万字长文 | 面向航空智能制造的DT与AI融合应用

3年前浏览2913

来源：航空学报

作者：隋少春，许艾明等

当前中国航空工业正结合国家智能制造的发展契机，推进航空工业的数字工程转型，从而颠覆装备传统设计-制造-试验模式，实现向设计-虚拟综合-数字制造-物理制造的新模式转变。由于航空产品及其生产制造过程具有研制周期长、跨业务域（设计、工艺、生产、质量、试验、运维等）、多主体（厂、所、供应商等）、质量控制严格的特点，导致其生产过程复杂、异常扰动因素众多，使得传统制造模式下以人工经验为主的决策控制手段，已经难以适应当前航空制造智能化转型发展的要求。

数字孪生（Digital Twin, DT）作为连接物理世界与数字世界的纽带，是智能制造时代突破性的关键技术。物联网、大数据、人工智能（ArtificialIntelligence, AI）、工业互联网等技术与制造系统建模、仿真、虚拟现实（Virtual Reality,VR）、增强现实（Augmented Reality,AR）、智能控制等数字孪生相关技术进行有机耦合与集成，使得在虚拟空间中建立平行运行的制造数字孪生系统成为可能。

近年来，以数字孪生为核心构建数字线索（Digital Thread），实现航空产品全生命周期过程闭环管理和关键点智能仿真决策，已经成为先进航空制造企业的发展战略。首先，美国国家航空和航天局（NationalAeronautics and Space Administration, NASA）在2012年发布“建模、仿真、信息技术和处理”路线图，数字孪生概念正式进入公众视野。此后，美国空军在2013年发布《全球地平线》，将数字线索和数字孪生并列视为“改变游戏规则”的颠覆性机遇，并在2014年开始组织洛马、波音、诺格等公司开展应用研究。自此，数字孪生理论与技术体系初步建立，美国国防部、NASA以及西门子等公司开始接受这一概念并对外推广。

目前数字孪生相关技术的应用主要集中在通过物联网技术和虚拟现实、增强现实等可视化技术，实现对物理系统的感知和数字空间呈现，实现制造系统的透明化。孟松鹤等阐述了数字孪生在航空航天领域应用的关键技术，给出了数字孪生在空间站、可重复使用飞船的地面伴飞系统中的初步应用框架。李浩等探索了基于数字孪生的复杂产品设计制造一体化开发的框架及其关键技术，展示了数字孪生关键技术在复杂产品设计制造一体化开发中的应用场景。刘丹等将数字孪生应用到再制造作业流程，探究了基于数字孪生的未来汽车再制造作业模式。赵阳等基于数字孪生五维模型理论，构建了基于数字孪生的飞机总装脉动生产线应用架构。刘蔚然等为了满足新的发展需求，探讨了数字孪生卫星的概念、关键技术和应用场景。

可以看到，上述的数字孪生模型研究应用仍然在“以虚映实”的阶段，如何实现“以虚控实”，支撑智能制造生产模式下复杂制造系统“动态感知、实时分析、自主决策、精准执行”，需要数字孪生与人工智能技术进行融合。

一方面，汇聚融合到虚拟空间孪生模型中的多维、异构制造过程数据，可以通过大数据与人工智能等技术手段，实现规律、知识的实时提取，从而支撑智能决策和精准执行，并在人工智能模型中实现知识积累和沉淀，解决长期以来工业生产中知识积累与传承优化的问题；

另一方面，通过人工智能与数字孪生的深度融合，人工智能模型的分析决策结果，可以通过孪生模型进行充分的反复仿真和验证，在虚拟空间中通过仿真分析和实验，为人工智能决策结果提供零成本的试错手段，提升人工智能结果的可靠性，大幅降低工业应用中对人工智能模型可解释性的要求。

目前关于数字孪生与人工智能两者融合应用的研究仍然有限。本文以航空装备制造的数字孪生与人工智能融合应用为背景，阐述数字孪生与人工智能的融合机理，分析两者融合驱动航空智能制造的关键技术，并对其在航空制造领域中的典型应用进行分析。

