飛行器智能設計愿景與關鍵問題

李霓，布樹輝，尚柏林，李永波，湯志荔，張偉偉

西北工業大學 航空學院，西安 710072

美國國防高級研究計劃局(DARPA)和美國國家航空航天局(NASA)等機構從20世紀90年代起便一直致力于推進人工智能技術在飛行器設計等方面的工程應用[1]。北約科學技術組織(NATO)在2020年3月發布的《科學和技術趨勢：2020—2040》中把人工智能歸為能對世界產生顛覆性影響的8大技術領域之一[2]。隨著人工智能技術的飛速發展，以機器學習為代表的各種智能方法已延伸到飛行器氣動、強度、結構設計等各個方面，極大地優化了設計效率和效果。如對于簡單的后掠機翼的氣動彈性可靠性優化設計算例，在同等的計算條件下，采用直接耦合仿真方法的優化耗時約5年，而采用基于數據驅動降階模型的優化設計耗時僅2天[3]。當前研究表明，機器學習等智能方法在下一代飛行器研發中將起到越來越重要的作用。

在傳統飛行器的研發中，首先需要根據任務要求確定飛機總重，選定可供設計參考的原型機；其次，根據飛機重量設計預期的氣動特性和翼載；最后，根據所需氣動特性選擇氣動布局，分別對機翼、尾翼等關鍵部件進行設計[4-5]。這種傳統設計思路以完成作戰任務為驅動，設計目標清晰明確，各部件設計的獨立性較強、耦合度不高，涉及到的學科之間有明顯的專業界線，可明確分工，在有原型機作參考的逆向設計中具有較大優勢。

中國軍用飛行器的設計正由過去的“跟跑”向“并跑”轉變，并且在未來還要實現“領跑”目標。在飛行器的設計中很可能面臨需求模糊、無原型機和無明確設計指標的困境；其次，隨著飛行器的飛行狀態趨向于極端狀態(高超聲速、高隱身、高機動性等)，諸多學科耦合度不高而導致的新問題逐一浮現；另外，未來戰場環境錯綜復雜，戰爭也會逐漸向體系對抗轉變[6]。飛行器設計在未來需要追求整體任務綜合性能的最大化，只有這樣才能充分發掘飛行器的潛能，而傳統按部件分解的設計模式無法滿足要求。因此，未來的飛行器設計必須發展新的設計范式，有效集成不同學科的優勢，以滿足極端復雜和苛嚴的設計需求。

鑒于此，提出飛行器智能設計體系，旨在通過智能方法，融合多源信息、多場數據以及人的先驗知識，考慮飛行器整個生命周期內的功能和價值屬性，實現飛行器體系化的整體性設計。本文深入探討了飛行器智能設計的關鍵技術和面臨的挑戰，并就其中的關鍵科學問題進行了討論，旨在為飛行器設計的未來發展提出見解。

1 飛行器智能設計理念與內涵

未來戰爭將是高強度的對抗，這對飛行器的性能提出了非常高的要求，傳統的飛行器設計方法無法同時滿足多組多層級指標要求，因此需要引入智能方法尋求更優的設計方案。按照目前技術發展來看，飛行器智能化設計應以體系需求和能力為頂層指導，通過知識表達、推理和應用等核心手段支撐，將智能方法融合到全生命周期的各個設計環節，再利用實體與虛擬結合的方式實現自身與外部的感知與預測，最后通過知識庫與數字孿生系統實現飛行器設計的迭代與自演進優化。

飛行器全生命周期設計方法與過程可概括為平臺系統設計、制造生產和運行維護與改進這3個階段[7]，如圖1(黃框)所示。在傳統的飛行器設計框架下，各學科是相對獨立的，在設計需求、指標不確定時很難達到綜合性能最優。因此，在智能設計體系中，為了綜合考慮各學科的相互耦合性，通過機器學習技術對不同類型的海量數據進行知識抽取、知識融合、知識推理和知識表達，并建立實驗數據、標準規范等知識庫，以幫助專家對飛行器設計、維護、任務規劃等進行決策制定，從而完成更高層級的設計任務。另外，將3個階段產生的數據與傳感器采集的數據融合并傳輸至數字孿生系統。通過多尺度、多學科、多物理場建模及一體化計算等建立飛行器鏡像，并與實際飛行器匹配和同步，進行離線狀態評估、壽命預測、任務執行力評估等。這些信息將反饋給知識庫，實現飛行器設計的迭代與自演進。同時通過體驗平臺，使決策者快速了解系統實際狀態并指導操作。

圖1 智能設計體系框架Fig.1 Framework of intelligent design system

從廣義上講，滿足全生命周期要求的飛行器智能設計體系有以下特點：① 飛行器設計智能自演進，綜合考慮全生命周期內的價值屬性，正向建立創新設計模式，智能改進飛行器的氣動、結構等方面的參數；② 運維系統智能，智能綜合控制飛行器的各類系統，對飛行器進行智能診斷與自愈控制，完成體系中個體/群體交互和人機協同等任務；③ 實體與虛擬結合，精準模擬飛行器全生命周期的運行狀態，并能對飛行器設計、生產制造、運行維護等全生命各個階段提供支撐和指導；④ 知 識圖譜支撐，融合飛行器生命各個階段的數據、虛擬仿真數據、試驗數據、人為知識和經驗并進行學習和推理，使信息資源更易于計算、理解和評價，為整個飛行器智能設計體系提供數據支撐。

飛行器智能設計屬于第4研究范式[8]，即充分發揮電腦高性能計算的作用，利用大量試驗、仿真數據進行數據挖掘，提取其特征并融合人的知識經驗，通過知識遷移學習和數字孿生技術實現飛行器設計的迭代與優化，如圖2所示。具體解釋如下：

圖2 智能設計的范式Fig.2 Paradigm of intelligent design

1) 多源跨域數據特征提取。飛行器的實驗數據、仿真數據和服役運行等數據信息往往來自不同型號和不同測點。這些數據在結構組織或者表現形式上存在差異，需要通過多源異構知識融合算法對不同來源的數據、信息加以聯合和組織后，再在同一個信息域進行特征融合。

