数字孪生驱动的武器装备智能保障技术研究

关键词

 数字孪生 ; 武器装备 ; 智能保障 ; 保障性

随着战争的信息化、智能化及无人化发展, 武器装备保障面临严峻挑战, 传统的装备综合保障工程已难以适应体系化作战下的保障需求, 存在的不足主要包括以下5个方面。

(1) 特性设计不协同

新型武器装备的结构复杂度、功能集成性大大提高, 且面临的战场使用环境恶劣。保障性设计与其他专业之间具有较强的耦合关系, 传统的串行设计思路难以保证武器装备保障性要求在研制中有效落实, 使得保障性与其他特性在武器装备论证、研制、生产等阶段存在严重的“脱节”与“断链”现象。

(2) 试验鉴定不充分

由于武器装备作战剖面多样、作战场景复杂, 通过实验室试验或靶场试验难以准确构设真实战场环境, 试验剖面不能覆盖各类边界条件, 无法度量武器装备和战场条件不确定性的影响, 导致保障性试验鉴定存在不充分、不全面、不精确的风险。

(3) 训练场景不全面

信息化武器装备作战运用复杂、流程衔接紧凑, 对装备使用人员的综合素质提出了更高的要求。但是, 目前面向装备作战的训练形式固化, 实装技战术训练成本昂贵, 且训练过程难以刻画真实作战环境中的多要素、多扰动、多突发情况, 导致武器装备战斗力生成周期长, 难以有效保障装备作战效能的发挥。

(4) 维修保障不及时

现代武器装备不仅需要作战效能的提升, 还必须具备良好的战备完好性、机动性和快速反应能力。鉴于装备系统的复杂性和战场环境的多样性, 现阶段的维修保障主要集中在事后维修, 缺乏精确故障诊断与完备健康管理能力, 如何在装备发生故障时, 对武器装备进行及时的状态恢复和作战任务响应, 是现阶段亟需解决的问题。

(5) 资源规划不协调

现代战争对抗双方的军事力量不再是单一的作战装备, 而是体系与体系的对抗, 为了赢取未来军事斗争的主动性, 需要高效率制定保障资源规划方案, 具备对各类保障资源依据动态形势的自适应调度能力, 实现各类保障资源在作战网络中快速调度与高效联动, 是未来体系化作战场景下不可或缺的部分。

因此, 有必要在总结分析装备智能保障需求的基础上, 把握装备保障内涵与外延的变化趋势, 理解装备保障的新特点, 以准确掌握信息化、智能化环境下的保障需求。本文提出数字孪生驱动的武器装备智能保障体系架构, 通过明确数字孪生技术在武器装备智能保障领域的应用模式与概念内涵, 搭建数字孪生环境下的武器装备智能保障技术架构, 将数字孪生技术理念引入武器装备全寿命周期管理, 并围绕实战化保障性设计、试验、训练、运维等方面进行了展开论述, 并针对装备保障问题深入分析了数字孪生关键技术, 以期为武器装备智能保障技术的发展提供支撑。

装备智能保障的概念是在智能化作战背景下提出的, 围绕提升作战速度、协同效率和智能化水平目标, 通过迭代快速完成“OODA(observation, orientation, decision, action)”, 主要涵盖态势感知可视化、需求认知及时化、决策指令自主化和保障行动精确化等。

在军事应用方面, 美军F-22战斗机从方案设计阶段就把保障特性置于与隐身、超声速巡航、推力转向等同等重要的地位。在方案论证中, 40%的工作量与保障特性有关, 通过仿真试验反复进行权衡分析。在伊拉克战争中, 美国空军F-16战斗机直接攻击炸弹的机载软件出现了问题, 隶属美国空军的416飞行测试队在接到通知后, 只用了不到30 h就对故障问题进行了诊断, 并迅速制定保障方案, 调度维修资源重新进行测试, 使这36架战斗机又重新投入了战斗。我国在装备型号研制过程中, 已经初步开展了可靠性维修性保障性等保障特性的设计与分析、试验与验证工作。新型战术战役导弹研制过程中也逐步开展可靠性、维修性和保障性工作, 使得研制试验、试飞工作顺利进行。某型飞机的综合自动检测设备项目和部队适应性仿真试验工作, 为解决装备保障问题发挥了巨大作用。

在理论研究方面, 国内外学者针对装备保障性设计、试验鉴定、训练及健康管理方面做了大量工作。董骁雄等[1]通过构建各保障站点间依赖性与关联性作用的模型, 以最小库存和成本为代价函数, 对装备所需备件进行多层级的库存优化。雷宁等[2]提出智慧装备保障体系, 综合运用信息化技术搭建装备智能保障平台, 并将装备保障体系与物联网技术深度融合, 驱动保障体系的智能管控。Bousdekis等[3]总结了一系列目标导向的维修保障仿真来辅助装备的决策方案制定。牛伟等[4]面向现代化战争模式对保障的精确响应需求, 以飞机燃油系统为研究对象, 提出了一种状态协同分析与智能保障决策方法。徐刚等[5]针对航空弹药基数保障模拟训练过程, 提出了一种基于Sigmoid回归预测模型的智能训练评估技术, 以降低装备操作训练过程中的主观性。王双川等[6]针对平时陆军合成部队装备维修保障资源需求确定及验证问题, 提出基于仿真的部队装备维修保障资源需求确定和效能评估方法, 从保障对象、保障资源、保障策略3个方面, 采用蒙特卡罗仿真方法进行维修时间和需求计算。Hu等[7]针对装备故障及备件需求方面的问题, 对Bootstrap法、神经网络法、峰值理论法进行综述。