01 DT与AI的融合机理制

造系统数字孪生与人工智能融合的要义是：通过虚拟空间数字孪生模型，实现物理空间多维制造系统到虚拟空间的平行映射，实现制造系统全要素数字化和虚拟化、全状态实时化和可视化，通过虚拟服务现实，协同交互使其与物理制造系统平行运转，实现以虚控实；通过融入人工智能制造大脑，实现制造系统运行管理的协同化、智能化，实现数据驱动的系统优化迭代。最终形成物理维度上的实体制造系统和信息维度上的虚拟制造系统同生共存、虚实交融，构建具有深度学习、自我优化能力的制造系统新模式。

如图1所示，深度思考的信息中枢是数字孪生与人工智能融合的核心，两者融合形成的智能制造信息中枢系统，主要由AI大脑和数字孪生系统两部分融合构成，两者共同组成控制制造系统高效运行的信息中枢系统，是智能制造系统的智能决策和控制的核心。

信息中枢系统接受制造系统全域感知信息传入，经处理加工后成为制造系统控制指令输出，或者形成知识存储在信息中枢系统中。制造系统信息中枢内大量针对不同场景的人工智能算法模型聚集在一起，形成制造系统的分析与决策中心，其主要功能是传递、储存和加工信息，产生各种系统决策信息，支配和控制制造系统的运行。

信息中枢系统有一个非常重要的特征，即协调与整合。协调指整体作用中的各个作用结合成为和谐运动的过程，整合是指把单独的、部分的活动变成为一个完整的活动过程，从而最终保障制造系统整体的协调运行，实现制造系统的优化运行。数字孪生具有传导功能，在信息中枢系统中，数字孪生系统制造系统全域状态信息，通过数字孪生虚实映射，将制造系统状态信息传导至AI大脑；AI大脑形成的决策和控制指令也需要通过数字孪生系统传导至物理制造系统，实现精准执行，实现以虚控实。

AI大脑存储着针对不同应用场景的人工智能算法模型，为智能决策提供算法与算力支持，是信息中枢系统知识获取与存储的中心。对于制造系统流程优化、资源动态调度、工艺优化、质量预测与溯源、设备故障预测与诊断、智能车间自主运行控制等依托人工智能算法的高算力需求的场景，通过调用在AI大脑建立的人工智能算法模型，进行运算分析与求解，并将结果输入到数字孪生模型中进行仿真分析，依据效果进行迭代优化，从而为制造系统的智能决策提供支持。数字孪生作为虚拟空间数据汇聚与集成的通道，通过汇聚制造系统实时运行状态数据，展现真实世界运行全貌和细节。数字孪生同时可通过规则模型实现对制造现场的“反射”控制，对于设备重大故障停机控制、物流交接控制、缺件报警、断刀报警与决策、安全报警与决策等可依靠自动化规则进行及时处理的事件，可依靠对应数字孪生模型中建立的规则模型进行即时反馈与控制。

通过分析数字孪生与人工智能融合机理可以看出，数字孪生与人工智能融合驱动的航空智能制造系统将具有如下特点：

1）全域感知以虚映实

通过物理制造系统全域感知和面向制造全过程的信息系统平台，实现制造系统动静态全量、多维、多尺度信息的汇聚和加载，实现制造系统虚拟空间的平行映射。

2）数据驱动智能决策

通过信息中枢，将数字孪生系统与机器学习、深度学习框架结合，使系统可以充分利用历史数据、实时感知数据、仿真数据多重数据反馈，对孪生数据进行深度知识挖掘，形成各类智能服务，从而提升数据价值和事件相应能力。

3）智能操控以虚控实

基于AI大脑利用深度学习等方法形成的控制策略、优化方案、分析模型等，通过在孪生系统中仿真分析与迭代优化，利用执行机构远程控制指令、参数修正、消息传递等操作，最终反作用于物理制造系统，实现智能决策与精准执行。

通过信息中枢可以实现对制造系统全域数据进行汇聚、解析、融合、分析、预测、决策、控制的整个处理流程，能够实现数据驱动的制造系统智能决策与控制，并在分析过程中充分考虑机理逻辑、经验规律、流程关系等先验知识，信息中枢是构建智能化制造体系的核心。

02 DT与AI融合驱动

航空智能制造关键技术

2.1 航空制造系统多维

多尺度孪生智能体建模

数字孪生体是产品生命周期内物理世界与虚拟世界交互和融合的纽带，基于数字孪生体而进行的仿真、分析、决策、数据收集、存储、挖掘以及人工智能的应用，可以提高物理系统的实用性、可靠性与实时性。面向航空装备制造的复杂制造过程，构建制造系统物理空间、信息空间与业务空间的多维融合孪生智能体是数字孪生与人工智能融合驱动的首要前提。