2) 數據特征學習和推理。智能設計利用多源數據特征和知識融合模型，引入基于機器學習的特征提取算法，通過網絡對數據特征進行推演學習。此外，基于知識圖譜框架，通過融合人為知識、經驗和數學模型，使機器學習具備更好的可解釋性、穩定性以及可信任性。

3) 小樣本數據知識遷移。對提取的數據特征進行學習、推理之后，雖然積累了大量數據，但航空飛行器種類和狀態繁多，這些數據依舊屬于小樣本。所以需要發展小樣本數據知識遷移學習方法(如遷移學習、元學習技術等)，將學習到的模型泛化到更多的狀態和對象，快速、高效、穩定地遷移到新的任務中。

4) 建立數字孿生模型。基于以上數據建立數字孿生模型，并通過閉環流程來逐步迭代和優化，以提升模型精度。數字孿生模型可全面接納飛行器全生命周期內的狀態、行為、過程等靜態及動態的信息，并復現飛行器任意時刻的狀態，還可根據認知機理和規則來推演仿真未來時刻的“假設”場景，對其狀態進行預判。

2 智能設計的關鍵技術

根據對智能設計體系發展的預測，多物理場多學科智能融合設計、面向飛行器智能設計的數字孿生技術、航電任務系統綜合設計、飛行器體系化智能設計、人機協同智能系統設計等技術對于實現飛行器智能設計較為關鍵。

2.1 飛行器多物理場多學科智能融合設計

飛行器設計是多學科/多部門協調決策的過程，要求結構、氣動、控制、隱身等綜合能力達到最優[9-11]。智能化設計是多學科/多目標設計的綜合體現，追求整體任務綜合性能的最大化，亟需解決飛行器多物理場、多學科智能融合設計這一關鍵技術。具體內涵如下：

1) 基于人工智能的氣動與多學科設計

隨著飛行器精細化設計需求越來越復雜，氣動設計所面臨的復雜度也不斷提升，單獨考慮氣動性能指標的設計已遠遠不能滿足當下的工程需求。下一代飛行器的設計需要考慮多學科、多物理場之間的耦合作用[12]，如氣動-結構耦合設計、氣動-噪聲耦合設計、飛行器-發動機耦合一體化設計、氣動-隱身耦合設計等。這些工程需求勢必會大幅增加氣動優化設計難度，因此基于人工智能的氣動多學科設計亟需從以下幾個方面尋求突破。

首先，氣動與多學科優化設計面臨高維和高精度的海量計算，如何提升優化設計效率以滿足工程設計需求十分關鍵。可采用與人工智能相關的機器學習技術，開展基于集成學習、強化學習等手段的氣動外形優化設計方法。對于高維設計，可從稀疏學習、特征分析的角度進行設計空間分解或設計分層以提升優化效率。

其次，復雜的工程氣動設計依然非常依賴專家或設計師經驗，需要大量“人在回路”干預[13]。在氣動設計自動化的基礎上，如何進一步減弱“人在回路”干預從而提升設計的智能化程度是另一個值得關注的難題[10]。針對該問題，有望利用人工智能技術替代專家經驗，減弱“人在回路”作用，提升智能化氣動設計水平。此外，開展多目標、多約束的自主智能化分配技術，也有利于實現根據實際需求自主變更目標及約束的優化進程。

2) 多源氣動數據智能融合和關聯

飛行器氣動數據的主要獲取途徑包括數值計算、風洞試驗和飛行試驗(模型和飛行試驗)3大手段。然而，在實際應用中利用3大手段獲取的氣動數據往往具有顯著的差異。如何充分利用這些數據，降低氣動數據獲取成本，并且最大限度地提升氣動力數據庫的整體精度和一致性，是氣動力多源數據智能融合和關聯研究的核心[14]。

目前主要采用的是數據融合技術，通過數據估計、建模、采集管理等手段，將多種來源的測量結果在時間或空間上冗余或互補的信息依據某種準則進行綜合，產生關于被測對象更準確的信息和更一致的解釋或描述，從而獲得具有最大可信度的結果。在該領域的工作包括天地一致性研究[15]，針對高、低精度數據的氣動力融合方法[16]，以及不同狀態數據的氣動力融合方法[17]等。未來還需要在數據融合準則和算法上進一步深入，尤其需要將智能融合方法和流體力學誤差來源理論進行有機結合，找到手段、狀態等不同數據間的信息融合方法。

3) 數據驅動的飛行器材料/結構多尺度設計

變體飛行器可以根據不同飛行任務和飛行條件改變自身形狀，從而提高飛行器的綜合性能，是未來飛行器發展的重要方向之一[18]。而材料和結構的多尺度設計與優化是實現變體飛行器的關鍵。

智能變形結構的設計和實現涉及仿生學、材料學、結構力學、現代機械學、控制理論、傳感和信息技術等多個學科[19]。當前的變體飛行器技術主要通過變體結構設計，如可變后掠機翼、可變彎度機翼、折疊機翼等，以及形狀記憶聚合物、形狀記憶合金、壓電疊堆陶瓷、壓電纖維復合材料、磁滯伸縮材料等智能材料來實現。

變體飛行器必須解決變形材料/結構的高承載、輕質、大輸出力驅動以及自適應結構等關鍵問題。因此，未來需要進一步在以下幾個方面開展研究：智能材料的材料設計與新材料探索、智能材料結構的多場耦合力學行為表征與變形控制技術、滿足氣動要求的輕質柔順可變形結構技術、高性能致動器及其控制技術、分布式傳感網絡技術、狀態檢測與損傷自診斷技術等。通過數據驅動的飛行器材料/結構多尺度設計技術的突破，來滿足變體飛行器對輕質、大輸出力、大變形等材料和結構的需求，為其更廣泛的應用提供技術基礎。