传统装备智能保障技术研究中主要依赖信息空间的数据进行处理、仿真与决策等, 在应用服务层面缺乏物理实况支撑, 常导致“仿而不真”等问题, 并且常常孤立地使用物理数据与虚拟数据, 缺乏信息物理端的一致性与同步性, 难以对装备保障性进行全面交互与深度融合, 导致其分析决策结果缺乏实时性与置信性。数字孪生是以数字化的方式建立物理实体的多维、多时空尺度、多学科、多物理量的动态虚拟模型, 来仿真和刻画物理实体在真实环境中的属性、行为、规则等[8]。在此基础上, 学者们希望信息空间中的虚拟对象与真实空间中的物理对象具有数据交互、同步映射与动态控制的能力, 数字孪生技术开始逐渐得到各领域学者的重视, 并在产品设计优化[9]、试验鉴定[10]、生产过程[11]等方面表现出巨大的潜力。

在国外, 美国空军在2019年发布《数字空军》白皮书, 面向未来空军飞行器轻质量、高负荷、长寿命的研发需求, 与美国航空航天局合作共同构建未来飞行器的数字孪生范例。美国海军通过构建虚拟化宙斯盾数字孪生模型, 并在托马斯哈德纳导弹驱逐舰上利用数字孪生宙斯盾发射系统发射了一枚导弹成功命中目标[12]。美国洛克希德马丁公司将数字孪生技术应用在F-35战斗机研制过程中, 用于改进装备制造工艺流程以提升装备质量和产能[13]。法国达索公司借助数字孪生三维体验平台, 利用平台使用者在虚拟环境中所积累的产品体验数据, 不断修正参数, 改进产品设计模型, 助力产品物理实体的设计迭代优化[14]。美国通用公司在数字孪生技术理念的牵引下, 利用故障诊断与健康管理方法实现对装备的疲劳裂纹等问题进行更准确的预测[15]。

在国内, 很多学者将数字孪生技术理念应用到各自的研究方向中并取得了显著的成果。陶飞等[8]提出数字孪生五维模型作为研究的理论模型, 分别涵盖物理实体、虚拟实体、服务、孪生数据和连接5个维度, 面向船舶、车辆、发电厂、飞机、立体仓库等方向梳理了应用思路与总体方案。在构建数字孪生标准化体系[16]的基础上, 对数字孪生卫星[17]、智能车间[18]、智能服务[19]等方面展开论述。Lu等[20]面向武器装备的数字孪生应用, 研究了武器系统的数字孪生应用与实践的必要性, 给出了武器数字孪生的定义和组成。郭具涛等[21]针对目前航天制造车间生产管控中存在的生产效率低、管控精细度差、调度响应能力薄弱等难题, 研究了基于数字孪生的制造车间生产管控方法。李浩等[22]将数字孪生技术应用于复杂产品设计与制造的融合, 提出了基于数字孪生的复杂产品环形设计框架, 并探索了基于数字孪生的复杂装备研制过程的一体化关键技术。

综上所述, 数字孪生技术在各个方向的应用模式上已经取得了进展, 但是, 传统研究多面向产品设计与制造阶段, 对数字孪生智能服务的研究也多侧重于故障诊断方面, 尚未形成面向装备保障技术的数字孪生方法架构与技术体系。本文在过往研究的基础上, 探索数字孪生驱动的装备智能保障模式, 梳理了数字孪生在装备智能保障体系中的应用模式, 将数字孪生技术内涵保障体系中全要素、全业务、全流程相融合, 为面向体系作战的装备智能保障技术发展方向提供引导与技术支撑。

2.1  数字孪生智能保障技术内涵

在保障体系的不同场景中, 数字孪生可实现对体系中人、机、物、环境的全面感知与安全集成, 通过将保障体系中所涉及的物理对象及场景同步映射, 实现对保障全要素、全流程、全业务进行数据采集和实时监控。在孪生环境中集成各类保障要素感知数据、仿真数据, 通过挖掘和量化数据分布中的特征及数理关系形成智能分析与决策服务, 并传递相关执行策略控制保障任务的执行, 为决策人员观察、分析及调控装备保障网络提供了崭新的视角[17]。具体而言, 将数字孪生作为保障数据、智能模型与保障服务的集成化容器, 为智能保障体系的能力提升发挥的作用表现在以下3个方面。

