數字孿生視角下的空天裝備數字化

摘" 要：""""" 本文以數字孿生技術為媒介， 從數據、 模型和過程三個視角來洞悉數字孿生技術驅動下現代空天裝備數字化， 并對整個裝備數字孿生體的系統組成、 特征體系和關鍵技術進行剖析。 然后， 本文通過梳理部分空天裝備中數字孿生技術的應用， 探討了數字孿生技術在空天裝備設計、 制造過程中的作用及優勢， 并分析了數字孿生在未來空天裝備領域的應用前景。 最后， 文章從數據、 模型和過程三個層面歸納總結了當前空天裝備研發數字化轉型建設所面臨的困境，以及當前裝備數字孿生體發展所面臨的主要矛盾， 為尋找可能的突破點與解決途徑提出了新思路。

關鍵詞："""" 數字孿生； 空天裝備； 裝備數字化； 特征體系；" 模型孿生;" 數據孿生; 過程孿生

中圖分類號：""""" TJ760; V11

文獻標識碼：""" A

文章編號："""" 1673-5048（2024）03-0001-13

DOI： 10.12132/ISSN.1673-5048.2024.0001

引用格式： 儲振航， 肖飛， 郭建國， 等 . 數字孿生視角下的空天裝備數字化［ J］. 航空兵器， 2024， 31（ 3）： 1-13.

Chu Zhenhang， Xiao Fei， Guo Jianguo， et al. Digitization of Space Equipment from the Perspective of Digital Twin［ J］ . Aero Weaponry， 2024， 31（ 3）： 1-13.（ in Chinese）

0" 引" 言

隨著信息技術的空前發展， 全球迎來了第四次工業革命。 數據作為新工業革命下的關鍵生產要素， 催生出一批以數字孿生（Digital Twin， DT）、 人工智能、 數據科學和物聯網為代表的新一代信息技術， 形成一股驅動產業變革的新力量。 其中， 數字孿生作為連接物理世界和數字空間的信息交互技術， 以其獨特的數字化方式將真實世界中的物理實體映射到虛擬空間， 并借助計算機仿真， 通過虛實交互反饋、 數據融合分析、 決策迭代優化等手段， 模擬和預測物理實體在現實環境中的行為方式， 實現對復雜物理對象的精細化監測和控制， 因此被工業4.0研究院稱之為“通用目的技術”（ General-Purpose Technologies， GPT）［1］， 數字孿生引發了各國科學家廣泛關注， 并連續4年被高德納公司（Gartner）列為世界十大戰略科技發展趨勢之一［2］。

本文從數據、 模型和過程三個視角探討數字孿生技術驅動下現代空天裝備數字化， 介紹了空天裝備數字孿生體的發展歷程和特征體系， 通過梳理數字孿生驅動下裝備的快速設計與性能預測、 故障診斷與健康管理、 智能制造與數字化裝配以及任務規劃與協同配合多研究領域的國內外研究現狀， 總結當前空天裝備研發數字化轉型建設所面臨的困境， 展望了未來數字孿生在空天裝備中的發展和應用。

1" 空天裝備數字孿生的概念與內涵

1.1" 數字孿生的產生及其在空天裝備中的應用發展

孿生的概念起源于美國“阿波羅任務”時代， 目的是建造一個與實際飛船等比例大小的地面飛船來模擬和反映實際飛行中飛船的狀態， 并為飛船的維護提供參考， 因此也稱為物理伴飛［3］。 而數字孿生的概念最早是由密歇根大學的邁克爾·格里夫斯（Michael Grieves）教授與美國國家航空航天局（National Aeronautics and Space Administration， NASA）的約翰·維克斯（John Vickers）共同提出的， 最初名為“信息鏡像模型”（Information Mirroring Model）。 2003年， 格里夫斯教授在其產品生命周期管理（PLM）中首次引入數字孿生這一概念［4］。

2010年， NASA在提出的“建模、 仿真、 信息技術和過程”路線圖中， 明確了數字孿生的發展愿景， 提出將數字孿生技術應用于航天裝備維護， 以期實現對飛行器飛行系統的健康狀況進行故障監測及診斷。 美國空軍研究實驗室結構科學中心也通過將超高保真的飛機虛擬模型與影響飛行的結構偏差和溫度計算模型相結合， 開展了基于數字孿生的飛機結構壽命預測［1］。" 與此同時，" 洛克

希德·馬丁公司、 諾斯羅普·格魯曼公司、 空客公司等

收稿日期： 2024-01-02

基金項目： 國家自然科學基金項目（62003270）

作者簡介： 儲振航（2000-），" 男，" 陜西商洛人，" 碩士研究生。

*通信作者： 肖飛（1983-）， 女， 湖南益陽人， 博士， 副教授， 碩士生導師。

也積極推進數字孿生技術的實際應用， 涉及武器裝備系統的設計研發、 生產制造、 運行維護等多個應用方向［5-6］。

以美國空軍的F-35戰斗機為例， 2016年諾斯羅普·格魯曼公司利用數字孿生技術改進了F-35機身生產中劣質品的處理流程， 實現零部件數據的自動采集， 并精準映射到數字孿生模型， 進行實時、 快速、 精確分析， 使F-35戰斗機進氣道加工缺陷決策處理時間縮短了33%。 2017年洛克希德·馬丁公司又在F-35沃斯堡工廠部署了基于數字孿生技術的“智能空間平臺”， 將實際生產數據映射到數字孿生模型中， 并與制造執行和規劃系統相連， 進行提前規劃和調配制造資源， 從而全面優化生產過程， 使F-35A

戰斗機的制造成本從9 460萬美元降低到8 500萬美元以下， 降幅超過10%。 達索航空公司也基于數字孿生理念建立了虛擬開發與仿真平臺， 用于“陣風”系列戰斗機和“隼”系列公務機的設計過程改進， 最終實現設計成本降低25％， 且首次質量改進提升15％以上［1， 3， 5］。 航空兵器" 2024年第31卷第3期

