基于數字孿生的捷聯慣組運行維護技術

陳家駿, 林家昀, 夏 旭, 范 源, 楊夢超

（湖南航天機電設備與特種材料研究所, 長沙 410205）

0 引言

近幾年, 各國武器裝備集成度、 功能性日益復雜, 研制生產周期逐漸縮減, 其設計、 研制、測試、 運行、 排故、 維修、 迭代等全生命周期作業難度及經濟成本大幅增加。 隨著信息智能計算技術及工業技術的快速發展, 數字化管理成為解決上述問題的有力方向, 復雜系統診斷、 預測和系統健康管理技術的不斷發展, 在新興的工業信息系統和工業智能推動下, 數字孿生技術成為智能制造領域和復雜系統智能運行和維護領域的新興研究熱點［1］。

其概念最早始于2003 年密西根大學教授GRIEVES 在其產品全生命周期管理（Product Lifecycle Manangement, PLM）課程上提出的“鏡像空間模型”; 2010 年, 美國國家航空航天局在太空技術路線圖中引入了數字孿生的概念; 2011 年, 美國空軍研究實驗室將數字孿生技術用于飛機結構壽命預測［2］; 2017 年, 數字孿生技術被Gartner 評為十大戰略科技趨勢之一［3-4］; 近年來, 西門子等公司致力于將產品從設計到制造的全過程數字化處理, 建立生產系統數字孿生模型［5］。

捷聯慣組是我國重要裝備產品, 亟需研究一種合適的捷聯慣組數字化生產管理方案, 以降低捷聯慣組的失效風險, 維護成本, 提高其運行可靠性及應用價值。 因此, 本文深入研究數字孿生應用需求及概念特征, 依托國內外發展現狀, 重點剖析數字孿生系統關鍵技術, 在捷聯慣組的生產排產、數據分析、 故障排查、 遠程維護、 返工返修等方面首次引入數字孿生系統, 基于數字孿生技術實現了捷聯慣組數字化的生產、 運行和維護。

1 數字孿生概念及特征

1.1 數字孿生概念

數字孿生是充分利用物理模型、 傳感器更新、運行歷史等數據, 集成多學科、 多物理量、 多尺度、 多概率的仿真過程, 在虛擬空間中完成映射,并驅動孿生裝備與實體裝備同步運行, 全面、 真實收集記錄裝備運行的數據和參數, 完成數字孿生模型更新學習與自我優化, 使其仿真的準確性不斷提升［6-7］。 初期的數字孿生包含三個部分: 物理空間、 虛擬空間以及兩者的數據流連接, 如圖1所示。

圖1 數字孿生的構成Fig.1 Components of a digital twin

依托于相關技術的快速發展, 各大強國均投入到數字孿生在捷聯慣組上的應用中, 大力促進本土制造業轉型升級, 如 “美國工業互聯網”、“德國工業4.0”、 “中國制造2025”。

1.2 數字孿生技術國內外應用現狀

近年來, 國內外學者及企業均在數字孿生技術方面進行了相關的研究和探索。 文獻［8］提出了基于數字孿生的體系結構, 詳細說明了數字孿生在生產設計、 制造以及服務階段的具體實施途徑,總結了數字孿生在智能制造中的內涵; 文獻［9］對數字孿生中的14 類應用與實施難點進行分析, 最終提出了6 條應用準則; 文獻［10］詳細說明了數字孿生在智能制造、 工業4.0 以及航空航天領域的定義, 總結了數字孿生在CPS 工業系統中擔任的角色。 表1 總結了國內外學者在數字孿生領域的一些代表性研究［7,11-21］。

表1 國內外數字孿生研究情況Table 1 Domestic and international research on digital twins

1.3 數字孿生在武器全生命周期中的應用

在武器全生命周期的制造階段, 數字孿生技術可以用于指導優化研制生產工藝, 幫助操作人員改進武器的生產過程。 通過數字孿生技術, 可以建立武器的數字化生產線模型, 模擬并優化各個生產環節, 包括原材料采購、 零部件加工、 裝配等, 以提高生產效率和質量。 數字孿生還可以幫助操作人員實時監控生產過程, 提供實時數據和反饋, 以便及時調整和優化生產計劃。 2011 年,美國空軍實驗室的TUEGEL 等［2］利用超高保真的飛機數字孿生模型, 根據飛行條件將飛機結構變形和溫度變化結合, 在虛擬模型中模擬飛機結構的局部損傷和組織變化, 以保證飛機結構的完整性,并預測飛機結構的壽命。 LUO 等［21］引入了用于切削工具、 信息流和數據管理的數字孿生數據格式和結構, 并應用該數字孿生來改進針對工藝規劃優化的加工解決方案。 當數字孿生應用于生產車間時, 車間內機器和產品的狀態實時反映在虛擬模型中, 從而使產品的制造更加智能化, 并形成基于數字孿生的生產新模式。