(1) 数据采集与引接的容器

数字孪生是实现保障体系数据流畅传递与外部系统引接数据的重要媒介, 而这些数据作为保障体系下各类要素活动的“缩影”, 本身就是对保障要素状态变化的客观表达。因此, 通过保障数据的采集与引接, 并在孪生系统中融合与集成, 使数字孪生环境成为对保障数据进行存储、分析和处理的容器。

(2) 智能分析与决策模型的容器

通过在孪生平台中积累大量实时与仿真数据, 从而提供充足训练样本, 以构建面向保障过程的智能分析与决策模型, 赋予保障体系中对不同问题的动态分析、预测与决策的能力, 使数字孪生环境成为对智能分析与决策模型进行训练、演化和应用的容器。

(3) 智能保障服务的容器

孪生平台是对保障体系进行决策输出与控制的有效途径，通过与物理环境的交互响应过程中积累大量决策知识，使保障体系能够根据物理环境运行情况动态制定具备适应性的管控策略，并反馈至现实场景下保障要素的决策执行。

2.2 数字孪生智能保障体系新模式

综合考虑武器装备的保障问题, 把全寿命周期保障工作在数字孪生环境下视作一个相互影响、相互促进的有机整体, 对装备全寿命周期过程各项活动进行顶层策划、科学论证, 统一协调各阶段的保障工作, 并将数字孪生驱动的装备保障模式进行层层分解, 实现保障工作与数字孪生模型的有机融合, 有效提高装备保障性水平。

(1) 虚实双向交互模式

数字孪生技术可以以超现实的形式呈现保障体系中装备的设计、制造、运行、维修状态, 对复杂体系各个子系统进行多领域、多尺度的状态监测和评估, 将智能监测与分析结果附加到保障体系中各个子系统、部件中, 在复现实体系统的同时, 将分析结果以虚拟映射的方式叠加到所创造的数字孪生系统中, 从视觉、声觉、触觉等多个方面提供沉浸式的虚拟现实体验, 实现实时、连续的人机互动。

(2) 综合效能评估模式

对于组成要素繁多的装备保障体系, 其机理结构的复杂性决定了保障网络往往难以建立精准可靠的系统级数学模型, 因而单独采用保障效能的解析数学模型对其进行效能评估难以获得最佳的评估效果。采用数字孪生驱动的保障综合效能评估方法能利用系统的历史和实时运行数据, 对模型进行更新、修正、连接和补充, 构建体系化作战背景下的装备保障效能评估方法, 为保障网络总体效能科学评估提供支撑。

(3) 运行及演化分析模式

数字孪生环境中通过集成各类分析与智能决策方法和可视化程序, 分析保障体系物理世界中融合的孪生数据, 为关键保障要素运行和保障流程分析提供运行与演化分析结果, 通过保障网络中大数据的统计学习方法, 深入挖掘保障环境中各类复杂的非线性关系, 动态分析由保障要素状态变化而引起的系统性能变化, 从而在物理世界问题发生前就具备一定的预见性。

(4) 动态决策优化模式

将数字孪生技术引入武器装备全寿命周期的管理中, 构建面向装备全寿命周期的一体化数字孪生平台, 整合装备全寿命周期内的各类数据, 建立知识数据库, 并辅助保障相关的决策优化。围绕装备交付使用后信息相对封闭, 且环境复杂多变, 装备状态难以监控等问题, 一方面可以采集实时数据, 监控装备状态, 实时反馈至相关人员支撑装备使用决策, 另一方面, 在保障任务规划过程能够辅助保障资源动态调度等决策。

结合武器装备的保障任务需求, 以数字孪生技术为支撑, 以全面提升体系化作战新形势下装备保障能力为目标, 与装备研制与使用的全寿命周期中的关键环节、任务及对象紧密结合, 构建数字孪生驱动的装备智能保障体系架构, 在时间维度上, 与装备设计、制造、服役及维修保养等环节同步; 在空间维度上, 支撑装备保障型设计、试验鉴定、运维保障、训练保障等保障类服务开展。数字孪生驱动的武器装备智能保障技术总体架构如图 1所示。

基于数字孪生的装备智能保障技术, 需要通过装备寿命周期中各阶段孪生模型及孪生服务, 以对不同阶段产生的孪生数据进行场景适应性应用。基于数据感知与处理、孪生模型构建与融合、状态监控与仿真、数据分析与决策优化等关键技术, 本研究构建了数字孪生技术在装备保障领域的智能服务方向, 主要涵盖保障性设计、保障性试验鉴定、运维保障、虚拟训练和保障任务规划与推演等5个方面。其中, 保障性设计与保障性试验鉴定是通过数字孪生模型进行迭代论证, 将工程信息、专业接口等通过一致性的孪生模型实现无障碍、无漏洞的传递, 从而修正设计方案, 固化设计知识。在装备使用保障阶段, 训练保障是针对装备具体施训过程的训练形式单一、考核方式固化等问题展开应用模式探讨。运维保障主要面向于装备战备完好性展开, 其实际意义在于保障装备作战中的快速出动能力与生存能力, 确保任务执行可靠度。