儲振航， 等： 數字孿生視角下的空天裝備數字化

1.2" 空天裝備數字孿生體的系統組成

數字孿生驅動下的現代空天裝備數字化， 其核心就是緊密圍繞如何基于數字孿生技術實現裝備設計、 制造與維護全流程數字化， 即如何構建可鏡像空天裝備全生命周期的數字孿生體， 以提高現有空天裝備的智能化、 數字化水平。 因數字孿生是以數據為基礎， 模型為核心， 過程為紐帶， 就從數據、 模型和過程三個角度歸納提出空天裝備數字孿生體的系統組成， 即空天裝備的數字孿生體按組成分為數據孿生、 模型孿生和過程孿生， 具體示意如圖1所示［7］。 上述問題也就隨之轉變為如何完成空天裝備設計、 制造和運維過程的數據孿生、 模型孿生和過程孿生。

數據孿生主要完成對孿生數據的產生、 儲存與管理， 并實現相關數據采集處理及分析， 對應如圖1（a）； 模型孿生主要基于多學科仿真平臺完成孿生模型的構建與多層級孿生模型的管理， 包含裝備實體的幾何模型、 物理模型和數據統計模型等， 對應如圖1（b）； 過程孿生則是通過構建裝備全壽命周期的過程管理平臺， 完成裝備全壽命的任務監督和過程管理， 包含運行過程模擬、 故障診斷與預測、 優化與決策支持等， 對應如圖1（c）。 這三部分相互交互、 協調整合為一個完整的空天裝備數字孿生體， 完整覆蓋空天裝備的設計、 運維和決策管理。 通過構建裝備的數字孿生體， 實現對其性能仿真和實體裝備的全生命周期管理（包含數據管理、 模型管理和過程管理）， 并通過數據反饋、 模型調用， 推動裝備實體產品和虛擬模型的不斷迭代更新和優化［8-9］。

1.3" 空天裝備數字孿生體的特征體系

針對空天裝備數字孿生體的特征， 本節從數字孿生的模型、 過程和數據三個大類來進行特征梳理和解釋， 構建起以模型特征、 過程特征和數據特征為核心的特征體系。

1.3.1" 模型特征

模型類特征包含裝備實體的功能模型（Functional Model）、 物理模型（Physical Model）、 行為模型（Behavio-ral Model）、 系統的控制模型（Control Model）以及模型測試與驗證（Model Test and Verification）。

功能模型作為模型孿生的基礎， 描述了實體系統的各個功能特性及其之間的關系。 通過建立實體物理系統的功能模型， 實現了對實體系統的精確映射； 物理模型詳細描述裝備實體的結構、 材料、 力學行為等的實體物理特征， 更好地模擬實體系統的運行情況， 理解實體系統的物理特性； 根據裝備實體建立起實體系統的行為模型， 可模擬實體裝備系統在不同條件下的行為及運行情況， 能夠準確模擬和分析實體系統的行為， 更好地了解實體系統的動態特性， 實現實體裝備的性能預測、 故障診斷和維修需求判定等； 實體裝備系統的控制模型， 可實現對實體系統的遠程監控和控制。 控制模型可以通過調整實體系統的控制參數， 優化系統的性能， 也可以通過遠程監控對控制實體系統進行實時調整， 從而提高了整個系統的靈活性和可控性。 當完成所有模型的構建與調試后， 就需要對這些模型進行測試與驗證。 空天裝備的數字孿生體需要測試和驗證建立的模型與實體系統的一致性和準確性， 確保數字孿生體可以準確地模擬實體系統的運行情況［10］。

1.3.2" 過程特征

過程類特征包括裝備系統的狀態監測與診斷（State Monitoring and Diagnosis）、 故障檢測與預測（Fault Detection and Prediction）以及優化與決策支持（Optimization and Decision Support）。

狀態監測與診斷能夠實時監測實體系統的運行狀態， 并通過分析傳感器測量所得的數據來診斷系統的故障和異常， 及時發現和解決實體裝備中的問題， 從而提高系統的可靠性和可用性； 故障檢測與預測是通過分析實體系統的運行情況來檢測系統的故障， 并預測故障可能的發生位置、 頻率、 損壞程度等， 實現裝備的故障預防和維修規劃， 減少系統故障給裝備生產和使用過程帶來的損失； 優化與決策支持則通過分析裝備實體及系統運行過程中的的數據和模擬結果， 提供優化和決策支持， 幫助制定最佳的運行策略和決策方案， 提高整個裝備系統的效率和性能［10］。

1.3.3" 數據特征

數據類特征包括數據采集與傳輸（Data Acquisition and Transfer）、 大數據處理（Big Data Processing）、 數據集成與共享（Data Integration and Sharing）、 數據安全與隱私（Data Security and Privacy）以及可視化與交互（Visualization and Interaction）。

數據采集與傳輸是通過采集實體裝備和模擬系統中的各種傳感器數據和測試數據， 并將這些數據傳輸到裝備孿生平臺進行處理和分析的過程。 這些數據作為裝備數據孿生的核心， 為后續的分析和應用提供數據支持。 大數據處理是裝備數字孿生中的重要環節， 通過對采集到的大量傳感器數據和性能測試數據進行處理和分析， 可以發現系統的隱藏規律。 通過數據處理操作（包含數據清洗、 融合、 挖掘分析等）， 得到一批標準化實體和孿生數據， 以方便后續提取有價值的信息。 數據集成與共享能夠幫助進行全面的數據分析和決策， 提高工作效率和協同性。 通過整合來自不同數據源的數據， 并與其他相關的系統共享數據， 實現信息的交流和共享。 數據安全與隱私指在整個裝備孿生過程中需要保護傳感器數據的安全性和隱私性， 防止數據被未經授權的訪問和使用。 可視化與交互指通過將數據轉化為圖形化的界面， 可以幫助用戶更加直觀地理解和分析數據， 實現新方式的信息交互［10］。

在模型特征方面， 空天裝備的數字孿生體通過不同的模型（包含功能模型、 物理模型、 行為模型和控制模型等）描述裝備實體的特征和關系， 并通過模型的測試與驗證來確保模型的一致性與準確性； 在過程特征方面， 空天裝備的數字孿生體通過對裝備全壽命周期內的狀態檢測， 實現裝備故障的實時預測， 并為空天裝備的維修提供優化和決策建議； 在數據特征方面， 空天裝備的數字孿生體通過對數據的標準化采集、 傳輸、 處理、 集成、 共享、 安全保護及可視化交互， 實現了裝備研制、 運維過程的標準化和數字化。