在武器制造完成后, 數字孿生技術還可用于后期維護和修復。 通過建立武器的數字孿生模型,可以實時監測武器的運行狀態和性能, 預測潛在的故障和損壞, 并提供相應的維護指導。 數字孿生還可以幫助操作人員進行故障診斷和遠程維護, 減少維修時間和成本, 提高武器的可靠性。 LI 等［22］利用動態貝氏網絡, 開發出基于飛機的數字孿生模型,建立了一種通用的診斷和預測概率方法。

總的來說, 在捷聯慣組等武器裝備制造的全生命周期應用中, 數字孿生技術可以降低設計周期和成本, 提高制造效率和質量, 并提供更好的后期維護和檢修保障, 從而推動武器制造業的智能化發展。

2 需求分析

隨著捷聯慣組功能和性能的不斷發展, 其復雜程度也隨之增加, 從而提升了產品故障、 性能退化以及功能失效的幾率。 數字孿生技術作為一項新興前沿技術, 能夠解決復雜裝備的故障預測和健康管理等問題, 對提升軍隊武器裝備技術發展及國家裝備智能制造能力有著開拓性影響。 基于數字孿生的捷聯慣組運行維護應用需求如下:

（1）狀態監控與風險控制需求

捷聯慣組狀態監測數據量巨大, 數據間的關系復雜, 單純依靠人工進行狀態監控難以及時掌控故障狀態發生早期的細微數據變化, 等到數據明顯異常時, 故障往往已經較為嚴重。 為了提高對運行狀態的監控水平和自動化程度, 盡可能對運行風險進行早期預警, 有必要基于數字孿生對捷聯慣組的生產運行狀態進行監控, 嚴密監控運行狀態的細微變化, 通過運行狀態預測、 故障預測、 壽命預測等進行預警和監測, 并及早進行運行異常的風險預警。

（2）快速干預需求

根據捷聯慣組生產過程中的運行支持和應用需求, 需針對數據反饋對捷聯慣組運行狀態進行快速干預, 通過數字孿生模型和參數等及時制定或變更測試計劃、 工作規劃。

（3）故障診斷與處置對策驗證需求

捷聯慣組出現故障情況下, 故障定位難度大,出現故障后對故障處理的時效性要求很高。 因此有必要充分利用數字化仿真和故障診斷技術的優勢,基于數字孿生模型輔助開展故障原因的快速定位。并且在制定故障對策后利用數字孿生模型對對策的有效性進行虛擬仿真驗證, 確認措施有效后再進行故障處置實施, 確保處置對策正確有效。

（4）運行維護管理和決策支持需求

為了便于迅速直觀地掌握捷聯慣組的整體運行狀態, 以及快速進行狀態的查詢確認, 輔助對運行狀態的監控和工作過程的決策, 有必要針對大量的運行數據結合數字孿生模型進行綜合整理和直觀的可視化顯示, 使裝備使用人員能夠基于直觀曲線、 圖表等感受捷聯慣組運行狀態。

3 捷聯慣組數字孿生關鍵技術

3.1 捷聯慣組的數字化運行

基于捷聯慣組車間的數字孿生架構反映著真實車間的設施、 設備等實體信息, 同時表征著物理實體到虛擬體的映射關系、 規則。 數字孿生系統數據反映車間設備的運行狀態及能耗信息等,通過建立數據庫實時收集設備和環境的狀態數據,為系統的分析、 決策提供依據。 同時, 數字孿生系統還能夠提供與車間底層相關的設施、 設備的能耗、 故障報警服務, 提供與生產作業相關的計劃排產、 質量控制、 能效評估等管控服務。 在此基礎上, 相關的車間管理、 生產人員將生產調度信息進行集中展示, 來提高決策水平。