3.1  装备保障性设计

武器装备保障性设计是一个不断反复、有序迭代的过程, 贯穿了武器装备的全寿命周期。保障性与各类性能如机械、电气、自动化、信息系统等设计工作均存在一定的耦合关系, 在设计阶段的数字孪生模型为多学科设计提供统一接口, 以融合的模式定义各分系统工作项目关系, 确保各类设计任务的有效开展[23]。数字孪生技术在装备保障性设计应用服务中主要分为保障特性协同设计、并行设计、设计验证3个方面，如图 2所示。

(1) 保障特性协同设计

武器装备保障特性主要包含保障性、可靠性、维修性、测试性, 本质上四者是互相渗透、互相影响的关系。为实现保障特性间的相互融合、相互促进, 在明确装备保障特性内在联系的基础上, 通过数字孪生模型进行保障特性的协同设计, 借助并行工程思想, 以数据线程为主线, 对各保障特性固有机理进行集成与建模[24], 用孪生模型记录各保障特性的内涵机理与关键参数, 通过在孪生模型中开发相应保障特性的结合点与接口, 将不同保障特性要素进行有机融合, 从而在设计阶段促进武器装备固有保障特性的提升。

(2) 并行设计

保障特性设计过程中涉及多学科模型, 且不同特性间存在大量耦合关联, 导致保障特性设计知识的管理复杂且难以统一。基于数字孪生模型的并行设计管理是以模型线程所形成的标准化模型作为设计过程中的核心依据, 营造保障特性间的数据集成环境, 借助模型更新、迭代与过程控制对装备研制各阶段、各分系统的设计流程一体化集成; 借助模型交互、组合、协同实现各保障特性的设计规范、指标等的统筹规划。此外, 将数字孪生模型作为装备并行设计过程中的一体化知识管理介质, 以数据融合的方式将性能、功能设计与保障特性设计在管理维度上相协调, 促进设计流程、设计知识等管理的标准化。

(3) 设计验证

在装备保障性设计验证过程中, 通过数字孪生技术能够及早发现产品研制各阶段中存在的潜在缺陷, 并在产品研制的早期阶段予以处置和解决, 对保障性设计的提前验证能够降低由于重复设计工作而导致的研制成本高、设计迭代多等问题。基于数字孪生技术, 能够实现虚拟和物理两种验证方式的并存, 可以在装备保障性层面形成“纯虚拟”“虚—实同步”和“虚—实融合”等3种验证方式, 开展不同作战任务场景下的装备保障特性验证[25]。

3.2   装备保障性试验鉴定

目前保障性相关指标和要求以定性为主、定量为辅, 考核项目零散、不系统、不具体, 保障性指标的满足情况缺少科学评估手段, 导致试验鉴定与设计过程难以形成良好的闭环。数字孪生驱动的装备保障性试验鉴定方法如图 3所示, 涵盖试验流程规划、保障性虚拟试验和试验评价与优化3个方面, 能够实现“设计-试验-设计优化”保障性设计闭环迭代。

(1) 试验流程规划

结合武器装备的自身特点及试验鉴定需求, 为顺利开展数字孪生环境下的保障性试验, 开展装备保障性试验流程规划, 在孪生环境中制定保障活动仿真试验规划, 明确保障活动规划的时线图, 对应于装备的不同保障任务, 并分别对不同任务确定验证目标、试验样本量、试验样本分配、验证方法、信息收集分析和处理等过程进行系统性筹划[26]。另一方面, 针对装备数字孪生虚拟模型, 融合武器装备几何外型、物理特性、状态行为及接口规则模型等, 根据不同的试验任务流程进行定制化调整, 确保模型在不同试验流程规划中能够还原装备的重要保障特性属性及参数, 为虚拟试验的实施奠定坚实基础。

(2) 保障性虚拟试验

为保证装备在交付后能迅速形成与战斗力相匹配的保障能力, 需要针对所规划的试验内容, 根据不同的作战场景想定进行系统、综合的试验评估, 从而真实、准确地反映武器装备在实战条件下的保障性水平。依据作战环境想定的孪生场景, 验证虚拟装备状态是否满足试验要求, 相应维修的设备、设施、器材是否能够满足作战想定的需求, 配备的保障资源是否与装备使用时间同步等, 从而对装备在联合作战条件下的作战、协同、对抗、生存能力进行检验[25]。

(3) 试验评价与优化

以试验流程规划与任务场景剖面为输入, 以孪生模型与孪生场景为依据, 针对试验中所反映的问题, 对装备保障性及保障方案设计进行评价与优化, 将数字孪生试验鉴定过程伴随装备研制过程不断迭代、逐层反馈[26]。依据试验鉴定大纲, 在作战系统层主要评价战备完好性、任务成功性等指标; 在装备要素层主要评价可靠性参数(平均无故障工作时间、任务可靠度、毁伤可靠度等)和维修性参数(维修度、维修时间等), 形成试验评价指标体系, 并将评价结果在孪生环境中指导试验制定、方案修正等。