2" 空天裝備數字孿生關鍵技術

數字孿生技術與傳統空天裝備結合， 推動了裝備設計、 仿真、 試驗評估、 故障診斷和使用維護技術的數字化發展。 數字孿生技術在有效提高空天裝備可靠性和可用性的同時， 更好地支持空天裝備的維護和管理工作， 從而大幅提升裝備的智能化和信息化水平， 實現了由傳統衛星、 火箭、 導彈向數字衛星［11］、 數字火箭、 數字導彈的跨越式發展［12］。 圖2從數據、 模型和過程三個角度梳理論證空天裝備數字孿生關鍵技術。

2.1" 過程孿生技術

所謂過程孿生， 就是指數字孿生技術在裝備設計、 制造和運維過程等特定應用領域中的擴展， 專注于構建特定流程或操作的精確數字模型， 能夠實時模擬物理過程， 提供關鍵性能數據和操作反饋， 從而在決策制定、 效率提升以及安全性增強方面發揮作用。 其主要包括過程全流程規劃管理、 自適應閉環控制等。 在空天裝備等領域中， 主要應用于裝備總體設計、 細節設計、 制造及航天器在軌設計等方面［13］。 過程孿生通過模擬真實世界的操作流程， 在不干擾實際設備的前提下， 實時監測裝備工作狀態、 預測潛在故障， 提供新操作方案的測試和流程優化機會， 優化運行策略。

2.1.1" 全流程規劃管理

流程規劃是一種系統的策略性方法， 目的是優化工作流程以達成特定目標， 主要涉及對任務的識別、 分析以及確定任務執行的最佳順序， 因此選擇合適的工具和技術并有效地規劃資源分配， 就成為全流程規劃管理的核心。 這在裝備設計、 制造和運維過程中體現得更加明顯， 即如何在把控操作效率的同時進行成本（制造成本、 時間成本等）的節約和對裝備質量的控制， 因此， 整個流程規劃過程要求對裝備全生命周期的相關流程進行深入的分析， 要考慮流程設計、 實施和監控的多個方面， 做好流程規劃是確保項目設計的成功和可持續改進的基石。 全流程規劃可應用于航空航天工業零件的制造， 通過構造的信息模型并結合制造過程中涉及的相關信息和數據的屬性和關系， 利用產生的規劃規范偏差等信息提前進行有針對性的改進， 以保證加工過程的質量和成本的雙重優化［14］。

2.1.2" 自適應閉環控制

自適應閉環控制是一種先進的控制策略， 它基于控制理論和現代信號處理技術， 能夠根據外部環境變化和系統內部動態自動調整其控制參數。 這種系統利用反饋機制， 實時監測控制對象的輸出， 進而基于設定目標與實際輸出之間的偏差動態調整控制策略。 在裝備的全生命過程中該方法也同樣適用。 針對裝備設計、 制造和維護過程中的參數可隨時間演變及系統復雜且無法完全預知的問題， 自適應閉環控制系統能夠實現自我學習和調整， 以適應整個流程隨時間不斷變化的環境條件， 從而確保整個過程的高效和穩定運行， 同時整個閉環控制還可以優化系統性能和響應能力。 在實現這些功能的過程中， 其通常結合了多種算法和模型， 如自適應算法、 預測模型和優化策略等。 在空天裝備領域中， 其常用于航天器電液伺服系統［15］及小推力航天器自適應閉環機動規劃［16］等控制系統中。

2.2" 模型孿生技術

模型孿生技術被定義為實體裝備產品的所有部件、 特征和細節的完全高保真虛擬再現， 使設計師能夠通過運行基于這些數字模型的仿真來測試整個系統的行為， 并預測真實裝備的響應。 每個系統/部件的數字模型都需要無縫連接， 這種一體化意味著從兩個不同方向定義模型之間的聯系： “水平”模型， 它包含了在整個體系結構中使用相同仿真方法模型的集成， 這是由子系統模型之間的交互產生的； “垂直”模型， 包括在不同工具中開發的模型之間的通信， 這通常與實現更高層次的產品模型細節的需要相一致［17］。 模型之間通過數字孿生數據進行交互， 而模型的演化及不同領域模型間的關系則通過過程孿生得到體現。

2.2.1" 幾何與行為建模

數字孿生模型通常包括對實體的幾何形狀和行為特性建模。 幾何建模關注如何精確地描述實體的形狀、 結構和尺寸， 而行為建模涉及對裝備實體的運動、 力學特性、 傳熱傳質等行為進行建模。

（1） 幾何模型

幾何模型孿生主要源于物理和虛擬樣機。 虛擬樣機的產品樹準確展現物理樣機的部件和結構關系。 設計人員可以在虛擬樣機上進行設計調整， 然后通過數字孿生系統的接口將這些更改傳遞到物理樣機， 以指導其加工和制造過程［17］。

（2） 行為模型

行為模型是指模擬和表示一個物理對象或系統行為的數字模型。 這種模型能夠精確捕捉并反映其對應的實體在各種條件和環境下的行為和響應。 行為模型通常包括對物理系統的運動學、 動力學、 控制邏輯和其他相關特性的詳細描述。 通過這樣的模型， 可以在虛擬環境中準確預測和分析實體的性能， 從而對系統進行優化和改進， 或者用于培訓和決策支持。

2.2.2" 數據和知識模型

數字孿生模型需要使用大量的數據進行建模和分析。 數據模型用于整合、 管理和處理各種傳感器數據、 監測數據和操作數據， 以提供實時監測和預測能力。 知識模型則整合了領域知識、 規則和經驗， 以補充數據模型的不足之處。

（1） 工藝數據模型

工藝數據模型孿生主要關注工藝數據與裝備性能數據之間的關聯， 涉及工藝誤差、 約束和成本等模型。 制造過程的反饋將這些工藝數據投射到數字孿生體中。 隨后， 這些信息用于更新學科仿真中的工藝模型。 更新后的模型用于模擬裝備性能和行為， 進而引導裝備設計和工藝方案的優化［17］。

