装备数字孪生可信评估框架研究（上）

来源：《系统仿真学报》

本文中装备是指关系国家实力和国家安全的一类复杂产品。加快装备全生命周期的数字化、智能化，提升装备研制的自主创新能力，是实现我国“制造强国”战略的关键。融合建模仿真、智能制造和新一代信息技术的数字孪生(digital twin, DT)技术，已成为支持装备全生命周期活动的重要使能技术。

数字孪生是物理对象的一种数字化模型，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[1]。在装备全生命周期利用数字孪生[2-7]，可以显著提高装备创新设计水平、缩短研发周期、降低研制成本以及增强装备自主运维能力等。值得一提的是，在装备的研发设计阶段，围绕装备的数字孪生模型，开展基于建模仿真的体系工程[8-9]，可以在数字空间预先对设计方案进行试验论证，大幅减少物理实验的投入。

但在实践中，装备数字孪生仍难以大规模投入使用以真正发挥作用，其中最重要的一个瓶颈问题便是装备数字孪生的可信问题。模型的可信指的是使用者对模型能够充分反映客观实体的真实特性并且能够满足使用者既定需求的信心[7]。只有可信的数字孪生才能精准及时地反映装备的特性和状态，进而辅助人们作出正确决策。而由于数字孪生与物理对象保持着数据的实时交互，因此采用不可信的数字孪生不仅无法完成预定的任务，还可能带来灾难性的后果。

当前国内外关于装备数字孪生可信评估的研究严重滞后，在很大程度上阻碍了数字孪生的进一步推广和深层次应用。已有对于数字孪生的验证和评价，大多从外形逼真程度或仿真输出结果的接近程度考虑，这对于一个复杂的装备数字孪生而言，是不够全面和科学的。由于数字化模型与物理对象绝对地相等是不可能的，过度追求逼真或高精度反而会带来不必要的复杂性，这些复杂性往往又会引入不确定性，进而导致模型难以计算和使用，反而会降低可信度。

通过收集并比较装备数字孪生模型与物理实体在某一段时间的输出数据的一致性来判定孪生的可信性同样存在不足，输出数据在序列模式上存在一致性固然可以说明孪生模型与物理实体在外在表现上存在相似性，但是并不代表孪生模型与物理实体在内部机理结构上保持一致，同时，一段时间上的数据样本并不能代表全局输出的一致。因此，对于一个装备的数字孪生而言，外形的逼真、输出结果的相近并不能等同于可信。装备数字孪生的可信评估现实和合理的途径是以满足需求为原则，从装备数字孪生的全生命周期考察，在每一个环节都保持可信，才能使得最终的孪生模型可信。

综上所述，装备数字孪生的可信评估是复杂的系统工程，亟须一套系统全面的可信评估理论及方法，一方面，为装备数字孪生的可信评估提供完整的解决方案；另一方面，也可为如何构建可信的装备数字孪生提供指导，从而为装备数字孪生的落地应用提供可信保障。

目前，针对DT的可信度评估理论和方法的研究很少，可以参考的可信评估理论成果主要集中在建模仿真领域。VV&A(校核、验证与确认)是为保证仿真模型可信而产生的评估分析技术，是建模仿真学界一直在探索研究的重要领域，国内外有很多研究成果可以借鉴参考。国际上的研究起步较早， 并陆续制定了一批VV&A 相关的标准[10-14]。国内如国防科技大学、哈尔滨工业大学、北京仿真中心、北京航空航天大学等单位开展了大量的研究，取得了一批有价值的成果[15-20]。

当前领域内对模型进行可信评估的VV&A方法，可以总结为三大类，分别是定性分析方法、定量分析方法与综合分析方法。

定性分析的研究大多基于问卷设计和专家打分。例如，文献[21]提出的图灵测试法是一种基于相关专家对仿真模型输出数据进行处理的方法。文献[22]提出了一套基于专家评分、仿真需求和仿真环境的模型评价方法。文献[23]分析了体异质性、模型结构和用于表示模型性能的详细数据之间的关系。

定量分析研究主要是基于传统的评价方法和仿真数据与实际数据的比较。例如，文献[24]指出，可通过以加权平均集成的形式组合各种类型的模型来提高元建模的预测能力。有专家学者利用深度学习，挖掘时序数据中的隐性特征，从而判断系统模型产生的数据是否可信[25]。文献[26]利用多智能体交互网络方法，研究复杂仿真模型的可信评估技术。

综合分析是一种新兴的仿真模型验证方法。它结合主观专家评分和利用历史训练数据对模型性能进行客观计算。典型的例子包括基于概率和证据的可信度评价理论、模糊集理论、多属性决策理论、基于知识的系统等[27-35]。