4) 數據驅動的飛行器多場耦合模型

高超聲速飛行器研制需要直面的流-固-熱耦合難題是典型的多場耦合問題。傳統的直接耦合仿真方法計算量巨大，難以在型號研制中被廣泛采用。籠統、海量的多場耦合大數據無法為工程師提供清晰、準確的設計思路，很難為工程設計提供有力的技術支撐。

隨著人工智能時代的到來，基于數據驅動的多場耦合分析建模成為可能。目前學術界已經在非定常氣動力建模[20-21]、氣動熱建模[22-23]和非線性結構建模[24]等獨立學科的模型化方面取得了一定的進展。這些工作為多場耦合仿真提供了“化整為零”的新思路，能有針對性地提高計算效率和精度，這是傳統計算方法(如工程方法和數值模擬)所不能兼顧的。在子學科建模的基礎上進行“化零為整”的耦合架構設計，不僅可以提升分析效率，還能極大提升多學科、多場耦合復雜問題的可分析性和可設計性[25-26]。Ladicky等采用回歸森林方法成功對非定常流場進行預測，數值計算效率提高至少10倍[27]。Guo等通過卷積神經網絡方法對氣流場進行預測，在保證精度相當的情況下，計算效率提升了2～4個數量級[28]。

在未來該領域可以進一步關注非均分布物理場降階方法，動態、非線性、時變/變參系統的模型化，復雜多場/多學科問題耦合特征的定量評估與簡化策略和基于數據驅動模型的多場耦合問題的機理等方面的研究。

2.2 面向飛行器體系智能設計的數字孿生技術

隨著飛行器功能和性能的持續提升，飛行器系統組件越來越多，而組件與組件之間的交互會衍生出復雜特征，如系統狀態隨時間快速變化的動態性，以及系統材料、結構、氣動、周圍環境存在的不確定性。數字孿生作為一個技術體系，旨在為物理系統創造一個數字集合體或模型來表達其全生命周期的所有知識。利用飛行器及其運行環境的數字孿生體，可以實時監測飛行器的狀態并評估飛行器性能，在飛行器整個生命周期中，結合運行環境信息優化飛行器的操作、運行與維護，提高設計水平與智能化程度。

1) 飛行器智能數字孿生

2003年，美國密歇根大學教授Michael Grieves提出通過物理設備的數據，在虛擬空間構建一個可以表征該物理設備的虛擬實體和子系統，并且這種聯系在整個產品的生命周期中都聯系在一起[29]。這個概念在2011年被正式命名為數字孿生，以解決未來復雜服役環境下的飛機運行維護的問題[30-31]。

飛行器數字孿生可定義為：一種數字技術驅動的多學科、多物理場、多尺度、多保真度、多概率的虛擬性仿真、驗證系統，采用在線傳感器監測、離線地面檢查、飛機運行歷史等多源數據，反映并預測飛行器在全壽命周期內的行為和性能。數字孿生不是一個靜態模型，而是一個動態模型，會隨著數據的產生而不斷演化，是模型、數據、概率和決策的有機融合。數字孿生和其他技術相比具有以下顯著的特點：① 虛實結合，旨在建立實體與虛擬模型之間的雙向映射與深度融合，數字孿生體在動態展示飛機相關數據改變的同時，可根據真實飛機參數進行智能分析和決策；② 時效性，飛行器數字孿生體根據傳感器實時數據與飛行器狀態信息，進行狀態預測；③ 多學科/多物理性，數字孿生體是基于物理特性的數字化映射模型，能夠描述多物理場、多域的狀態和信息；④ 多尺度/多保真性，數字孿生體應可描述飛機整個機體、結構部件、零件等多個尺度的行為和特性，從而穩健、高效、準確地對飛機的狀態和行為進行高性能仿真；⑤ 概率/不確定性，由于存在幾何和材料參數認知的不確定性，以及飛行載荷變化等的隨機不確定性，導致數字孿生模型的結果不確定。

下一代飛行器需要更輕的質量，且面臨更高的負載、更嚴酷的使用環境和更長的服役周期等挑戰。目前的設計、驗證、管理和維護理念無法滿足下一代飛行器的需求，因此飛行器的數字孿生技術將是其智能設計的關鍵組成部分，在數字空間建立真實飛機模型，通過傳感器網絡實現與飛機真實狀態完全同步，在收集各種數據之后，結合智能大數據分析技術，可以準確預測飛機狀態，指導決策者為每架飛機定制個性化管理方案，并為飛行器設計提供及時可靠的反饋信息。

2) 飛行器智能數字孿生建模技術

數字孿生強調用實時感知的信息消除模型的不確定性，用精確的模擬代替真實場景，從而優化實際系統的操作和運維。飛行器包括結構、氣動、航電等多種不同體系的復雜組合，因此如何對復雜系統建模是面臨的首要挑戰。數字孿生體是由傳統模型發展而來，因此建立復雜的高精度系統模型是首要前提，現在建模依然面臨著環境、載荷、材料性能等眾多因素不確定，以及力、熱、電等不同物理場之間的強耦合作用等各類問題，這些問題都將導致模型無法準確模擬系統的真實情況，需要借助多物理場耦合建模和多尺度損傷分析方法來提升模型精度。

為實現復雜的飛行器系統建模，需要多學科知識的支撐，通過多物理場建模、多系統仿真建立飛行器系統的行為模型和演化模型，并基于機器學習技術提取降階或代理模型，用于在線分析。但僅依靠手動建模無法完全解決系統特殊狀態的表達，需結合知識庫中存儲的歷史數據、專家經驗來表征、識別、分析可能狀態，并通過數據注入的方式，分析各類狀態下系統的行為數據，來構建飛行器模式庫，保存到知識庫中。通過設計統一的數據庫接口，并結合分析、決策智能助理與可視化技術，幫助專家進行飛行器設計、維護、任務計劃的決策制定等。