（2） 知識模型

知識模型代表了對數據的一種高級理解和抽象化。 它不僅關注數據本身， 而且關注數據背后的含義、 模式和關系。 通過對數據進行分析和解釋， 知識模型能夠將原始數據轉化為有用的知識， 從而為決策提供支持。 其中包含對數據的深入理解， 如數據之間的關系、 數據背后的原理以及如何應用這些數據來解決實際問題， 由此延伸出有形應用模型， 如基于知識工程的裝備總體設計先進技術［18］。

2.2.3" 機理和算法模型

數字孿生模型中的機理和算法模型用于描述和模擬裝備的運行原理和行為機制。 通常是基于物理原理、 數學方程、 統計模型等， 解釋和預測系統的動態性能和行為。 這些模型可用于分析故障、 優化設計、 改進運營等。 算法模型可分為設計算法和優化算法兩類， 具體可涉及大數據， AI-ML， IoT， CPS， 邊緣計算， 云計算， 通信技術等［19］。 算法模型主要用于在虛擬空間建立對航空航天裝備的方案選擇、 設計及優化。

（1） 設計算法

計算流體動力學（CFD）算法是用于模擬和分析流體（氣體和液體）行為。 它通過數值分析和數據結構來解決和分析涉及流體流動的問題， 如空氣動力學和水動力學。 CFD算法通過解決Navier-Stokes方程（描述流體運動的方程）來模擬流體流動、 傳熱、 質量傳輸等現象。

有限元分析FEA算法用于預測物體如何對外部力、 振動、 熱和其他物理效應做出反映。 FEA通過將復雜的結構劃分為較小的、 更易于管理的單位， 稱為“有限元”， 然后對這些單位進行數學運算來模擬整個系統的行為。

（2） 優化算法

在進行數字孿生模型的優化過程中， 可以使用遺傳算法、 粒子群優化算法［20］、 拓撲優化、 人工神經網絡算法、 基于動態規劃的方法、 基于模型預測控制的方法和其他增強版本［21］、 Apriori 算法［22］等一種或多種優化算法， 以達到提升模型精度、 提高仿真效率的目的。

例如， 在解決航空航天應用中復雜熱流體設備設計的拓撲優化問題時， 面臨的主要挑戰是極其復雜的流體動力學、 傳熱與形狀之間非線性耦合關系和拓撲優化算法分析產生的幾何形狀， 為此， Mekki等［23］提出了一種結合計算流體動力學（CFD）的新型基于拓撲優化的遺傳算法（GA）， 用于優化熱交換器中的翅片形狀， 實現了相同機械強度的前提下， 最大限度地減少材料使用。

2.3" 數據孿生技術

所謂的數據孿生旨在對現代空天裝備設計過程中所涉及的各類結構、 材料、 人員組織、 行為、 性能、 工藝等信息在虛擬空間中進行完全映射， 是空天裝備數字孿生體在數據層面實現的虛實一致。 實現數據孿生是構建裝備數字孿生體的基礎， 也是裝備數字化設計的基礎。

2.3.1" 多源數據感知

多源數據通常是指來自不同傳感器、 設備、 系統或數據源的數據， 這些數據來源可能具有不同的數據類型、 數據結構和數據特征。 多源數據感知是數據孿生技術的重要組成部分， 它涉及從不同的數據源中收集和感知各種類型的數據， 為孿生模型提供全面的輸入。 多源數據感知的目的是準確、 高效地獲取來自不同來源和傳感器的數據， 整合不同數據源的信息， 從而提高分析和決策的準確性， 以獲得對實體系統行為的全面理解， 通常是在裝備實體上利用多類型的傳感器網絡進行數據采集。

傳感器網絡作為一種常用的多源數據感知技術， 可利用分布式的傳感器節點通過無線通信方式收集實時數據， 也可以將傳感器網絡部署在裝備實體系統的不同位置， 以收集各種環境參數、 狀態信息和性能指標等數據。 通過合理布置傳感器節點， 可以實現對整個實體的全面監測和數據感知。

在后續的信息處理和分析中， 將綜合利用來自多個不同源頭的數據， 以獲取更全面、 準確和可靠的信息。

如選擇合適的數據處理和分析方法， 關聯和融合不同數據源信息， 并針對這些數據進行質量評估和可信度分析。

2.3.2" 異構數據表征

異構數據表征是指將不同類型、 結構和來源的數據進行一致和有效的表示和描述的過程。 異構數據通常包括結構化數據、 半結構化數據和非結構化數據， 如文本、 圖像、 視頻、 傳感器數據等。 在空天裝備領域， 通常包含多學科數據、 不同維度數據、 圖像數據及文本數據等， 異構數據表征的目的是將異構數據轉換為統一的數據形式， 以方便后續數據分析、 挖掘和機器學習等任務的進行。

常見的異構數據表征方法包括以下幾種： ①針對不同類型的數據， 可以采用特定的特征提取和轉換方法， 將其轉化為統一的特征表示。 在空天裝備領域， 可以應用信號處理、 圖像處理、 自然語言處理等技術， 提取對應的時頻特征、 視覺特征、 文本特征等。 ②圖模型與知識圖譜。 圖模型是一種有效的方式， 用于表示與建模異構數據之間的關系。 通過構建圖結構， 可以將傳感器、 設備、 裝備以及它們之間的關聯關系表示為圖中的節點和邊。 知識圖譜則是一種用于表示和存儲該領域知識的圖結構， 可以與異構數據進行關聯， 提供更豐富的語義信息。 ③異構數據往往來自不同的源頭， 包括傳感器、 設備、 系統等。 數據關聯是指將來自不同源頭的數據進行連接和關聯， 以獲取更全面和準確的信息。 數據融合是將異構數據整合成一致的數據表示， 通過數據關聯、 沖突解決等技術來提供一致性和完整性的數據。

2.3.3" 復雜數據處理

針對大批量、 高維度、 多復雜度的數據處理， 通常會集中于數據清洗、 數據融合等方面， 從而為后期的數據挖掘及分析提供一批標準化數據集。

（1） 數據清洗

作為數據預處理過程中的重要環節， 數據清洗通常用于檢測和糾正數據中的異常值和噪聲， 以提高數據質量。 數據清洗操作通常包括去除重復數據、 缺失數據填充和異常值處理。