3.3   装备运维保障

针对装备需要具备良好的战备完好性、机动性和快速反应能力, 要求武器装备必须具有良好的状态监测与诊断能力, 能够应对任务剖面多样、使用场景环境复杂的情况, 提出数字孪生驱动的装备运维保障方法如图 4所示。利用精准的数字孪生模型动态监测装备运行状态, 及时响应任务要求, 实现快速、高效的自主保障与状态恢复, 主要包含装备状态监测、装备故障预测与诊断、装备健康评估和任务分析决策4个部分。

(1) 装备状态监测

通过对物理装备实时状态各类数据的采集与分析, 进行装备运行状态监测, 实现物理装备与虚拟装备的实时映射, 并对运行中的装备进行全面状态感知与可视化状态监测, 辅助相关分析与决策制定。同时, 结合装备虚拟模型与装备实时数据进行实时仿真, 实现模型驱动与数据驱动协同的装备故障预测与健康管理, 对装备故障进行预测与识别, 以及对装备的健康寿命进行分析与预测, 形成装备故障处理和后续作战使用策略。

(2) 装备故障预测与诊断

信息采集系统通过全面感知装备状态与环境信息, 结合历史经验数据, 通过先进的预测算法, 能够根据装备现有状态可靠地预知装备一段时间后某个时刻的状态和故障可能发生的时间范围[27]。同时, 在故障发生时, 能够实时定位确定故障发生的部位、故障类别和故障的严重程度等, 并以此确定维修级别和维修资源需求。

(3) 装备健康评估

通过孪生系统对装备全寿命周期数据的清洗与整合, 能够准确掌握装备的技术状态, 并可以根据装备状态基础参数对装备目前偏离正常情况的程度大小、健康退化趋势等进行分析, 同时还能够判断引起装备性能下降的故障模式, 识别性能下降的模块及单元, 提前进行状态预警。

(4) 任务分析决策

孪生系统根据装备故障诊断与预测结果或战场实时反馈的应急装备保障需求, 能够统筹全网资源信息, 利用人工智能算法, 对保障需求进行智能的分析, 对保障力量、保障物资的派遣和保障设施的规划进行自动决策, 并可以运用运筹学原理优化决策流程, 保证保障资源的最优配置和保障活动的高效运行。

3.4   装备虚拟训练

目前装备训练的具体施训过程中, 由于缺乏智能化的组织管理手段和工具, 训练实施仍多采用笔试、机试应答与装备实操演练相结合的方式, 考核评分也多以主观打分机制为主, 缺乏科学评估手段。数字孪生驱动的装备虚拟训练方法如图 5所示, 着力构建贴近真实作战环境的训练场景, 提供覆盖作战指挥决策、装备操作训练等全训练要素的协同训练, 可根据训练人员信息智能推送训练任务、灵活导调训练特情, 解决传统方法“训不到、训不全、训不好、训不精”等问题, 主要分为沉浸式虚拟训练环境、训练知识推送和训练效能评估3个方面。

(1) 沉浸式虚拟训练环境

借助于感知设备和传感器, 收集模拟训练装备及模拟训练战场的物理信息, 通过数字孪生环境搭建沉浸式训练环境, 在虚拟孪生环境中为受训人员提供沉浸式的信息服务, 将对战双方部署信息、指挥信息、装备信息及战场环境信息等仿真训练信息有效地呈现在用户面前, 建立高度还原的复杂战场环境, 训练人员可通过虚拟现实、增强现实等便携式交互方式与训练孪生环境交互。在孪生训练环境对实际过程进行数字化表达的基础上, 通过接口交互实现受训人员与孪生环境的交互连接, 实现训练环境中的人机交互, 用户可根据场景判断需要执行的操作指令, 并在孪生场景中反馈改变操作对象的状态, 进而再将更新后的状态信息反馈至用户交互终端, 在虚实环境的状态信息迭代中实现受训人员与受训环境的人机交互。

(2) 训练知识推送

通过孪生环境记录用户在训练平台中的实时交互信息, 并根据受训人员的背景特征, 刻画在孪生环境中的用户画像, 并根据画像中涉及的特征信息, 实现在孪生训练场景中的知识推送。一方面, 实现针对不同孪生训练情境下的静态训练知识主动推动给需要的受训人员; 另一方面, 根据不同受训人员训练需求或薄弱环节, 动态推送适用匹配的训练场景与训练任务, 从而有效提高训练过程中受训人员的知识应用及实战结合能力。

(3) 训练效能评估

在孪生环境中构建面向训练效能的完整训练评估指标体系, 输入包括考核科目的基本背景信息、详细的操作数据、用户特征画像等孪生数据, 在虚拟训练环境中输出为受训对象的综合评分, 从若干特征项对训练结果分别评估, 得到对受训对象比较客观且全面的评估结果。