3) 飛行器智能數字孿生數據分析技術

數據分析技術不僅可以實現模型的動態更新，還能通過量化載荷、邊界、材料參數等不確定輸入，并利用大數據等人工智能技術對系統的性能狀態開展在線飛行可靠性風險評估。

對于飛行器這類大型復雜系統，在服役過程中會不斷產生各類載荷、環境、維修等數據，此時借助人工智能、大數據分析技術，從這些數量巨大、類型繁多、不斷變化的數據集中挖掘價值，發掘多源異構數據之間潛在的內部關系，從而為診斷、預報、決策等提供模型構建支撐。飛行器數字孿生體是物理產品在虛擬空間的超現實模型，始終存在擬實化程度的問題。因此要針對數字孿生體與物理空間產品之間的偏差不斷進行修正，通過數據的不斷積累與模型的更新，保證數字孿生體與實體保持較高的一致性。

數字孿生的實現需要發展新的工具平臺，包含集成多物理場仿真、數據管理、大數據分析、動態數據驅動決策等多個功能模塊，同時借助虛擬現實(VR)或增強現實(AR)等可視化技術，使決策者能夠快速準確地了解系統實際狀態，從而指導對系統的操作，實現效能更高的控制與優化。

2.3 航電任務系統綜合設計

航電系統是飛行器的“大腦”，能統一處理飛行器上各種設備的信息，并通過機載數據總線來傳送通信、導航、控制等相關信息，從而使飛機上的電子設備性能達到最優。與之相關的傳感器網絡和航電系統架構設計與飛行器智能設計密切相聯，因此，本文分別對這兩項技術進行了深入的探討。

1) 傳感器網絡設計

要使智能設計體系具備接納飛行器全生命周期內靜態和動態信息，對其故障、壽命、環境等做出認知、推演與預判的能力[32]，需要在設計階段就考慮如何安置傳感器與監測系統，使飛行器不僅能夠實時感知內部系統性能狀態，還能收集系統周圍的環境信息[33-35]。

首先，為了使飛行器具備系統性能狀態實時感知能力，對其進行壽命預測及健康管理極其重要。由于飛行器本身結構的特殊性及飛行工況的復雜性，使得飛行器關鍵機械部件的故障特征呈現微弱性、強非線性和耦合性等特點[32]。通過合理優化的加裝與布局先進的壓力、振動、應力應變、轉速監測等傳感器，結合先進的信號處理手段，深入融合多源傳感數據，實現在強噪聲干擾下微弱故障特征的準確提取。

另外，在未來空戰中，目標更加多樣化、加之隱身等先進技術的出現，需要傳感器更準確地反映出環境的復雜性并提供危險預警，以使飛行員或機載自主控制系統能更快地認知周邊態勢并做出合理決策[36-37]。這要求在設計階段就考慮紅外、光電等多元化傳感器網絡的分布，通過多源異構數據處理發現各類數據之間的關系，感知機身四周環境信息，提供必要的長程偵測、精確目標跟蹤等資訊[38]。

在智能設計體系中(圖1)，傳感器網絡獲得的實時數據將與試驗和仿真數據等大數據融合[39-41]。在知識庫的基礎上，可通過構建深層模型、深度學習、決策迭代優化等手段，對健康狀態、態勢情況等進行推理和決策[37]。

2) 航電系統架構設計

以信息系統為支撐的智能化網絡中心戰和體系化對抗將是未來航空裝備的主要作戰樣式[42]，因此，需要提高飛行器的超聲速巡航、隱身、超視距和多目標攻擊、高機動性和敏捷性以及聯合作戰、協同作戰、機動作戰等綜合能力[43]，而這些都離不開綜合化的航電技術、高性能計算芯片和軟件定義系統[44]。

目前的航電系統架構設計主要有以下幾種：

① 模塊化航電系統(Integrated Modular Avionics, IMA)[45]。由IMA平臺及其應用組成，在該平臺上共享可變、可重用、可交互的軟硬件資源。該平臺能夠針對所定義的安全性、可靠性和性能要求提供設計與驗證服務，并駐留和管理以及執行飛機的功能應用。IMA平臺是指一個或者一組包括核心軟件的模塊。該平臺的硬件能夠為駐留其上的一個或多個軟件提供計算資源、通信資源和接口能力。IMA平臺可獨立進行認證而不受其駐留應用的影響。

② 分布式綜合模塊化航電系統(Distributed IMA, DIMA)[46]。將IMA平臺分布式地部署到飛機上的多個安裝位置，并通過AFDX網絡提供實時和具有容錯性的數據通信，從而進一步縮短線纜長度和響應時間[47]。DIMA具有天然的故障隔離屏障，能夠進一步提高系統安全性，且當中還使用了新的硬件平臺用來處理I/O和控制。此外，DIMA結合了聯合式航電和IMA的優勢，使用了分布式的結構，通過主動冗余提供容錯性，并且使用共享的處理器、內存、傳感器和I/O接口等系統資源，對商業組件(Commercial Off-The-Shelf, COTS)進行了更強的綜合[48]。

由于在智能設計體系中，航電任務系統除了要包含傳統意義上的核心處理與數據網絡、綜合駕駛艙顯示控制系統、綜合射頻及傳感器管理系統、綜合通信、導航與識別、先進飛行管理系統/軟件、綜合探測、告警與態勢感知/軟件、綜合任務管理系統、先進電子戰與自衛防御系統、飛行器管理系統，傳統的飛控、機電系統、綜合系統管理系統/軟件等[49]，還需要考慮與地面數字孿生系統的交互。這意味著隨著設備數和任務數的增多，設計的難度也顯著增大，因此航電任務系統需要更合理地分配系統的設備和需要駐留的功能到適當的位置上以保證系統的安全和質量[50]。其本質上可歸納為多目標組合優化問題。考慮到實際問題的規模和復雜程度，一般的多目標優化算法無法得到滿意的設計方案，未來將結合航電系統的評估目標和實際開發的需求，將進化人工智能算法與多目標優化算法相結合，以實現航電系統的結構優化。

