产系统和赛博生产系统的信息作为输入，对深度学习算法进行训练，使得赛博生产系统更加接近物理生产系统，训练效果如图14所示，其中纵轴表示每次训练获得的奖励值，横轴表示训练次数，从图中可以看出，随着训练次数的增加，奖励值不断提高，说明通过深度强化学习能够很好地完成演进过程；并且可以主动对赛博生产系统进行修改，尝试不同生产制造方法的效果，从而对实际生产过程进行指导。

图12 深度强化学习结构图Fig. 12 Structure diagram of deep reinforcement learning

图13 机械臂赛博生产系统Fig. 13 Robotic manipulator cyber production system

图14 机械臂演进效果图Fig. 14 Evolution result of robotic manipulator

5 结论

武器系统的数字孪生能够和实物样机与装备实现同源产生、异步成长、赛博互动和超期生存，对于提高武器装备研制和运用水平具有重要的意义。武器系统数字孪生是复杂产品建模与仿真，尤其是复杂产品虚拟样机技术，在新一代信息技术与人工智能技术背景下的进一步发展。本文初步探索研究了武器系统数字孪生的应用模式和架构，并阐述了实现武器装备数字孪生需要突破的一些关键技术，对部分关键技术进行了初步的探索和实践。

后续，还需要加强在如下方面的研究：一是数字孪生作为模型集合的互操作性、可重用性和可组合性，开展新一代系统建模语言与模型集成框架研究，实现不同语言和工具生成的异构模型能够按照层次进行集成和联合运行，形成武器装备不同层级的数字孪生；二是开展武器系统数字孪生软件平台的研究，探索基于大数据和人工智能的建模技术、虚实数据结合的建模仿真技术、新一代产品(模型)数据管理技术等研究，提高武器系统数字孪生相对于实际装备状态的置信度，提高对武器装备研制与运用过程的优化和决策水平；三是开展AR/VR在武器系统数字孪生中的应用研究，提高武器系统数字孪生的展现形式，探索其在武器装备训练、监控、维护保障方面的应用。

[1]. Grieves M W. Virtually Intelligent Product Systems:Digital and Physical Twins[M/OL]. Complex Systems Engineering: Theory and Practice. American Institute of Aeronautics and Astronautics, Inc., 2019: 175-200.[2020-01-20]. DOI: 10.2514/5.9781624105654.0175.0200.

[2]. Tolk A, Diallo S Y, King R D, et al. A Layered Approach to Composition and Interoperation in Complex Systems[M/OL]. Tolk A, Jain L C. In Complex Systems in Knowledge-based Environments: Theory, Models and Applications. Berlin, Heidelberg: Springer Berlin Heidelberg, 2009: 41-74. [2020-01-20]. DOI: 10.1007/978-3-540-88075-2_3.

[3]. Glaessgen E, Stargel D. The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles[M/OL]. 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference. American Institute of Aeronautics and Astronautics, 2012. [2020-01-20]. DOI: 10.2514/6.2012-1818.

[4]. Kraft E M. HPCMP CREATE-AV and the air force digital thread[C]. 53rd AIAA Aerospace Sciences Meeting, 2015,January 5, 2015-January 9, 2015. Reston: American Institute of Aeronautics and Astronautics Inc, AIAA, 2015. DOI: 10.2514/6.2015-0042.

[5]. NAVAL-TECHNOLOGY. US Navy performs Aegis Virtual Twin system’s first live-fire engagement[EB/OL][2019-04-25]. https://www.naval-technology.com/news/us-navy-performs-aegis-virtual-twin-systems-first-live-fire-engagement.

[6]. INFOSYS INSIGHTS. The future for industrial services:the digital twin[EB/OL]. [2020-02-26]. https://www.infosys.com/insights/iot/future-industrial-digital.html.

[7]. Magargle R, Johnson L, Mandloi P, et al. A Simulation-Based Digital Twin for Model-Driven Health Monitoring and Predictive Maintenance of an Automotive Braking System[C]. Proceedings of the 12th International Modelica Conference, Prague, Czech Republic, May 15-17, 2017. Linköping: Linköping University Electronic Press, 2017: 35-46.