3.5  装备保障任务规划与推演

保障任务规划是根据战场态势、装备保障状态数量和时间、空间等约束, 解算保障需求, 规划保障资源, 使规划的保障活动满足装备保障需求。保障任务推演则是根据保障任务的规划结果, 模拟保障活动过程和保障结果, 并通过一定的评价准则和评价指标对保障任务规划及实际保障活动的效果进行评估。在新作战装备、新作战概念和前沿技术的推动下, 智能装备的保障样式比以往更加丰富, 自动测试、自主保障、智能作战支持等技术, 以及体系化、网络化保障的模式都使保障任务的规划内容更加灵活和复杂, 从而使保障任务规划与推演在全寿命周期保障活动中具有了更高的地位。典型的保障任务规划与推演过程如图 6所示。

(1) 战场态势感知

目前, 多域作战着推动联合作战力量要素从联合走向融合, 导致战场态势变得更复杂, 难以准确认知。针对装备保障的战场态势认知需求由强调信息优势到强调决策优势的转变, 采用先验知识驱动的作战态势智能认知技术, 通过数字孪生中的数据线程识别、挖掘和评估态势演化过程中的关键决策点, 增强人的认知能力甚至替代主观认知, 实现控制活动从信息域向认知域跨越, 从而获得更快、更全、更准的认知结果。

(2) 保障任务规划

数字孪生环境下对装备保障任务规划包括需求判别、约束求解、智能决策和任务分配等。装备保障任务规划组成要素复杂, 各保障要素相互交互, 形成了装备保障任务的基本流程。在装备保障任务的驱动下, 各保障要素间进行保障指令和资源流转, 满足装备保障需求。因此, 保障任务规划通常考虑任务流程、信息流转、过程控制3个方面。在孪生场景中通过筹划阶段的静态保障筹划和保障执行阶段的动态任务规划相结合的模式, 组成保障任务规划双回路控制系统。在筹划阶段的孪生场景中[28], 根据孪生环境中的要素充分考虑保障资源、环境约束等保障任务影响因素, 初步拟制装备保障任务计划。在实施阶段的动态任务规划中, 通过环境中实时监控保障动态规划结果, 通过与保障需求中的各项指标满足情况进行闭环对比, 形成补充保障控制指令, 再次注入保障任务规划系统中, 实现保障任务规划闭环。

(3) 智能保障推演

智能保障推演系统通常采用开放式的系统架构, 以可拓展的模块组合方式开发指挥所、作战单元、武器装备等层级的保障活动推演模型, 按照去中心化的装备保障资源管理和集中推演应用服务为构建原则, 利用推演仿真平台引接实装保障任务和资源的模式, 实现多维对抗空间的环境感知、态势分析、保障决策和保障效果分析。在推演准备阶段, 保障需求由数字孪生提供, 并在任务场景中实施。最后, 对保障推演与作战推演的数据相融合, 达到智能保障推演与评估的效果。

4.1   概念模型

在明确武器装备数字孪生保障技术总体架构后, 为支撑架构下保障性设计、试验鉴定、运维保障、虚拟训练和保障任务规划与推演等服务的实现, 分析总结数字孪生在保障领域中落地应用的关键技术体系。陶飞等[8]针对数字孪生的通用技术, 构建了数字孪生技术五维模型, 如下所示:

DT=(PE,VE,SS,DD,CN)

(1)

式中: PE表示物理实体; VE表示虚拟实体; SS表示孪生服务; DD表示孪生数据; CN表示虚实连接。

依据数字孪生五维模型的定义, 将数字孪生五维模型与装备保障应用服务相融合, 规划形成5种关键技术类别, 分别包括: 状态感知与处理技术、数据传输与融合技术、模型构建与仿真技术、数据分析与决策技术和自动控制与交互技术, 数字孪生驱动的智能保障关键技术逻辑如图 7所示。

在数字孪生驱动的智能保障关键技术体系中, 通过“物理实体—孪生数据—虚拟实体—孪生服务—虚实连接”的回路, 形成通过孪生空间对物理实体进行监控、分析、服务及控制的闭环逻辑。针对不同技术类别, 归纳形成十项通用关键技术, 并针对不同关键技术分别阐述在工程中的应用形式, 如表 1所示。

4.2   状态感知与处理技术

(1) 状态感知技术

保障网络中通过分布式传感网络的部署, 实现高精度、高性能的传感器数据的采集和快速传输是整个数字孪生系统的基础, 用于支撑整个数字孪生环境的运作。针对装备对象本身, 温度、压力、振动等各类型传感器用于监测装备本体运行过程中的各物理量信息以表征装备状态。针对装备保障环境, 各类射频标签、二维码等为代表的标识技术, 用于装备保障资源的管理与保障要素的准确识别等[29]。

(2) 数据处理技术

由于装备在贮存或作战使用过程状态多变、数据采集环境恶劣, 由网络中部署的传感网络所采集的原始保障数据通常存在不可避免的缺陷, 例如空缺值、重复值、错误值、孤立点或噪声。数据处理技术为保障任务分析与决策等服务提供高置信度的数据资源, 主要包括设置判别元组, 定义数据字典等方式处理, 对于测量偏差所产生的噪声数据通常采用平滑技术进行处理。