随着以智能体（Agent）技术为代表的自主智能的发展，为制造系统智能孪生体的建模提供了新的手段。以自主智能技术为基础，从时空域两个维度，在空间维融合数字孪生技术构建智能制造空间制造资源、制造单元、生产车间、供应链孪生智能体模型组件，实现对制造系统纵向维度的多尺度建模；在时间维围绕制造系统物流、价值流、信息流、业务流的动态演变过程，建立以孪生智能体为主体的动态协同运作机制，支撑智能制造虚实映射配置建模以及多维复杂时空域下智能制造过程/制造资源/制造系统建模，实现智能制造空间多要素、多业务、多流程的实时同步仿真与虚实联动控制，如图2所示。

首先通过建立制造系统孪生模型组件，定义不同类型数字孪生体与制造系统的状态感知与控制服务标准接口，构建孪生组件与物理制造系统的数据交互的能力。如图3所示，通过融合智能体技术，构建孪生智能体模型组件，通过Agent信息发布/订阅消息服务平台建立孪生智能体之间的信息交互与传递机制，图中虚线代表各智能体之间的相互通信协商关系和信息传递与交互，通过消息服务平台，各孪生智能体只能修改自身状态信息完成状态更新，或者获取其订阅的其他孪生智能体的状态信息实现信息交互。

在制造系统AI大脑的驱动下，围绕车间物流、信息流、业务流的运行形成孪生智能体控制指令，通过制造系统孪生与AI大脑的闭环仿真决策，将优化后的控制指令传递至孪生组件，并驱动物理制造系统的运行。

2.2 DT与AI融合

驱动制造系统优化与控制

航空生产制造过程中数字孪生与人工智能融合应用的目的，是实现对制造系统的主动感知、动态优化和智能决策，通过对航空制造系统的全域优化控制，提升航空装备的快速研制能力与批产能力。在完成制造系统多维多尺度孪生智能体建模的基础上，如何融合人工智能技术提升制造系统整体优化决策能力是亟待解决的问题。制造系统整体效能的优化提升依赖于制造装备决定的加工制造工艺显性能力和以产品数据管理（Product DataManagement, PDM）、计算机辅助工艺设计（Computer Aided Process Planning, CAPP）、企业资源计划（EnterpriseResource Planning, ERP）、制造执行系统（Manufacturing Execution System, MES）等企业信息系统为载体的制造系统管控隐性能力，如图4所示。

一方面，通过构建装备智能孪生体模型，融合物联网、深度学习、图像识别等技术，在实际加工过程中，利用实时监测数据动态更新、优化模型，驱动分析与预测装备制造过程状态，以实现对制造过程的动态控制，从而提升产品制造加工过程工艺能力。

另一方面，构建敏捷、柔性、高效的生产制造系统，推进生产效能的持续提升，需要高性能的制造装备，更依赖于制造系统的持续优化与控制，通过在虚拟空间建立基于制造系统孪生智能体的交互协同机制，以AI大脑为决策中心，建立制造系统资源、任务、流程协同优化机制，实现对制造系统整体的评价、预测、分析及优化控制。

最终通过虚实融合驱动制造系统的仿真与优化决策，实现制造系统显性与隐性能力的持续提升和制造系统生产效能的螺旋进化。

03 DT与AI融合驱动

的制造系统控制中心

航空装备生产制造是一项复杂的系统工程，具有跨业务、多主体、多层级、强耦合的特点，易受各类不确定性扰动因素的干扰，系统运行具有明显动态、非线性特征，引发了复杂制造系统建模、优化和闭环协同控制的多层次、多维度复杂性问题。如图5所示，以航空制造系统AI控制中心为核心，建立航空装备制造系统整体持续优化与闭环管控体系，是复杂扰动环境下制造系统能力持续提升的关键。

其主要涉及以下几个方面的主要内容：

1）制造过程全要素数据建模与融合：从制造系统全要素层，基于全要素数字孪生，实现制造过程全流程多维度动态数据采集、分析与融合；通过制造过程等全域信息的同步采集、异构集成与全程追溯，建立多维多尺度制造过程数据动态演进信息表达与融合模型，实现制造过程全流程、全要素的数据融合与数据驱动。