（1）運行過程中的狀態預測

結合數字孿生體能夠“超實時” 運算的特性,以捷聯慣組的運行狀態為基準, 通過預設未來的運行任務, 可對未來系統的運行狀態進行仿真預測, 以拓展捷聯慣組的運行邊界, 對預測性維護維修、 任務決策等提供支撐。 根據預測的結果對車間生產及故障排查進行預先計劃和安排。

基于捷聯慣組的數字孿生體模型進行狀態預測如圖2 所示, 將基于當前模型求解的參數作為初始條件, 另行開辟計算分支, 注入未來一段時間的運行任務指令程序, 通過快速超實時仿真, 利用仿真結果數據對未來的系統運行狀態進行預示和評估, 同時與在線仿真值、 實物值進行對比分析, 輔助決策者對實物的控制決策。

圖2 運行狀態預測Fig.2 Diagram of operational state prediction

（2）運行過程中的決策支持

面向捷聯慣組維修保障、 預案制定、 策略制定等場景, 開展多策略方案權衡對比分析、 軟件在環測試等, 輔助支持飛行器系統的在線運行方案優化和資源調配策略優化等場景應用服務。

①運行方案優化

在初中英語閱讀教學過程中，與學生進行有效的溝通交流能夠幫助教師更好地實施教育方案，達到事半功倍的效果。所以，教師要樹立為學生發展做貢獻的觀念，不斷完善自己，提高自身的科學和文化素質，不論是在課上還是課下，都應當主動走近學生，經常站在學生的角度理解問題，尊重學生的想法和意見，以真誠的態度詢問并幫助學生解決學習與生活中的困難。當與學生產生矛盾時，教師不應急于呵斥或反對學生，要先反思自身的教育方式是否出了問題，然后耐心疏導學生，與學生一同進步。教師應該具有“隨風潛入夜，潤物細無聲”的教育意識，以自身的文化修養和思想品德影響學生，幫助學生建立正確的英語學習觀和價值觀。

基于復雜裝備數字孿生模型, 模擬運行虛擬運營規劃的策略方案, 預示系統運行的可能結果,并綜合運營效率、 收益等因素對系統進行預判,從而驗證策略方案的可行性, 同時開展多方案權衡對比、 評估與優化, 得到最優策略方案, 對實物進行策略運行控制。 具體流程如圖3 所示。

圖3 運行方案優化Fig.3 Diagram of optimized operating plan

②資源調用策略優化

提高裝備資源利用率需實時監測系統的資源利用情況, 通過資源調配調整和利用率分析, 實現最優調配策略, 優化資源利用率, 主要包括系統資源管理、 資源調配策略制定、 資源調配仿真求解、 資源利用率分析等。 具體流程如圖4 所示。

圖4 資源調用策略優化Fig.4 Diagram of optimized resource allocation strategy

系統資源管理: 以可視化的方式實時監測和顯示系統任務需求、 健康狀態以及運行能力狀態。

資源調配策略制定: 面向裝備任務周期、 運行狀態資源調配提供圖形化調配序列的編輯、 調配優化算法的選擇。

資源調配仿真求解: 根據裝備任務需求、 系統運行狀態、 健康狀態、 任務周期等任務和系統信息, 定義調配序列數據編碼格式, 確定調配序列的設計空間和邊界條件, 選擇合適的優化算法,完成調配序列規劃仿真求解, 并實現迭代過程與結果的可視化。

資源利用率分析: 結合當前系統運行數據及健康狀態, 分析能源系統的綜合運行能力, 根據調配序列預測系統利用率, 并針對不同調配序列進行系統利用率多方案對比分析。

3.2 捷聯慣組的數字化維護

（1）故障庫技術

故障庫技術在捷聯慣組數字化維護中起到了故障預案和診斷的作用, 主要包括故障庫建立和故障診斷技術兩個方面。 當捷聯慣組在生產和測試過程中出現故障時, 能夠為相關設計人員提供排查參考依據。

①故障庫建立

通過建立捷聯慣組故障庫可以實現設備故障現象的集成化、 設備故障分析的標準化和設備故障處理的高效化。 設備故障庫是設備故障的一個集合體, 將設備故障進行集中記錄、 歸類和存檔,方便相關人員查詢, 也為設備故障處理提供重要的參考依據。 建立設備故障庫框架的基本思路如圖5 所示。