4.3   数据传输与融合技术

(1) 数据传输技术

搭建快速、可靠的信息通信网络, 将装备运行信息安全、实时地传输到数字孪生上位机中。分布式的传感器部署是整个孪生系统的“血管”, 为孪生模型起到了基础信号感知与状态信息传递作用。通过“人—装备—环境”要素实时交互与协作、多源异构数据通讯与发布等技术的研究, 实现高效、可靠的数字孪生信息交互。例如, 通过数据中继技术解决野外环境下超视距数据传输问题。有线通信技术, 包括现场总线、以太网总线等传统和新型总线技术, 用于解决设备内部及设备互联条件下的数据链路建立问题。通信协议技术实现节点之间的可靠通信和信息交互方式。

(2) 数据融合技术

数据融合是指在数字孪生环境中对装备保障体系全业务、全要素与全流程数据的集成与融合, 如对某装备进行维护维修过程中, 既需要考虑装备保障特性设计中的维修可达性、修复时间及测试覆盖性、故障隔离率等设计量, 又需要考虑装备在贮存、运输、作战等任务过程中的环境监测信息, 如温湿度、盐碱等环境变量, 同时还需要考虑装备在保障任务执行时的备品备件满足状态、维修时间及保养计划等任务过程信息。因此, 在装备保障体系中，数据融合主要针对保障资源要素、保障任务及保障业务相关数据的融合与集成。

依据保障体系运行过程中的一致性, 对保障任务现场的实时环境数据、保障特性设计数据及保障任务数据进行建模、关联、聚类、挖掘等操作[30], 对多层次的时间、空间信息融合, 发现来自不同数据源中指代相同含义、实体的数据之间的关联关系, 对相似或不同特征模式的多源数据依据其交叉相关性动态融合, 实现在虚实交互环境下的状态映射与同步。

4.4   模型构建与仿真技术

(1) 孪生建模技术

对数量庞大、种类众多、环境迥异的作战装备的实际物理状态的精确求解十分困难, 尤其是瞬态模型的构建。当前, 大部分建模方法是在流、固、力、热等特定学科领域进行仿真模型设计, 并在使用阶段采用集成和数据融合的方法来刻画状态变化, 但这种方法限制了将不同领域的模型进行深度协同与融合的能力。因此, 需要开展多学科的保障性数字孪生建模方法研究, 在设计阶段从机理特性层面进行多学科设计建模, 将多种保障特性融合为武器装备孪生体建模的基本要素。同时, 所构建的模型需要根据数据接口接入的参数状态保持同步, 实现模型实时、动态更新。

(2) 孪生仿真技术

利用保障对象的数字孪生样机, 对装备的结构应力、流场、电磁场等基于第一性原理或物理机理进行仿真, 使用户可直接在数字孪生体中前摄性地预知装备运行状态、判断故障何时发生以及故障发生的后果, 在不断迭代过程中对预测输出满意后再操作物理实体[31]。仿真技术是涉及多学科的综合技术, 除了各物理机理演化规律的求解器本身的算法和模型之外, 还包括计算机视觉技术、空间离散技术、数据交管技术等。通过赋予孪生模型仿真的能力, 可以实现虚拟先行、实体后动的方法, 减少装备保障事故发生、降低装备保障设计和操作成本, 加快装备迭代与升级进程, 提高装备的可靠性。

4.5   数据分析与决策技术

(1) 数据分析技术

由于保障网络是由大量功能上相互独立, 操作上交互协同的装备保障系统、保障单元及保障机构组成[32], 而保障网络各类要素状态实时变化, 产生了大量的数据, 需要新型数据分析方式去促成更强的决策能力。保障网络中大数据的主要特征包括: 数据体量大、数据类型繁多、价值密度低、产生速度快[30]。对于保障网络中的大数据分析与挖掘是将海量、复杂、高速、低密度的大数据转化成为装备保障服务的知识或模式的重要技术[33]。

(2) 优化决策技术

针对装备保障任务的不同决策需求, 综合运用各类机器学习模型等数据分析与挖掘技术。例如, 在孪生环境中进行优化策略的自学习, 通过强化学习智能体在不同状态中进行选择, 得到不同状态空间中最优的运行策略。当保障环境未知程度高、扰动多、装备运行机理与特性不能完全掌握时[34], 使用机器学习方法构建不同的保障任务智能决策模型, 并通过模型参数训练来认知对物理世界的复杂问题背景, 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孪生体。

4.6   自动控制与交互技术

(1) 自动控制技术

在实物装备与数字孪生体的交互中, 物理装备对象通过内置执行器接收来自孪生体的反馈信息, 依据控制指令执行相应行为, 从而改变保障网络物理环境和物理设备的运行。保障物理环境中的传感器利用模拟-数字转换将不断接入的物理状态数据, 将实时状态信息转换成离散的数据信号, 孪生模型通过计算后, 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状态反馈、控制与调节。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装备物理运动和状态。