去除重復數據可以避免重復數據偏重過大導致的計算偏差和對分析結果的影響， 也可以減少數據冗余從而提高數據質量。 常見的方法包含： ①基于基準屬性。 根據一個或多個基準屬性（如發動機的尺寸、 藥柱厚度等）來檢測和刪除重復數據。 ②基于相似度匹配。 使用相似度度量方法來進行數據匹配和去重， 如編輯距離、 余弦相似度或Jaccard相似度。 ③基于規則或模式匹配。 利用事先定義的規則或模式來匹配和剔除部分重復數據［24］。

缺失數據填充可以保持數據完整性， 避免信息丟失從而減少數據偏差， 提高數據分析和建模的準確性和可靠性。 缺失數據處理通常有單一插補法（Single Imputa-tion）、 回歸方法（Regression-Based Imputation）、 EM算法（Expectation-Maximization Algorithm）、 多重插補法（Multiple Imputation）及基于機器學習的填補方法等。 單一插補法通常指根據已有數據的統計特征來估計缺失值， 通過使用一個單一的值來替代缺失值， 常見的插補方法包括均值插補、 中位數插補和最近鄰插補等； 回歸方法是指利用已有數據的特征與目標變量之間的線性或非線性關系， 通過建立回歸模型來預測缺失值； EM算法是通過暫時對缺失值進行估計， 然后使用這些估計值來更新模型參數， 并不斷迭代直到收斂， 同時估計缺失值的分布； 多重插補法可通過多次生成缺失值的估計， 利用每次生成的估計結果的方差來獲得更準確的缺失值估計。 常用方法如MICE（Multiple Imputation by Chained Equations）、 KNN（K-Nearest Neighbors）等； 基于機器學習的填補方法， 通常是利用已有數據的特征和樣本之間的關系， 通過訓練模型來預測和填補缺失值， 常見的方法包括決策樹、 支持向量機、 隨機森林等［25］。

異常值處理可以防止異常值對統計分析和機器學習模型的誤導， 保證數據可靠性和準確性， 從而提高模型性能。 常見的數據的異常值剔除方法有： ①基于閾值方法。 使用統計指標（如均值加減標準差）或基于百分位數（如箱線圖）來識別和刪除超過特定閾值的數據點。 ②基于聚類或離群點檢測算法。 利用聚類算法或離群點檢測算法（如LOF或Isolation Forest）來識別和處理異常值。 ③基于機器學習模型。 通過訓練機器學習模型， 如異常檢測模型或異常分數模型， 來識別和處理異常值［26］。

（2） 數據融合

數據融合作為數據孿生過程中的關鍵過程， 涉及將來自多個采樣源的數據整合和信息集成［27］， 提供更全面和準確的數據來方便后續的結果分析。

數據融合方法大致可分為： ①傳統數據融合方法， 包含加權平均法（將多個數據源的觀測值按照一定權重進行加權平均）、 最大值法和最小值法（將多個數據源的觀測值分別選取最大值或最小值作為融合結果）、 平均值法（將多個數據源的觀測值求平均作為融合結果）、 中值法（將多個數據源的觀測值排序后選擇中間值作為融合結果）以及加權求和法（將多個數據源的觀測值按照一定權重進行加權求和）。 ②基于模型驅動的數據融合方法。 a. 基于統計模型。 利用統計模型， 如貝葉斯網絡、 隱馬爾可夫模型等， 對不同數據源的概率分布進行建模和融合。 b. 基于機器學習算法。 使用機器學習算法， 如決策樹、 支持向量機、 神經網絡等， 對多個數據源的觀測值進行學習和融合。 c.基于深度學習模型。 利用深度學習模型， 如深度神經網絡、 卷積神經網絡， 對多個數據源的特征進行學習和融合。 ③分布式數據融合方法。 a.基于合作感知的方法。 通過合作感知和信息共享， 分布式節點之間協同融合各自的數據， 如分布式傳感器網絡中的數據融合。 b.基于分布式優化的方法。 將數據融合問題轉化為分布式優化問題， 在各個節點進行局部優化后， 通過通信和協作， 融合得到全局最優解。 c.基于聯邦學習的方法。 利用聯邦學習的思想， 將模型的訓練過程分布在不同節點上進行， 通過參數傳遞和更新， 實現數據融合與模型訓練［28］。 ④不確定性建模的數據融合方法。 a.基于概率論的方法。 使用概率論框架， 如貝葉斯推理、 概率圖模型等， 對不同數據源的不確定性進行建模和融合。 b.基于模糊邏輯的方法。 利用模糊邏輯理論， 考慮模糊和不確定性的信息， 在多個數據源的觀測值之間進行模糊規則的推理和融合［29-30］。

3" 機遇與挑戰

數字孿生技術的引入， 從數據、 模型和過程三個視角重構了航空航天裝備全壽命周期的各個階段， 加速了航空航天裝備設計進程， 顛覆了裝備傳統運維模式， 提升了裝備加工制造的智能化水平。

本節將聯系之前提出的模型、 數據及過程三要素， 多角度分析數字孿生驅動下的空天裝備在設計、 制造、 運維及特定裝備在任務執行中所面臨的挑戰以及未來的研究應用。 未來具體的研究方向如圖3所示。

3.1" “數據+模型”驅動下的快速設計與性能預測

不同于傳統經驗法設計， 基于數字孿生的空天裝備設計指的是利用處理后的標準化數據和相關的物理學原

理、" 模擬實驗來構建能夠準確描述飛行器的結構、" 特性和性能參數的裝備孿生模型， 通過建立的孿生模型反饋數據， 實現對裝備關鍵性能的實時仿真和參數優化， 因此， 其本質上就是“數據+模型”驅動下的空天裝備快速設計與性能預測。