装备数字孪生和物理系统之间存在实时的数据交换，数据的质量会对孪生模型的可信性产生影响。针对通过传感器获取的实时数据，呈现出规模大、类型多的特点，因此传感器的数据质量需要从多个维度进行评估[36-42]。

当前建模仿真领域内对于可信度的研究大都针对静态模型，并侧重于仿真模型与实际模型输入输出的比较，对于模型内部各组成部分的机理及关联关系尚缺乏深入考虑，鲜有研究涉及仿真模型的实时演化问题、不确定性问题，而这些恰恰是装备数字孪生最显著的特点，这使得很多仿真领域的可信评估方法难以在装备数字孪生可信评估中直接应用。

综上所述，当前国内外针对DT可信评估仍缺乏有效的方法。虽然可以借鉴建模仿真VV&A、云服务可信评估等方面的有关研究成果，但充分考虑DT实时演化特性的、较为规范的可信评估方法体系在国内外均未见报道。本文分析了装备数字孪生的关键特征，提出了可信度评估框架，包括数字孪生可信的内涵、多维多层次可信评估指标体系、可信评估方法 论，并以机械臂数字孪生案例说明了整个评估过程。

目前对复杂仿真系统的可信评估是在考虑用户需求的前提下，对系统的正确性进行评估。但其中没有针对动态变化的模型进行分析，且未强调阶段性问题，因此不能直接用来评价装备数字孪生。对数字孪生而言，它具有强交互性和实时演化性，因此对于系统能否在用户可接受耗时范围内完成交互、演化并仍然提供正确的仿真信息是其可信性的重要考察点。对于装备而言，其生命周期各阶段的需求差异较大，可信性侧重点也不同，需要分阶段评估。

可信评估的目的是从模型使用者关心的角度详细分析仿真结果的质量，确保使用者全面了解到这些结果的局限性及其对决策过程的影响。由于目前对可信内涵及评估方法的了解还处于探索阶段，所得的可信度值具有一定的不完备性，对该不完备性的描述也需要包括在可信度分析里，从而让决策者能对装备数字孪生的可信性有更加全面的了解。

可信度是对可信性的量化度量。本文给出数字孪生的可信度内涵如下：数字孪生的可信度是指，在给定的需求下，在持续虚实交互、动态演化的全生命周期各阶段，孪生模型、演化过程和仿真结果的正确、及时程度及各环节不确定性分析。

如图1 所示，评估数字孪生的可信度是针对使用需求开展的，即当数字孪生与物理对象的差异性处于需求容许范围内便能认为是可信的。

用户需求的满足程度从两方面衡量：正确性和及时性。正确性和及时性的考察对象包括数字孪生与物理对象间的映射模型、数字孪生的演化过程、基于数字孪生得出的仿真结果。及时性指的是用户提出应用需求后，在用户可接受耗时范围内给出必要的仿真结果。正确性和及时性的具体评估要素由下文的指标体系给出。

不确定性分析是可信度的重要组成部分。得出正确性和及时性量化值的各环节存在着种种不确定性，对已知类型不确定性的分析方法将由下文的评估方法给出。

数字孪生具备动态演化性和实时交互性，孪生模型的参数、结构、机理会随时间发生演化变动，所以对其可信评估是持续进行的，这是与传统基础模型(仅提供仿真而不根据实际数据演化的模型)的可信评估的重要区别。

装备数字孪生可信评估是一个复杂的系统工程。由于装备本身多学科多层次的特性，装备数字孪生模型具有很高的复杂性，此外还同时具有数字孪生的两个基本特征，即动态演化性和实时交互性。相较于对传统模型的可信评估，这些特性使得对数字孪生的可信评估具有一些不同的特点。

装备具有多学科、多层次、长生命周期等特点。装备的数字孪生是一个多学科、层次化、多种模型集成的复杂模型。装备数字孪生的可信评估需要从模型生命周期、模型形态、模型粒度、模型尺度、多学科领域、模型透明度等6 个方面展开，如图2所示。

(1) 数字孪生是围绕装备的全生命周期(设计、加工、测试、运维)映射展开的，而针对其中任一阶段，孪生模型又有自己完整的生命周期(设计、构建、使用、演化、管理)。因此要根据不同生命周期阶段的需求重点，选择合适的可信要素与评估方法，分阶段进行可信评估。