(2) 用户交互技术

目前, 数字孪生的用户交互手段依赖增强现实、虚拟现实等技术实现。在保障系统中的增强现实交互是利用外部设备获取装备对象的图像(表面缺陷)、音频(振动频率)以及传感数据(环境状态)等信息, 由装备操作人员对孪生场景中的信息做出响应, 实现对虚拟保障对象的操控, 从而达到操作人员与虚拟物体交互的目的。增强现实系统能够在保障网络中建立在人与虚拟保障场景之间的一座桥梁, 人可以通过交互设备与虚拟物体进行视景交互。

为满足武器装备自身保障性水平的需求, 实现基于状态的差异化管理与控制, 构建装备保障网络中多维可达的信息流, 解决装备保障任务的信息物理融合问题, 基于数字孪生的技术概念与理论, 分别进行保障场景孪生模型构建、数据采集与同步映射、实时状态监测、虚实反馈与控制等技术的研究, 开发面向典型装备保障任务的数字孪生演示验证系统, 选取装备在贮存过程中的运维保障为应用场景, 验证数字孪生技术的应用效果。

以装备保障场景中的巡检任务为例, 在装备贮存阶段需要定期对储存库内装备定期巡检, 由库内自动导引运输车(automated guided vehicle, AGV)作为测试设备的运输载体, 到各贮存库位进行装备通电测试, 并将测试不合格的装备移载至拆装区进行维修。在测试任务流程中, 库内管理人员需要掌握装备贮存的履历信息确定制定测试项目, 自动化贮存货架、AGV等流转设备需要实时监测状态信息以便于执行动态规划与调度, 测试设备本身需要实时判读装备各分系统状态。在测试及维修完成后需要根据任务保障需求统计装备可靠性、测试性、维修性及保障性指标, 为装备作战任务的执行提供决策依据, 装备巡检任务流程如图 8所示。

在面向保障任务场景的数字孪生环境构建过程中, 首先, 对装备贮存库内涉及的各类保障要素信息采集, 对装备、保障设备、辅助设备、保障任务、环境等要素数据进行结构化的定义与集成。然后, 针对场景中各类要素进行虚拟模型构建, 从几何、行为等多个维度建立模型, 实现孪生环境中模型的动作协同与任务融合。最后, 基于Unity开发数字孪生环境, 将物理端接入的数据与模型进行绑定, 形成面向装备保障任务的数字孪生环境, 搭建装备保障性数字孪生演示验证系统, 如图 9所示。

在数字孪生系统集成了虚拟模型、数据库、采集系统以及任务流程中的关重设备(测试设备、AGV、自动货架、吊装等)的控制系统, 实现了对库内各要素的数据实时采集与信息管理、虚拟任务实时同步与状态监测、库内设备实时安全控制、各保障特性指标分析处理等功能, 系统相关功能在实际库内运维中得到验证, 有效提升了装备各类保障任务的执行效率, 并为未来进一步开展装备全寿命周期数字孪生技术研究奠定基础。

为了迎合装备作战使用需求, 应对装备智能保障技术的新挑战与新机遇, 本文在对武器装备保障现状进行分析的基础上, 深入探讨了数字孪生技术在装备智能保障中的概念内涵与应用模式。

结合武器装备的各类保障任务需求, 构建了数字孪生驱动的装备智能保障总体架构, 在时间维度上, 贯穿装备设计、制造、服役及维修保养等环节; 在空间维度上, 支撑装备保障型设计、试验鉴定、运维保障、训练保障等保障类服务开展。针对不同类型的保障服务, 本文分别提出了数字孪生驱动的保障性设计、试验、训练、运维保障及任务规划与推演等, 探究了数字孪生在具体应用方向的落地措施。通过数字孪生环境五维模型及“物理实体—孪生数据—虚拟实体—孪生服务—虚实连接”的闭环回路, 总结归纳了数字孪生在装备智能保障不同应用场景中的共性关键技术, 涵盖状态感知与处理、数据传输与融合、模型构建与仿真、数据分析与决策、自动控制与交互等技术, 为后续数字孪生技术在不同军兵种、不同装备类型、不同保障领域的应用落地提供支撑。最后, 以装备贮存过程的运维保障为案例, 搭建了数字孪生演示验证系统, 验证了数字孪生技术在具体保障任务及场景中应用落地的可行性。

目前, 面向装备保障的数字孪生体构建和应用还处于起步阶段, 仍然有许多问题需要进一步研究。如何构建整合装备全寿命周期的信息流, 实现面向装备全寿命、全系统与全过程的孪生, 并利用更加通用性的动态数据驱动建模与仿真方法, 形成完备的数字孪生模型并服务于各类保障任务与作战场景, 为装备战斗力和保障力的数字化、网络化、智能化和服务化方面的提升提供强大支撑, 是未来数字孪生在装备保障领域的研究重点。

本文仅用于学习交流，如有侵权，请联系删除 ！！