2.4 飛行器體系智能優化設計

未來戰場環境錯綜復雜，戰爭也會逐漸向體系對抗轉變[7]。未來戰爭將由一定數量、相對簡單的飛行器個體通過相互關聯和協作形成以自組織方式構成的體系化組合。個體間的信息共享有利于環境感知和資源配給優化，增強了系統的穩定性和可靠性。軍事活動中的飛行器體系可以根據任務需求采用多樣化配置方法，包括載人戰機或無人飛行器，和按任務劃分的偵察機、戰斗機、轟炸機等[51-52]。除需考慮單一戰機的性能及指標外，在有適合體系作戰的需求時，還要考慮其對整個群體的影響及其在整體環境中的協同配合，包括飛行器個體與群體之間的體系協同優化設計、自組織通信與信息交互、態勢感知與決策等，具體表現在：

1) 飛行器體系協同優化設計

合理高效的協同優化是群體任務規劃與執行的基礎和前提[53]，這需要考慮個體之間、個體與群體、及群體與群體之間的協同，其中包括沖突處理、任務分配、資源分配、信息分享等，因此可以轉化成優化問題的求解。在體系化的飛行器單體與群體協同優化設計時，對于問題描述可根據體系設計需求考慮以下因素：優化目標選取與多目標間權衡、個體約束(包括動力學關系、最大航時航程、探測方式與距離等)、群體約束(包括空間距離保持、通信資源、邊界約束等)、任務的空間分布、環境與態勢評估考量和沖突規避與解決方案等。由于涉及多個相互制約目標的優化，求解難度很大，不能簡單地通過對多個目標加權平均或者設定優先級的方式來求解，通過這樣的方法往往只能獲得一個Pareto非劣集合[54]。由于飛行器對于實時性的要求極高，導致現階段多數算法并不能直接應用于大規模的復雜任務自主規劃。未來智能協同優化控制在算法的實時性和可拓展性方面仍有較大發展空間[55]。

此外，需要在知識庫中(圖1灰色框)加入對目標特性圖、決策知識庫、算法模型庫等知識方法的設計[56]，以此來綜合集成作戰單元模塊群體，快速生成決策方案，驅動執行指揮控制。并能通過大量分析計算、仿真、試驗及融入經驗等豐富知識庫，使飛行器單體間及群體間能快速響應環境變化，具有自學習和自適應的協同能力。

2) 自組織通信網絡設計

未來戰場的飛行器體系有可能包含多種不同類飛行器、有人機、無人機與無人機集群，因此個體/群體間與控制站間的高效通信是保障信息交互共享和及時全面掌握戰場環境態勢信息并優化任務分配的重要前提。可靠的通信也關系到個體的安全運行，甚至整個體系任務的成功與否[57]。

飛行器的通信模式主要有集中式和分布式兩類。對于集中式通信方式，由于單個飛行器通常并不具備強大的通信系統來支持其與控制站直接通信，并且，多個飛行器同時與控制站通信容易造成控制站通信資源擠兌的情況，這種方式在目前通信技術下不能夠滿足體系作戰的要求。另一研究思路認為可以基于分布式的群組架構研究自組織網絡，用于群體飛行器的通信[58]。自組織網絡采用分布式的架構，尤其是飛行器體系中包含無人機集群時，允許單機隨時加入或離開網絡，使得單機故障不會導致整個通信模式癱瘓，同時也確保了群體通信的可拓展性[59]。然而，分布式架構也存在一些局限性，如：飛行器的高速機動飛行容易造成網絡斷鏈，個體不斷變換位置致使網絡拓撲結構快速高頻變換，使得通信在有效性、安全性和可靠性等方面都受到挑戰。

因此在智能設計階段需要考慮分布式的、具有抗故障與自愈能力的通信網絡設計，以保證飛行器群體在有限的通信資源約束下，對其他個體、群體、環境、任務等具有高效感知和共享的能力。另外還可通過融入認知無線電[60]、通信拓撲結構動態規劃[61]等智能技術提高群體通信的效率。

3) 協同態勢感知系統設計

協同態勢感知是體系化控制和決策的基礎。由于每個飛行器的環境感知能力有限，可采用分布式的群組架構，使每個飛行器之間通過共享信息來獲得強大的協同態勢感知能力[62]。協同態勢感知包括自身狀態感知、環境感知、鄰近飛行器感知、群狀態感知、目標感知等多個方面。

未來作戰環境更加復雜，具有高強度和多變的特點，這要求感知系統具備自主性，充分發揮前端作用[63]。具體來說，第一要求感知系統具有同源信息拼接和異源信息綜合推理能力。同源信息拼接是指集群中的每個飛行器載有同類傳感器，通過將獲得的信息(如圖像)結合飛行器的狀態(位置、姿態等)進行拼接，進而同時獲得對更大范圍的環境感知；異源信息綜合推理，是指集群中的多個飛行器采用不同類型的傳感器，獲得同一目標或環境的不同屬性信息，以對環境感知做出更準確的判斷。第二要求感知系統在實體和數字孿生平臺的設計中具有信號/信息實時共享的能力，能夠通過對在線、離線學習方法的設計與改進實現體系協同平臺對環境態勢、情報、裝備等重要信息的認知。

2.5 人機協同智能系統設計

人機協同智能可通過人機交互實現人類智慧與人工智能的結合，將人腦和機器融為一體。傳感器和智能算法用于解決底層的信號采集、信號解析、信息互通、信息融合等問題，人腦負責高層次決策，從而使人腦和機器形成一個完整的系統。

1) 人機接口與信息交互設計方法

友好的人機接口和信息交互方式能讓飛行員更快地掌握并理解各類信息，使機器快速理解、響應飛行員的意圖并顯示處理結果，其在瞬息萬變的戰爭時期尤其能提高指揮效率[64-65]。在目前已有的AR、VR、眼動、手勢及語言等分析手段的基礎上，需要研究并構建基于全息界面的多通道人機交互系統，分析各類信息的感知敏感度，設計交互與顯示方法，研究飛行員接收、理解和確認等關鍵技術。