(2) 不同的生命周期阶段对应有概念模型、数学模型和仿真模型等多种模型形态。需根据各模型形态的表征特点进行评估。

(3) 根据模型内在机理是否透明，分为黑盒、白盒和灰盒3 类模型。评估需考虑模型在可解释性、可测量性等方面的较大差异。

(4) 各类模型涉及机电、气液、动、热、磁、声中的单个或多个学科领域，多学科领域间存在交互耦合。评估需同时考虑单学科机理与多学科融合。

(5) 装备有零部件、组件、设备、子系统、系统和体系等多粒度模型。评估粒度的选择根据需求而定，并应考虑相关粒度间可信度的继承性。

(6) 装备的考察范围以尺度衡量，包括多时间尺度和多空间尺度。评估时应根据模型的需求及所在粒度的特性选择合适的考察尺度。

除了以上6 种考察维度，评估时还要考虑到模型结构复杂性、模型组成复杂性、模型间关系复杂性、模型互操作复杂性以及模型与实时数据之间交互的复杂性等。所以需要有一套涉及多维度多方面要素的指标体系，以及从多维度考虑、分层展开的评估方法。

数字孪生的实时演化特性，使得孪生模型的构建和使用过程融为一体。不像传统静态模型的构建和使用之间有一个比较明显的界限，孪生模型在使用过程中会随着物理对象的变化而不停地变化，即建模过程贯穿于模型的使用过程中，因此对模型的评估也需要伴随建模和用模的全过程，如图3 所示。运行中的装备实体被实时采集其关键输出与状态数据。根据虚实数据的差异性及输入信号，同步运行的孪生模型辨识出需要更新的部位并进行在线演化校准，以保持自身与物理实体在机理、结构、参数等方面的一致性。唯有当主体要素与支撑要素的可信度都符合需求后，基于孪生模型仿真的各类应用才能在装备实体上执行。

孪生模型动态演化的效果如图3 中可信演化框所示，其中蓝线为装备实体的状态、输出，红线为孪生模型的状态、输出。装备实体受到来自物理环境和装备供应商、DT使用者、评估人员三方团队的影响，其输出随外界输入而改变。建立之初的孪生模型与装备实体还有一定差异且该差异会随装备状态的变化而加大。“辨识触发”模块实时计算所传入的虚实状态差异，根据预设阈值触发孪生模型的演化，并将辨识出的差异部位及所需同化的数据传递给“动态演化”模块。

由于装备实体与数字孪生之间的强实时交互，需要在处理来自现实影响和反馈执行(可信达标后)输入的同时，不断完成演化校准。其中，现实影响输入关注的是传入装备的不确定性影响，主要是对人员干预和环境扰动的部分采集，有较强不确定性，对其处理侧重参考实时数据。

一方面，基于现有孪生模型进行仿真，预测相关现实影响导致的结果，并采取相应预警措施，且会提前计算模型演化的最优方法。另一方面，当虚实状态差异达到演化阈值时，根据实际差异快速调整预设的演化方法，以实现较高效的模型演化。反馈执行输入关注的是传入装备的确定性影响(全部的反馈信号和预期的效果都已知)，但其效果会受执行机构物理性能的影响而无法精确把握，所以同样需要根据实际差异调整预设的演化方法，使模型演化更符合实际情况。但由于高可靠性的执行机构具备较低不确定性，对反馈执行输入的处理更侧重参考前置循环的机理仿真结果，对实时数据依赖较小。

随着循环迭代次数的增加，孪生模型的输出误差会逐步缩小，最终与物理对象趋于一致。在该过程中，演化方法 会根据评估所得的可信度优化调整，包括演化的精准化、超前化、轻量化，使孪生模型在给定资源条件下取得更高的可信度。

由上述分析可知，DT是建-用-评融为一体、循环联动的，对整体数字孪生模型的可信评估是针对动态模型进行的在线评估。对于给定的一段评估时间窗，DT对应有一个可信度值。随着评估时间窗在现实时间轴上滑动，相应有一系列变化的可信度值。相比于特定时间窗对应的可信度值，可信度值的曲线趋势更能体现数字孪生的可信性。

数字孪生动态演化的前提是装备实体与孪生模型的实时交互，包括正向校准与反馈优化两个方向。正向校准是装备向数字孪生传递数据，包括实时采集的装备运行状态信息、装备内各式软件生成的数据、人工更新的文本图纸等，使得数字孪生能通过演化校准与装备实体保持一致。反馈优化是数字孪生向装备传递优化控制信号、组合调度规划等，促进装备的迭代更新。由于装备处于运行状态，用户在使用过程中，其对装备的应用需求可能发生变化，会深度影响相关数字孪生的可信内涵，需要及时辨识用户需求的变动并及时更新可信评估的方法。

两个方向的实时交互是相对独立而又紧密关联的。正向校准是基础，其信息质量与时效性决定后续预测、仿真等的可信性。反馈优化是目的，该步骤若降低了系统性能，很可能导致后续出现恶性循环，所以要在充分进行仿真论证并做好风险防范措施后谨慎落实。评估的时候要充分兼顾两个方向的独特性与关联性，将数据评估与模型评估综合考虑。（由于全文较长，本文分为上下两篇）