這種基于數據和模型驅動下的新型裝備設計方法在加快空天裝備設計過程的同時， 也提高了裝備性能預測的準確性。 整個設計過程不僅可評估裝備某些關鍵參數對其最終性能的影響， 也可以對不同的設計方案和參數組合進行仿真和預測， 通過孿生模型快速預測不同設計方案和參數組合的性能結果， 并進行實時對比和評估， 快速迭代和優化設計方案， 以提高裝備設計的效率和準確性。 同時， 通過將實時傳感器數據與數字孿生模型整合， 可實時監測飛行器的裝備性能并預測其下一步的狀態參數， 從而方便準確地評估裝備的性能和健康狀況， 再將建立的裝備數字孿生模型通過與實際裝備的實時數據交互， 將模型數據與實際裝備數據進行實時對比和校準， 就可以提供更加準確的裝備狀態評估和性能預測結果。 孿生模型也能夠模擬裝備在不同工況下的運行狀態， 預測裝備的性能指標， 尋找最優性能指標下的裝備設計方案， 從而幫助工程師在設計和制造過程中迅速評估裝備性能， 指導優化設計和改進制造過程［31-32］。

現有的研究主要集中于以下方面。 在火箭的數字化設計方面， 文獻［33］提出了基于數字孿生的火箭結構設計制造與驗證技術， 增加了面向過程的虛擬映射、 模型驅動和數字管理等關鍵要素， 優化了傳統的火箭經驗設計方式， 大大提高了火箭的設計與制造的效率； 在分系統設計領域， 為解決發動機設計與仿真分離等難題， 文獻［9］提出了數字孿生驅動的固體發動機總體設計概念體系； 在衛星領域中， 文獻［34］提出了一種基于數字孿生的衛星裝備智能設計方法， 解決了衛星裝備設計數據庫標準化程度低、 數據可繼承性差、 覆蓋率低等問題， 提高了衛星裝備設計效率， 縮短了研制周期， 降低了研制成本； 在無人機設計領域， 針對大型軍用無人機的設計、 制造的現實問題， 文獻［35］提出了基于云計算的軍用大型無人機設計、 制造的數字孿生框架， 同時針對無人機需求日益增加但設計效率低的問題， 文獻［36］提出了用于無人機推進設計的數字孿生系統， 配備了彈道規劃和可視化分析組件， 以幫助有效地評估無人機推進設計， 方便用戶探索不同的推進配置如何影響軌跡的問題， 文獻［37］針對四軸飛行器性能預測問題， 提出構建四軸飛行器的數字孿生體框架來預測其性能參數， 如最大航程和續航時間等。

綜上， 數字孿生驅動下的空天裝備快速設計與性能預測利用數字孿生技術、 快速設計方法和性能預測算法， 實現空天裝備設計和性能預測的高效和準確， 核心在于“數據+模型”的雙驅動。 未來的研究方向包括進一步結合機器學習和數據挖掘技術以增強性能預測的準確性和精確度， 提高裝備模型的精準度和智能化以及實現裝備設計過程的孿生。

3.2" “數據+模型”驅動下的故障診斷與健康管理

數字孿生在現代空天裝備的故障診斷與健康管理方面起著重要作用， 通過數字孿生技術， 可以將實時數據和裝備的數字模型整合起來， 實現對裝備狀態的實時監測和評估， 因此其核心依然在于“數據+模型”的雙驅動。 裝備的孿生模型不僅可以準確描述裝備的結構、 特性和性能參數， 還可以根據實時數據進行更新， 以反映裝備的當前狀態， 為后續的故障預測與診斷提供更加穩定的信息來源。 同時， 通過對孿生模型與實際裝備的實時數據對比， 可檢測到裝備出現的異常信號和行為， 從而幫助研究人員進一步確認裝備的故障異常和維修狀況。 孿生模型也可以根據歷史數據和故障經驗， 識別并預測潛在的故障模式， 還可以根據模型提供的預測， 提前采取相應的預防措施或及時進行維護和修復， 從而避免裝備故障和停機。 建立準確的裝備數字模型， 不僅可以對裝備運行過程進行實時性能監測和評估， 還能夠在裝備后期的貯存過程中實時檢測裝備的性能下降或健康狀況的變化情況， 實現裝備的全生命期周期健康管理， 也可以對不同的貯存環境進行仿真和模擬， 評估其對裝備后期性能的影響， 同時反饋于裝備最開始的設計階段。 基于“數據+模型”的優化設計也可以幫助提高裝備的性能和效率， 減少故障和維修的風險。 模型和裝備的實時數據交互和模型迭代， 對裝備狀態進行監測、 分析和預測， 從而實現故障診斷和健康管理， 提高裝備的可靠性、 安全性［38］。

文獻［39］基于數字孿生技術建立了火箭起飛安全系統方案， 通過數字化仿真， 實現了火箭起飛過程仿真、 干涉檢查和安全性分析， 為火箭安全起飛提供保障。 針對火箭發射過程中的故障預測與健康管理， 文獻［40］通過建立運載火箭測試與發射階段的數字孿生模型， 依托模型實現了對運載火箭健康管理功能的設計和優化， 支持火箭測試過程的數據分析、 飛行過程協同診斷、 故障處理決策支持等功能。 針對同型號火箭控制系統測發數據少、 故障樣本不足的問題， 文獻［41］提出了數字孿生驅動下的火箭控制系統健康管理框架， 通過模擬仿真解決了火箭控制系統故障診斷問題， 實現了數據驅動下的智能診斷和故障挖掘。 在火箭的性能監測和維護方面，" 文獻［42］基于有限元方法進行了孿生體模型搭建研究， 提出了運輸環境下的火箭性能故障診斷方法， 為產品狀態監控、 健康管理等有效決策奠定了基礎。 針對壓電振動傳感器的剩余壽命預測， 文獻［43］通過建立感知特性退化模型， 結合實時監測數據， 模擬和預測傳感器的靈敏度退化情況， 從而預測傳感器的剩余壽命， 提前進行維護和更換， 以保證裝備的正常運行。 針對裝備的全過程狀態監測， 文獻［44］基于多類軟件構建了一種新型的多旋翼無人機數字孿生仿真平臺， 實現了對多旋翼無人機的全生命周期進行仿真和跟蹤。 針對無人機狀態監測問題， 文獻［45］從無人機的物理實體、 數字孿生體與數據信息等方面出發， 構建了一種實時數據驅動的無人機數字孿生模型， 實現了對無人機狀態的實時監測。 為了滿足無人機在實際飛行過程中的虛實交互、 實時響應和精確控制等要求， 文獻［46］基于數字孿生技術搭建了四旋翼無人機飛行數字孿生系統平臺， 對其飛行過程進行仿真研究。 綜上， “數據+模型”驅動下的空天裝備故障診斷與健康管理利用數字孿生技術多途徑算法， 實現對裝備故障的實時診斷和健康狀態的監測與管理。 未來的研究方向包括進一步提高故障診斷與健康管理算法的準確性和可靠性、 優化數字孿生模型的建立和更新方法， 以及整個故障維修過程的全狀態監測及數據管理。