2）产品加工过程闭环控制：从制造系统微观控制层，基于制造系统数字孪生，通过建立物理空间制造系统与虚拟空间制造系统交互与融合机制，构建面向虚实空间制造系统的控制指令融合驱动与系统状态信息的全域感知模型，实现制造过程的闭环控制。

3）制造资源调配与优化：从制造系统中观控制层，通过建立跨组织制造能力和服务耦合机制，构建多层级制造系统孪生组件能力模型和大规模跨组织资源协同优化调度模型，实现不确定性复杂环境下制造过程的资源协同优化。

4）生产系统全流程优化控制：从制造系统宏观决策层，利用AI驱动生产系统整体运行分析与优化决策，通过生产系统整体运行状态演化规律与预测及基于定量精准调控机制的生产系统运行决策方法，实现航空装备生产系统的全流程动态优化控制与运营决策。

04 面向航空智能

制造的应用场景分析

4.1 加工制造过程自适应

控制航空大型复杂结构件的加工制造过程具有加工精度要求高、加工变形精确控制难的特点。传统加工制造过程中加工、监测、优化控制各阶段相互独立，无法实现制造过程的实时控制优化与调整，难以保障零件加工精度。

通过建立基于数字孪生与机床孪生智能体的加工、监测、控制一体化控制体系，可实现加工过程的闭环控制，如图6所示。在加工过程中通过对物理设备加工过程实时状态感知，将设备状态信息（机床振动、功率、各轴转速、进给速度、当前运行程序等）、刀具状态（刀具寿命、切削力、型号等）、工况状态（冷却液、温度等），过程质量（加工过程中的在机检测过程质量数据等），传递至加工过程数据孪生体模型，通过工艺过程机理模型实现对加工过程的建模、仿真与加工质量预测，并将实时数据、仿真数据及历史加工数据反馈至机床孪生智能体模型，利用制造过程大数据结合工艺知识建模、学习和推理技术，建立加工过程工艺参数自适应调整模型，实现工艺参数的自适应优化，并通过数控（Numerical Control,NC）指令将优化参数反馈至加工设备，实现加工过程整体的闭环控制，提升零件的加工精度和效率。

4.2 智能车间生产过程智能管控

随着物联网、大数据及人工智能等技术在车间生产制造过程中的应用日益深入，正推动车间生产制造过程向自动化、智能化方向发展。航空装备生产过程普遍具有加工周期长、高价值、难加工特点，生产过程涉及环节多、资源保障要求高，过程控制难度大。目前以人为管理保障为主的生产管理方式，由于缺乏对系统整体运行的掌控能力，导致生产过程资源保障往往不足，常常因为各类制造资源未能及时到位影响生产过程顺利进行，车间生产效率难以提升。

如图3和图7所示，通过建立制造系统数字孪生，实现对制造系统实时状态的获取；通过建立制造系统各要素的孪生智能体模型，打通与物理车间要素的控制决策通道，通过物流管控Agent根据设备加工任务物料需求驱动物料AGV小车完成物料配送；换刀系统控制Agent根据设备加工任务刀具需求驱动移动换刀机器人完成刀具取放；中央刀库管控Agent完成中央刀库刀具出入库管理与刀具库存预警；装卸区管理Agent完成零件装卸任务管理；智能加工生产线Agent完成零件的自动化生产加工；通过建立Agent神经中枢实现各要素Agent之间的信息交互。

通过在AI控制中心构建基于多Agent的车间生产过程智能管控中心，在接收数字孪生反馈的制造系统状态的基础上，完成对各类制造要素的动态调配，并将控制指令通过神经中枢转换，形成对各要素Agent的驱动控制，从而驱动孪生系统完成仿真运行，并将仿真结果反馈至AI控制中心实现闭环优化，如图7所示。最终结果，由各要素Agent生成驱动控制指令，驱动物理制造系统的运行。最终实现从生产线生产任务接收、计划排程、动态调度，到设备、物料、刀具、NC程序等制造资源的实时调配，保障制造资源的精准调配和生产过程的实时控制与反馈，降低工厂生产管理的难度和生产成本，提高设备利用率与生产效率。