2) 有人/無人智能協作

在未來復雜的空戰環境下，運用多架有人機、無人機在飛行空域內構成相互合作、優勢互補及效能倍增的協同作戰系統，是智能空戰獲勝的關鍵所在[66]。要使“人工智能+有人/無人機”成為空戰的主要力量，需主要解決技術和信任兩方面的問題。

為充分發揮人工智能強大的感知與推演能力，需要通過數字孿生系統中的作戰仿真模塊快速仿真各種作戰計劃，生成大量可能的未來態勢，從而為任務決策提供態勢感知的相關數據。針對決策控制模塊的設計，在戰前可通過多分支超實時推演仿真，超越實體戰場預判敵方可能的動向和戰局走向，提前優化作戰方案；在戰中則可根據態勢監控信息，構造平行戰場，利用更新的戰場態勢信息剪裁部分仿真分支，辨識即將到來的決策點，快速形成草擬決策，并提供給指揮員以選擇性的提示，從而加速真實戰場觀察-判斷-決策-行動(Observation, Orientation, Decision, Action，OODA)循環。

從未來空戰所需的各個過程來說，機器更適于快速決策、高復雜度協同行動、海量異構數據分析處理[67]。由于空戰所包含的信息不完備、干擾不確定、實戰檢驗少、可信性要求高等多種復雜的限制，完全依靠人工智能并不現實。因此利用人工智能在空戰中提供基本認知，提出可供選擇的作戰方案，由飛行員從更高層次完成博弈決策是未來一段時間的主要發展思路。

3) 空戰對抗模擬與人在環上的智能設計

目前基于AR技術的空戰對抗訓練模擬裝置可用于模擬瞬息萬變的戰場情況，其將指揮人員融入虛擬環境中，進行作戰演習。在人機協同作戰過程中，需要作戰飛機編隊的指揮人員根據戰場態勢的實時變化，及時、準確地制定和調整作戰任務方案。此時大量信息的涌入，以及極端情況的出現可能會使指揮人員從生理和心理層面很難勝任這樣繁重的感知、分析、判斷和決策任務，因而需要設計先進的智能決策與輔助系統，提高作戰飛機編隊指揮人員的實時戰術決策和指揮效能。

智能決策系統可以與OODA相結合，從決策和行動兩個層面來提高OODA循環的效率。運用大數據和機器學習方法提取飛行員的空戰經驗，并結合蒙特卡洛搜索樹、滾動時域優化等方法，實時生成作戰環境下的有限候選策略，飛行員可根據自己的理解選擇最優策略，降低認知負荷，從而提高武器系統目標瞄準和發射的效率。智能決策與OODA的結合能夠提高智能決策系統在面對外界不確定擾動情況下的自適應控制能力、魯棒性能和容錯能力。

3 智能設計的共性科學問題

第2節所提技術均涉及與人工智能進行融合，但傳統人工智能的數據來源為圖像或自然語言，格式較為統一。而飛行器設計領域中數據的來源多，可來自實驗、仿真、飛行、先驗知識、經驗、故障手冊等，類型不定、跨域較大、各類數據間的關聯復雜；另外由于未來飛行器的飛行環境復雜，其設計需求具有模糊性和不確定性。因此，真正融合人工智能方法實現飛行器智能設計仍極具挑戰。需要找到其中的共性、底層科學問題作為突破點，并以此為牽引解決上層技術問題。

因此，可從底層航空設計中最復雜但具有大數據屬性的湍流、氣動等問題出發，研究如何將其建模方法與機器學習方法進行融合。在此基礎上，進一步研究如何使用人工智能中的相關方法去挖掘不同學科中共性知識的特征表達、推理及遷移，以實現將飛行器個體設計中的各個學科綜合智能化；最后，研究如何使知識在整個飛行器體系中遷移和演化，并最終實現整個飛行器體系設計的智能化。

3.1 機器學習與經典航空設計問題的聯合建模機制

湍流、氣動噪聲以及結構疲勞等是飛行器設計中長期面臨的難題[68-69]。因此，湍流的精確模擬與減阻、氣動噪聲的預測和降噪以及結構疲勞壽命預測和可靠性分析對于先進飛行器研制十分關鍵。

對于湍流問題，當前工程中主要采用各類湍流模型。這些經典的湍流模型大多是通過結合有限的實驗數據和基本假設，在一定的理論指導下構建的。然而，現有的雷諾平均湍流模型的適用性較低，對分離流動的模擬精度不足。隨著人工智能時代的到來，數據驅動的機器學習方法在湍流模型構建方面蓬勃發展[70-71]。這種基于機器學習的湍流模型為新一代湍流模型的構建提供了極大的自由度。一方面其可以讓使用者根據自己的需求充分發揮自主性，利用特定應用領域的樣本專門構建湍流模型，為工程湍流模型的定制提供了方法基礎。另一方面其代數特性有利于增強魯棒性和收斂性，提高計算效率。

在氣動噪聲方面，氣動噪聲的精確數值模擬一直是CFD仿真的難點。雖然目前學術界已經發展了一些高精度數值求解方法，能夠較為精確地開展空腔等簡單模型的噪聲預測，但是距離在飛行器部件乃至全機應用還有很大差距。而聲學風洞成本高、周期長，致使在飛行器設計階段很難開展完善的風洞試驗。氣動噪聲研究的大數據屬性使得機器學習方法在這一研究領域具有獨特的優勢[72]。基于數據驅動的機器學習方法可以用于飛行器氣動噪聲源的智能識別，噪聲強度的智能預測，噪聲誘發機理以及降噪措施的探究等。

在飛行器結構強度分析中，結構疲勞壽命的準確預測一直是核心難點問題之一。目前，主要采用工程方法對其疲勞壽命進行估算，但因為材料的微觀組成、機體宏觀結構以及不定擾流造成的振動疲勞等問題，結構疲勞壽命預測的準確性仍然有待提高。此問題涉及多學科融合，且具有不確定性大，樣本數據量小等特點，采用傳統方法難以解決此類高度耦合的復雜問題。利用機器學習在數據挖掘等方面的優勢，融合不確定性表達與推理、跨域數據的多模態特征提取與融合、小樣本知識遷移等技術方法，可提高結構疲勞壽命預測的準確性。