[8]. 庄存波, 刘检华, 熊辉, 等. 产品数字孪生体的内涵、体系结构及其发展趋势[J]. 计算机集成制造系统, 2017, 23(4): 753-768.
Zhuang Cunbo, Liu Jianhua, Xiong Hui, et al. Connotation, architecture and trends of product digital twin[J]. Computer Integrated Manufacturing Systems, 2017, 23(4): 753-768.

[9]. 陶飞, 刘蔚然, 张萌, 等. 数字孪生五维模型及十大领域应用[J]. 计算机集成制造系统, 2019, 25(1): 1-18.
Tao Fei, Liu Weiran, Zhang Meng, et al. Five-dimension digital twin model and its ten applications[J]. Computer Integrated Manufacturing Systems, 2019, 25(1): 1-18.

[10]. 陶飞, 刘蔚然, 刘检华, 等. 数字孪生及其应用探索[J]. 计算机集成制造系统, 2018, 24(1): 1-18.
Tao Fei, Liu Weiran, Liu Jianhua, et al. Digital twin and its potential application exploration[J]. Computer Integrated Manufacturing Systems, 2018, 24(1): 1-18.

[11]. 张霖. 关于数字孪生的冷思考及其背后的建模和仿真技术[J]. 中国仿真学会通讯, 2019, 9(4): 58-62.
Zhang Lin. Calm thinking about digital twin and modeling and simulation technology behind it[J]. CSF Communications, 2019, 9(4): 58-62.

[12]. 熊光楞, 李伯虎, 柴旭东. 虚拟样机技术[J]. 系统仿真学报, 2001, 13(1): 114-117.
Xiong Guangleng, Li Bohu, Chai Xudong. Virtual prototype technology[J]. Journal of System Simulation, 2001, 13(1): 114-117.

[13]. 李伯虎, 柴旭东, 熊光楞, 等. 复杂产品虚拟样机工程的研究与初步实践[J]. 系统仿真学报, 2002, 14(3): 332-337.
Li Bohu, Chai Xudong, Xiong Guangleng, et al. Research and primary practice on virtual prototyping engineering of complex products[J]. Journal of System Simulation, 2002, 14(3): 332-337.

Thinking on Digital Twin for Weapon System

Zhou Junhua ^1,^2,³Xue Junjie ^1,²Li Heyu ^1,²Ji Hang ^1,²Lin Tingyu ^1,^2,³Shi Guoqiang ^1,^2,³

（1. Beijing Complex Product Advanced Manufacturing Engineering Research Center, Beijing Simulation Center, Beijing 100854, China；2. State Key Laboratory of Intelligent Manufacturing System Technology, Beijing Institute of Electronic System Engineering, Beijing 100854, China；3. Science and Technology on Space System Simulation Laboratory, Beijing Simulation Center, Beijing 100854, China ）

Abstract: The main development process of the digital twin technology is reviewed and its necessity for the weapon system is put forward. The definition and composition of the digital twin for the weapon system is given and its application architecture and key technologies, such as the construction of the digital thread, bi-directional collaborative simulation and control, intelligent autonomous evolution,digital twin operation support based on the container-simulation-cloud, et al, are analyzed. The preliminary research and practice of some key technologies is expounded, and the future research directions are summarized and looked forward to.

Keywords: weapon system；digital twin；digital thread；simulation cloud

作者简介：

周军华（1984-），男，湖北，博士生，高工，研究方向为建模与仿真、数字化协同平台技术；

薛俊杰（1987-），男，河南，博士，工程师，研究方向为复杂系统建模与仿真、复杂产品数据可视化。

中图分类号： TP391.9

文章编号：1004-731X(2020)04-0539-14

文献标识码： B

来源：数字孪生体实验室

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2022-11-11

2022智能制造零距离线上报告——智能制造过程中的数字孪生

免费

还没有评论