圖5 故障庫框架Fig.5 Framework of fault database

每個捷聯慣組故障模塊劃分成加速度計故障模塊、 陀螺儀故障模塊、 電路板故障模塊及其他故障模塊, 對捷聯慣組故障庫進一步細化, 便于日后查詢設備故障的關鍵信息。

規范故障庫記錄流程, 令故障內容達到具體化的要求和標準。 按照設備通常處理過程, 可以按故障現象、 故障分析、 處理過程、 處理結果、處理日期、 特殊備注等多方位填寫每條故障記錄。遇到特殊的故障問題, 可以增加相應的記錄內容,實現不同設備故障的查詢與調用, 使故障庫的日常管理與使用更加方便。 在此基礎上, 對原有故障情況下增加未考慮的故障類型, 通過檢查反饋信息并不斷升級故障庫, 使其與實際完全符合。

②故障診斷技術

基于捷聯慣組數字樣機的單機智能故障診斷技術可對慣性測量組件中的故障進行檢測、 識別和定位。 慣性測量組件的智能故障診斷的目的是保證慣性測量組件的可靠性和安全性, 提高慣性測量組件的精度和穩定性, 降低維修成本和風險。慣性測量組件的智能故障診斷的方法主要分為兩類: 基于模型的方法和基于數據的方法。

基于模型的故障診斷方法是指利用慣性測量組件或慣性/組合導航系統的數學模型或物理模型來構建故障檢測器或故障診斷器, 通過比較實測數據和模型預測數據之間的差異來判斷是否發生故障以及故障類型和位置。 基于模型的方法的優點是能夠建立較為準確的數學模型, 具有較高的理論依據和可解釋性, 但缺點是準確的模型參數難以獲取, 對模型假設和誤差源有較高的要求,且難以處理復雜的非線性和多變量系統。 基于模型的方法利用數字樣機仿真模型來生成或驗證故障數據, 數字樣機模型是一種基于計算機軟件或硬件的數字化模擬模型, 可以根據設定的參數和條件生成導航系統的運動參數, 如加速度、 角速度、 位移等。 仿真模型可以在不影響真實導航系統的情況下進行故障診斷的研究和驗證, 提高故障診斷的效率和效果。

基于數據的故障診斷方法是指利用機器學習或人工智能等技術, 從歷史數據或在線數據中提取特征信息, 建立故障檢測器或故障診斷器, 通過比較該特征信息和正常狀態下的特征信息的差異, 判斷是否發生故障以及確定故障類型和位置。基于數據的方法能夠適應復雜的非線性和多變量系統, 不需要準確的模型參數, 具有較強的自適應能力和泛化能力, 但缺點是需要大量的數據,且對數據質量和標注有較高的要求, 因此可以使用捷聯慣組的數字樣機完成對故障智能診斷模型的訓練, 再用于故障的實際診斷。

目前, 基于已有的某型捷聯慣組選取了七個批次產品作為樣本, 對出現過的故障建立了數字樣機故障庫, 具體故障定位精度如表2 所示。 由表2 可知, 在統計001P ～007P 的故障分析正確率方面, 該數字樣機故障庫在分析不同批次的捷聯慣組故障中, 定位故障正確率高于91.11%, 遠高于人工分析最優的77.77%的正確率, 在分析和定位故障的工作中起到了重要的作用, 有效提升了故障定位精度, 縮短了故障定位時間, 為生產中的故障排查節約了大量的人力和物力。

表2 數字樣機故障庫與人工分析定位故障正確率對比Table 2 Comparison of fault localization accuracy between digital fault database and manual analysis

（2）健康管理技術

健康管理技術對捷聯慣組健康狀態進行實時監測和對比分析, 完成健康、 亞健康、 不健康等狀態的實時判讀與評估, 主要包括退化模型、 數據和機理綜合評估以及健康預測三個方面。 在捷聯慣組的全生命周期內, 通過監測測試數據評估和預測捷聯慣組精度, 對產品進行健康管理。

①退化模型

捷聯慣組的誤差主要可以分為系統性誤差和隨機誤差。 系統性誤差指捷聯慣組誤差中確定的部分, 比如零偏、 比例因子、 非正交等誤差的常值部分; 而隨機誤差則是指捷聯慣組誤差中隨時間變化、 不確定的部分, 如噪聲、 零偏不穩定性等。