3.2 跨領域數據與知識推理

飛行器智能設計不僅是對已有知識的整合，更是要依靠大數據對跨領域的特征與知識進行深層次挖掘與應用。因此，如何對各個分系統進行數據特征提取與知識表達、對多域、多源數據進行分析和融合以及對小樣本數據進行學習和遷移十分關鍵。

1) 數據特征提取與知識表達

數據特征提取是信息處理中對某一模式的測量值進行變換，以突出該模式代表性特征的方法，其本質是知識的表達。在飛行器設計過程中需先對數據進行知識提煉，去除冗余信息，而后形成高質量的表達，為進一步的數據分析奠定基礎。

目前，基于三元組的知識表示形式[73]受到了人們廣泛的認可，但是其在計算效率、數據稀疏性等方面存在諸多問題。近年來，以深度學習為代表的表示學習技術取得了重要進展[74]，可以將實體的語義信息表示為稠密低維實值向量，進而在低維空間中高效計算實體、關系及二者之間的復雜語義關聯。這對飛行器設計相關知識庫的構建、推理、融合以及應用均具有重要的意義。但如何從各類原始數據中進行特征提取，并構建包含語義、相互關系等信息的詞嵌入或圖嵌入表達仍是一個待解決的關鍵問題。

飛行器收集的傳感器數據來源廣泛，存在數據質量參差不齊、來自不同數據源的信息重復、各類信息間的關聯不夠明確等問題，所以需要進行多層級的數據融合與知識融合。對來自不同知識源的知識在同一框架規范下進行異構數據整合、消歧、加工、推理、驗證、更新等操作，達到數據、信息、方法、經驗以及人的思想的融合，形成高質量的知識庫，以方便進一步的數據利用。

2) 多域、多源數據的表達與分析

數據在飛行器設計的不同階段有不同的呈現：設計階段是仿真模擬的數據，試飛階段是傳感器和地面觀測的數據，運營階段是傳感器的數據等。另外，在不同的場景下各種傳感器采集的數據不同。而多模態機器學習可以處理和關聯來自多種模態信息的模型，捕獲模態之間的對應關系并獲得對數據關系的深入理解。因此，可通過多模態學習挖掘信號、圖像等不同模態數據之間的更深層次關系[75]。并將多模態學習和知識圖譜相結合，表達更多的非結構化數據，構建圖像、文本和信號之間的關系，以在知識圖譜中的實體上添加不同的模態，更好地完善飛行器設計知識圖譜所構建的數據特征提取與知識表達數據庫。

3) 小樣本數據的學習

飛行器日常工作大都處于正常狀態，以至于采集的數據中異常狀態的數據非常有限。此外，飛行器是復雜的多場耦合系統，實際觀測的數據樣本仍然較少，因此如何通過小樣本學習對復雜系統進行描述與推理計算，是提高機器學習算法可用性及穩定性至關重要的前提[76]。目前常用的解決方案有兩種：① 數據增強和正則化，采用數據擴充的方式盡可能增加數據集中訓練樣本的數量，再以正則化方式緩解有限數據引發的過擬合問題；② 元學習，這是現在的主流方案，基于人類學習的機制，利用已有知識來構建認知模型，并外推到新的場景，從而避免目前大部分深度學習方法從零開始學的方式。應用這樣的模式去解決新的問題可以不需要太多樣本，從而解決小樣本學習的問題。針對飛行器某些數據較少的情況，可利用數據增強擴展方法訓練樣本，同時通過設計正則化項來限制模型復雜度以避免過擬合，此外可結合先驗知識構建的元學習模型來進一步提高小樣本下的數據挖掘與學習效率。

4) 歷史經驗數據的遷移學習

在飛行器設計過程中，當從老的型號向新的型號過渡時，有一些共性特征可以借鑒。然而受限于當前機器學習模型的遷移學習能力，共性特征目前仍依靠人的口述、講授等知識傳承方法。隨著深度學習的快速發展，遷移學習應用場景越來越豐富[77-78]，有望在一定程度上解決歷史經驗數據與知識傳承的難題。

常用的遷移方式包括基于特征的遷移、基于共享參數的遷移和基于關系的遷移。這些方法的本質是在尋找源域數據和目標域數據的共同特征、知識映射關系以及模型的共享參數和先驗分布，而其中的關鍵是搭建能夠有效提取多源數據特征的網絡結構，以及選取適用的知識遷移方式。針對飛行器設計過程面臨的多種型號的知識遷移，需要建立可持續學習的模型實現自更新與自演進。此外，需要保證所設計學習模型在目標域數據有效，并且在源域數據上有較好的效果，以此確保遷移學習的泛化性和穩定性。

飛行器設計領域涉及多個復雜的系統，包括整體結構、控制系統、燃油系統、液壓系統和電氣系統等。這些系統的數據表現千差萬別，但又相互影響。因此可基于多種數據源的融合技術構建相應的知識圖譜，如圖3所示，基于多種不同的數據源，如各個領域中的結構化、半結構化和非結構化數據，建立相應的領域本體知識庫，然后將它們映射為全局本體庫，接著使用這些領域知識圖譜通過知識獲取和數據融合構造飛機智能設計知識圖譜。在進行數據分析時，利用元數據學習方式和遷移學習為小樣本學習實現跨域、跨代的數據與知識遷移，通過建立知識模型和推理機制，將已構建的知識模型應用到飛行器系統各個部分的設計、開發與診斷中。對上述關鍵問題的研究，能夠增強飛行器設計過程中知識的表達能力和可拓展性，從而提高模型的可解釋性、可靠性以及穩定性，最終實現飛行器高效率設計與未來飛行器的綜合最優設計。