3.3" “模型+過程”驅動下的智能制造與數字化裝配

數字孿生驅動下的空天裝備智能制造與數字化裝配是利用數字孿生技術， 將現代空天裝備制造與裝配過程中的數據、 模型和算法相結合， 實現空天裝備制造和裝配的智能化和數字化。 整個過程的模型涉及裝配制造模型的構造及全過程孿生模型的構造， 智能制造與數字化裝配的核心在于制造裝配模型構建以及實現整個裝配過程的孿生， 因此屬于“模型+過程”的雙驅動。 首先， 數字孿生技術可以在空天裝備制造中實現智能化生產。 通過與裝備數字模型實時交互， 監測制造過程中的各項參數和指標， 包括機械加工、 裝備組裝等的實時狀態。 孿生模型可以與實際裝備進行對比和校準， 幫助操作人員及時調整生產過程， 提高生產效率和質量。 其次， 針對裝備的裝配過程， 通過建立裝備的數字孿生模型， 可以進行裝配過程的仿真和優化， 預測裝配過程中可能出現的問題， 并提供相應的解決方案。 數字孿生模型可以實時與實際裝配過程進行對比， 監測裝配質量， 并提供修正建議， 以確保裝備的正確組裝和優化裝配。 最后是空天裝備的智能化生命周期管理， 通過建立裝備的數字孿生模型， 可以實現裝備的全生命周期管理， 包括設計、 制造、 使用和維護等各個階段。 數字孿生模型可以幫助實現裝備的故障診斷、 預測維護和智能化支持， 提升裝備的可靠性和可維護性［30， 47］。

現代空天裝備智能制造與數字化裝配涵蓋了眾多研究領域， 包括機械加工、 可持續制造、 質量管理、 安全關鍵系統集成等。 文獻［22， 30］針對空天裝備的機械加工問題， 提出利用數字孿生技術構建模型模擬加工過程， 從而優化工藝參數， 提高加工效率和質量。 文獻［48］提出基于仿生學的空天零部件數字孿生建模方法， 該方法可預測加工過程中帶來的變形和損傷， 描述零部組件的結構和性能特性， 進而進行質量控制和優化。 針對空天裝備領域內的可持續智能制造， 文獻［49-50］提出基于數字孿生對裝備的整個生命周期進行模擬， 包括設計、 制造、 使用和回收過程， 從而助力資源的高效利用和環境的可持續發展。 文獻［22］針對裝備裝配過程中的質量問題， 提出利用數字孿生模型實時監測裝配過程中的質量情況， 并結合灰色-馬爾可夫模型和Apriori算法等進行裝配質量預測和優化。 文獻［51］提出將數字孿生應用于飛機裝配的機電一體化系統中， 以確保裝配過程的安全高效。 針對智能制造領域人工巡視效率低、 精確度低、 危險系數較高等問題， 文獻［52］提出一種基于數字孿生的無人機巡航系統， 增加了部件設備維護的透明度， 并且讓“全生命周期管理”變成可能。

綜上， “模型+過程”驅動下的空天裝備智能制造與數字化裝配將數字孿生技術應用于空天裝備的制造和裝配過程中， 通過提供模擬、 預測和優化的能力， 推動航天裝備制造和裝配的創新發展， 實現裝備生產的智能化和數字化。 未來的研究方向包括進一步改進模型算法， 提高裝備制造和裝配過程的準確性、 實時性和裝配數據的采集、 傳輸及處理。

3.4" “模型＋過程”驅動下的任務規劃及協同配合

相比于火箭、 導彈等其他空天裝備， 無人機的數字孿生除了聚焦于傳統的設計， 制造及運維以外， 還包括數字孿生驅動下的任務規劃及協同配合， 涉及無人機群的協作配合、 戰場任務執行、 編隊飛行模擬、 監管及通信［53］等。 對于軍用無人機來講， 為實現對目標的及時偵察、 精確定位和完美打擊， 除了自身的結構模型孿生外， 還應當包含當前環境模型孿生以及整個任務過程的孿生模型構建， 因此整個過程就變成了“模型＋過程”驅動下的任務規劃及協同配合。

群集運動是多無人機系統基本而關鍵的操作， 因為無人機之間往往需要進行深度協作以做出最優決策。 文獻［54］針對無人機之間的任務分配問題， 基于數字孿生技術構建了無人機的空間結構， 提出一種基于密度聚類的算法， 最小化資源和成本， 解決了大型無人機之間的有效任務分配問題。 文獻［55］為解決傳統的植絨運動方法應用時的場景局限性， 提出一種基于數字孿生的深度強化學習訓練框架以實現多無人機系統的群集運動。 針對無人機群智能協同的復雜性和一致性問題， 文獻［56］提出一種新的基于數字孿生的無人機群智能協作框架， 可實現對無人機群全生命周期進行監控， 也可實現快速決策， 探索全局最優解并控制無人機群的行為。

在戰場任務執行方面， 文獻［57］針對無人機任務規劃中的路徑擇優問題， 提出利用數字孿生技術來實現不同任務不同環境下的最優路徑快速選擇， 以減少路徑選擇時任務站、 機器人或無人機位置以及環境拓撲等約束的影響。 針對無人機任務的動態特性和完成率較差等問題， 文獻［58］提出了一種數字孿生輔助任務分配方法， 以提高多無人機系統中深度強化學習（DRL）的資源密集利用率和效率。 針對無人機的高效多目標跟蹤問題， 文獻［59］提出一個分層的數字孿生輔助跟蹤框架， 利用多粒度模擬來實現實時準確高效的多目標跟蹤。 針對無人機在作戰仿真過程中模型精度較低、 虛實交互運行較難的情況， 文獻［60］基于虛擬孿生技術提出作戰仿真系統設計方案， 文獻［61］構建了面向無人機偵察打擊作戰行動的數字孿生平行戰場， 用于無人機實際作戰仿真及智能化決策輔助。