由于捷聯慣組的構成通常較為復雜, 利用失效物理、 化學反應規律來建立退化失效模型并不合適。 與之對應, 對光纖陀螺進行退化失效建模有兩種思路, 一種是直接由退化軌跡函數出發,分析性能達到閾值壽命的時間分布規律; 另一種是從測量時刻退化數據分布出發, 估計退化數據分布參數并擬合軌跡, 給出分布參數隨時間的變化規律。

②數據與機理綜合評估

基于機理的模型主要是建立捷聯慣組主觀判斷模型, 如構建性能評估指標、 推理規則、 指標權重等。 數據驅動主要是利用研制、 交付、 貯存、使用中采集的部分關鍵數據來建立模型。

根據所建模型的不同, 現有的性能評估方法主要分為3 種: 基于定量信息的性能評估方法、 基于定性知識的性能評估方法和基于半定量信息的性能評估方法。 根據捷聯慣組的層次結構, 采用一種基于證據推理的多指標的性能評估方法, 計算裝備指標信息的可靠度, 構建了多層評估指標體系對捷聯慣組性能進行評估; 對性能特征參數的退化數據進行建模, 基于性能退化與D-S 證據理論進行性能評估; 基于捷聯慣組機理以及捷聯慣組監測數據, 建立置信規則庫, 對捷聯慣組進行性能評估; 使用Allan 方差方法對陀螺儀的噪聲進行評估。 機理與數據結合的模型, 將機理模型和數據驅動兩種方法融合在一起, 取長補短, 通過整合各個模型的優勢, 提升模型的精度。

③健康預測

結合數字孿生體仿真和實物雙重數據支持,將在役運行捷聯慣組的運行參數與設備壽命數據及設備累積工作時間等信息比對, 開展設備健康預測。 通過結合設備運行環境、 當前運行狀態以及設備失效概率分布如二項分布、 指數分布、 正態分布、 威布爾分布等情況, 對設備的壽命進行預測評估, 提前對壽命末期的部件指定維修更換策略, 具體流程圖如圖6 所示。

圖6 設備健康預測流程圖Fig.6 Flowchart of equipment health condition prediction

目前, 健康預測技術主要有基于失效物理模型的預測方法、 基于統計模型的預測方法、 基于機器學習模型的預測方法、 基于混合模型的預測方法。 基于失效物理模型的預測方法深入研究物理特性與損傷機理, 在某些情況下很難得到準確的結論且不具備良好的通用性, 在某些情況下有良好的預測性能, 但在實際工程應用中有較大的限制; 基于統計模型的預測方法通常能夠以概率密度函數的方式表示產品設備剩余壽命情況, 具有較好的不確定表達能力, 但模型建立與參數估計的準確性易受影響; 基于機器學習模型的預測方法具有很強的非線性逼近能力, 利用系統運行歷史觀測數據訓練模型, 能以較高精度實現短期退化狀態預測, 但在缺少全壽命周期退化數據時無法實現長期預測。 融合預測模型希望結合各類模型優勢, 提升預測模型的適用性以及準確性。

4 結論

本文首先對數字孿生的概念、 國內外應用現狀以及在武器系統中的使用情況進行了介紹, 然后對捷聯慣組的數字孿生技術在全生命周期過程中的四大需求進行了分析, 最后根據分析結果提出了捷聯慣組數字孿生關鍵技術。

關鍵技術包括捷聯慣組的數字化運行和數字化維護。 數字化運行能夠對捷聯慣組在生產過程中的運行狀態進行預測, 并為管理及生產人員提供準確的生產調度信息, 從而提高生產效率, 降低生產成本和風險, 實現高水平決策。 數字化維護首先構建了捷聯慣組故障庫, 然后基于捷聯慣組的模型和數據分別進行故障診斷, 最后得出了捷聯慣組健康管理方法, 提高慣性測量組件的精度和穩定性, 降低維修成本和風險。

未來隨著捷聯慣組數字孿生技術不斷發展壯大, 對于其全生命周期的規范標準也需要進行統一界定并不斷完善, 包括在模型精度、 參數覆蓋率、 復用性指標、 環境適應性等方面的標準。 以此來全面把控目標對象的數字孿生技術完善程度,確保數字孿生數據結果在實物對象上的正確映射,同時也推動捷聯慣組模型的進一步細化。