圖3 飛行器智能設計知識圖譜Fig.3 Knowledge map of aircraft intelligent design

3.3 體系能力涌現機理與自學習演化機制

飛行器體系設計涉及到體系的整體構建和結構優化，以及其能力特征的導向性涌現和自主演進，主要包含體系架構優化設計、個體及群體行為模式科學表征、環境響應和規模效應影響機制、個體/群體交互規律和學習演化機理等關鍵問題的研究。

1) 飛行器通用化體系架構設計與智能行為模式表征

體系架構設計決定了飛行器體系的整體框架和建構基礎。飛行器體系在功能結構上具有開放、異構和分布的顯著特征，開放式和通用化體系架構有利于異構個體的靈活集成、體系能力的導向性涌現和整體效能的最優化。如美國國防預先研究計劃局(DARPA)的拒止環境協同作戰(CODE)、體系綜合技術與試驗(SoSITE)和進攻性蜂群使能戰術(OFFSET)均體現了開放、異構和分布的理念[79]。體系架構理論和DoDAF等體系架構框架可以為飛行器體系的架構設計提供全局性理論和方法支撐。

整體才具有而孤立的部分及其總和不具有的特性，稱為整體涌現性。飛行器平臺個體依據規則組成體系后，可能涌現出復雜整體智能行為。整體智能具有去中心控制、分層動態組網通信、簡單個體行為和自組織性等特點，可以快速響應博弈性對抗環境和戰場事件，縮短己方OODA循環過程，打斷對方循環流程，提高整體行為的戰術價值，獲得博弈對抗的主動性[80]。因此，體系宏觀的行為模式及智能特征涌現可基于智能體的建模方法，應用SysML(Systems Modeling Language)、OPM (Object-Process Methodology)、復雜博弈網絡等建模工具，通過構建合理的個體模型和交互機制來進行表征。

2) 不確定任務環境與節點規模效應對體系協同控制的影響機理

動態開放的體系架構，決定了飛行器體系具有任務和環境適應的內稟特性。系統的整體涌現性具有結構效應和規模效應兩種形式[81]。飛行器體系結構及節點規模，可以隨著任務的變化進行動態配置，根據任務需求演變和優化，但是其需要建立相應的控制機制。因此需要發展以優化為準則的精確協同方法，以達到最佳的控制效果和效益。

飛行器體系在復雜動態環境中遂行任務，需要體系的高效組織與協同，而有效地進行飛行器體系任務分配與任務規劃是基礎。可以將智能優化算法應用于任務規劃問題模型進行求解，并通過任務規劃的仿真實驗進行驗證。而傳統方法難以支撐智能化體系的任務規劃，因此需要采用群體智能控制的方式[82]。飛行器體系以及集群在任務執行方面具有典型的規模優勢，但隨著任務復雜度、環境不確定性和飛行器體系節點規模的增加，協同目標探測、協同目標狀態融合、協同態勢理解與共享等關鍵問題難度劇增，因此，發展可以適應大規模、高異構性和分布式問題的求解算法至關重要。

3) 智能個體/群體間增強學習、遷移學習與演化的動態機制

體系的動態演化特性是通過個體與群體的復雜交互機制實現的。智能個體具有學習能力，并通過個體和群體的互動增強作用，發生遷移學習和深度演化，在個體能力和群體結構不同層級實現動態互激勵式優化演進。

體系智能以個體智能為基礎，并從個體智能涌現出導向性整體智能。無論是個體智能還是整體智能，都需體現自主能力和學習能力兩個方面的特征[83]。具有感知、判斷、規劃、決策、協同等高級別的自主能力將成為飛行器體系的發展趨勢，而個體自主是基礎。飛行器體系中平臺之間存在協同觀察、協同判斷、協同決策和協同行動的交互性關系。個體基于自身知識以及對環境、自身和態勢的理解，通過在不同的過程中進化，增強和其他群體間的學習，進行規則更新，獲得完成多種任務的更高能力。從高層視角可將體系整體視為宏觀智能體，在OODA全流程環節從體系整體的角度進行綜合權衡，可以涌現出整體行為效果最佳的宏觀智能[84]。快速發展的深度學習技術是支持飛行器體系個體和體系整體自主學習和能力演進極具潛力的方法。另外，體系作戰仿真系統日益成熟，可以首先在建模仿真活動中培育和訓練個體和體系智能，待成熟后再將其嵌入飛行器個體及體系[85]。

受自然現象啟發，目前還有大量的研究工作借鑒仿生學思想研究蜂群、蟻群、鳥群、狼群、魚群、菌群等大規模的生物群體的協同機制[86]，構建優選學習器，基于獲取的態勢信息、任務約束，并依據集群個體能力，有機結合模糊邏輯與超限學習算法，實現從狀態到策略的策略集輸出及協同策略優化和動態智能演化[87]，有力支撐飛行器體系的智能優化設計。

4 結 論

在人工智能的促進下，飛行器設計有望實現跨層級、全方位、深融合的革命性突破。本文基于飛行器未來的設計需求以及人工智能技術，對飛行器設計體系的發展進行了預測，提出了飛行器全生命周期多源數據驅動的智能化設計理念。其能極大地縮短研發周期、提升飛行器設計效率和效能，實現整個設計流程的自演進和知識的傳承。

本文總結的關鍵技術和科學問題可為飛行器設計的未來發展提供初步研究方向。其涉及學科領域廣，并且需要將數字孿生、知識庫構建等前沿人工智能技術與傳統飛行器設計的各個領域進行深度交叉融合。但是，由于將智能化技術應用到飛行器設計的理念近些年才剛剛萌生，究竟如何將多域聯合建模、知識表達與推理等人工智能方法真正應用于這個多學科耦合的領域并發揮出理想的作用仍具有巨大的技術挑戰，因此本文從預測的角度對各類技術和科學問題進行了論述。飛行器智能設計仍迫切需要各航空航天工業部門、高校、研究所和學會加大重視力度，發展其新方法和新理論，解決航空航天工程長期面臨的湍流、氣動等“卡脖子問題”，最終實現中國軍用飛行器在國際軍事上的“領跑”。