4.3 制造过程资源调度与优化决策

航空制造系统的资源调度与优化决策问题，是一个复杂系统的优化与控制问题，其复杂性体现为

1）系统组成复杂。系统既包括控制设备、加工设备、物流设备、仓储设备、辅助设备等硬件实体，又包括生产工艺流程、生产管理规范等软件实体。

2）组织结构复杂。分层递阶是离散制造系统的本质属性，系统包括单台设备、生产单元、生产线、生产车间、供应链等各个层次，生产组织关系、物流组织关系复杂。

3）运行机制复杂。在批产与研制模式并存的生产模式下，要求系统具有更高的生产柔性和可重构性以适应多样化、定制化的用户需求。

如图8所示，针对航空装备生产复杂制造系统多级计划动态协同调度问题，通过研究复杂离散制造系统从物理空间到虚拟模型空间的映射，模拟现实系统运行机制，实现产前预演、产中同步运行监控及产后评价；通过与AI控制中心的融合，实现制造过程数字化、透明化和可视化；通过研究基于多智能体等分布式人工智能的协商调度机制和基于超启发式与群体智能的优化策略，建立基于AI控制中心的制造资源调度与优化决策机制，形成大规模跨组织强耦合下的不确定性制造应用流程协同优化调度机制和关键技术，实现多扰动因素背景下包括生产计划、物流计划、检验计划等的多主体计划协同调度与优化，根据航空装备制造过程不同类型任务特征，构建调度模型库，开发典型情景的自适应调度算法，抑制生产过程波动，提升生产系统鲁棒性。

4.4 产品智能质量控制

产品质量是保证航空产品顺利交付的决定性因素，也是航空产品生命周期严格管控的重点。产品质量分析与追溯是保证航空产品质量的重要举措，是指在设计正确合理的制造工艺同时，对生产过程中加工精度等因素综合考虑实现产品的加工质量分析，并在出现质量问题时，可以追溯其加工中每个环节并找出原因，从而改进加工工艺、控制加工质量。

数字孪生与人工智能融合驱动产品智能质量控制是指在采集航空装备制造物理系统中各个制造工序5M1E（人、机、料、法、测、环）等质量影响因素信息和质量实测信息的基础上，基于孪生数据，驱动产品数字孪生模型进行性能和功能仿真计算，并将性能及功能仿真结果反馈至AI控制中心质量控制模块，实现制造现场、虚拟仿真等多源多维异构质量数据的融合，如图9所示。

基于此，将产品加工过程及相应的加工参数被实时记录在孪生数据库；通过对影响产品性能与功能的关键质量参数进行分析与预警，结合质量问题专家知识库，实现质量问题的快速溯源和分析定位，通过不断更新质量问题库，不断提高质量分析与决策能力。

05 结论

数字孪生和人工智能是实现航空智能制造转型发展的关键技术，是复杂制造系统智能管理与控制的有效手段，近年来已经开始得到广泛的关注和研究。本文从DT与AI融合驱动的航空智能制造应用出发，探讨了两者融合的机理、涉及的关键技术和AI控制中心的构建问题，并对其在航空制造中的典型应用场景进行了分析。总体而言，目前的相关研究工作仍在探索阶段，如何通过DT与AI深度融合，驱动制造系统的“动态感知、实时分析、自主决策、精准执行”的智能化管控，仍有诸多关键问题需要解决。

1）航空装备的生产制造过程具有专业知识高度密集的特点，知识分散于参与生产制造管控的各类员工之间，如何实现虚拟空间航空制造专业知识（工艺、计划、质量、维修等）的积淀与迭代优化是指导更好决策和优化控制的关键。

2）航空制造系统具有复杂巨系统的典型特征，构成元素多、关系复杂，具有典型不确定性和涌现性特征，如何建立合理的抽象模型实现其在虚拟空间的抽象表达，反映其运行规律和特征，仍然是需要解决的问题。

3）目前在实际生产制造过程中，相关技术的落地应用仍然有限。一方面受限于对制造系统全域全过程多源多维异构数据获取、建模、融合和组织难的问题，使得基于人工智能等方法的应用缺少数据支撑；另一方面工业现场对可靠性、安全性、稳定性的要求高，对人工智能结果的可解释性和可靠性提出了更高的要求，限制了相关技术的应用。