針對無人機的自主開發和監管問題， 文獻［62］提出將數字孿生與其他新興技術（5G、 云平臺和VR等）結合起來， 構建起無人機數字孿生體的基本框架。 針對無人機飛行模擬， 文獻［63］提出構建無人機的編隊模擬和混合飛行平臺， 文獻［64］提出構建無人機飛行模擬環境和數字孿生支持平臺。

針對無人機通信問題， 為探索基于空間數字孿生的無人機系統空域結構和安全性能， 文獻［65］提出引入數字孿生技術， 將卷積神經網絡算法與無人機自主網絡相結合， 并采用無線通信技術構建無人機數字孿生系統。 文獻［66］構建了一個基于深度學習的無人機數字孿生通信信道模型來探討無人機在無線通信中的應用效果和局限性。 針對無人機采集的照片信息不全、 信息遮擋問題， 文獻［67］提出利用數字孿生技術來實現增強現實和遮擋處理， 包括對第一人稱和鳥瞰視圖的遮擋處理。

3.5" 當前挑戰

3.5.1" 模型層面

無論是裝備設計、 制造、 裝配還是裝備運維， 首要解決的問題就是如何構建可表征空天裝備的物理、 結構特性和性能參數的裝備孿生模型。 其次應考慮的是如何對這些模型進行優化升級， 使其可以協助用戶完成更多功能的開發。 模型作為裝備數字孿生體的核心引擎， 如何構建可以自我學習及優化的孿生模型將成為后續研究的重點。 現有模型的構造方法通常基于物理學原理、 實驗數據和計算模擬， 對裝備的行為和性能的描述也大多出自理想條件下， 而空天裝備受環境、 載荷及自身飛行速度、 結構和材料等多種因素影響， 其狀態仿真和性能預示需要解決力、 熱、 電多物理場強耦合性問題， 如何利用現有技術優化模型構造方法， 讓模型學會“自學習”， 提高模型的精度和可信度， 從而準確模擬原系統的真實狀態， 實現裝備設計與性能預示的革新。 同時， 如何協調不同類型模型之間的合作， 包含功能模型、 物理模型及控制模型等， 以支持裝備設計的跨領域協同， 讓不同部門和團隊之間共享實時數據和模型， 以進行更好的協同設計和決策。 未來的解決方向包括建立完善的建模方法體系、 統一的模型管理標準以及更加精細的建模平臺， 實現統一平臺下的模型統一管理、 統一調度， 實現模型之間的數據互通及相互學習協作［68］。

3.5.2" 數據層面

孿生過程中的數據是裝備數字孿生體的基礎。 當前裝備生產過程中因為設備類型復雜、 通信標準多樣、 數據來源眾多且呈現多源異構的特點， 導致數據采集、 管理困難且不易共享的問題， 因此， 如何提升數據采集的準確度與時效性， 以及如何對數據進行高效處理和合理利用就顯得尤為重要。 如何避免采集的數據存在信息孤島、 異構數據融合難的問題， 如何在利用多傳感器進行數據采集時， 合理選擇傳感器的精度、 靈敏度和分布位置， 以及如何建立更高效的數據傳輸網絡以滿足數據的低延遲要求， 并解決數據傳輸的時效性差的問題， 也是亟待研究應用的技術。 之后， 如何借助大數據分析技術實現高效率的數據處理及分析， 完成從規模巨大、 種類繁多、 生成迅速、 不斷變化的數據集中挖掘價值， 也需要下更多的功夫［69］。 未來的解決方向包含設計更加精細的傳感器， 建立更加標準的數據傳輸協議及通道， 應用新型技術實現數據分析挖掘， 構建完整的數據流程， 保證整個過程的數據完整性。

其次， 數字孿生技術的發展推動了空天裝備的智能化和數字化發展， 而裝備的數據隱私和數據安全問題成為制約其應用發展的重要因素。 對于空天裝備的數字孿生體而言， 隱私數據和裝備性能參數的保護至關重要。 未來需要采取嚴格的加密技術、 權限控制和監控機制來確保數據安全， 同時嚴格遵守相關法規， 提高數據隱私和安全保護水平， 以推動數字孿生技術的可持續發展［70］。

3.5.3" 過程層面

過程是聯系數字孿生系統各組件的紐帶， 如何利用數字孿生實現過程管理就顯得尤為重要。 實現裝備的過程管理實際上就是解決其設計和制造的過程孿生和解決裝配過程的質量監測問題［71］， 針對裝備全壽命周期過程管理， 就是考慮如何實現全壽命的層次化建模、 柔性化管理和自動化映射問題［72］。 以裝備裝配為例， 當前航天裝備的研制依然處于“邊設計、 邊生產、 邊裝配”的傳統模式， 特別在裝配過程中， 不僅會由于眾多不確定因素影響而導致無法準確有效地預測和評估裝備的真實進度和裝備的實際性能， 而且在裝配過程中要進行大量且復雜的性能試驗， 這會極大影響裝配效率， 同時又因為手工裝配的大量存在， 導致裝備的完成質量難以保證。 因此， 如何基于數字孿生實現空天裝備的裝配質量建模和應用， 完成對航天裝備的裝配質量進行在線監測， 就顯得不可或缺［73］。 未來的解決方向包括利用統一的建模平臺和統一的建模語言構建過程模型， 將裝備的全壽命周期劃分為不同的階段和子系統， 建立相應的層次化信息模型， 同時設計具有適應性和彈性的裝備管理流程， 以應對不同裝備的需求和變化， 并引入信息化技術， 實現裝備管理的數字化、 網絡化， 提高管理過程的靈活性和實時性， 最后還要開發智能化的決策支持系統， 實現對裝備全壽命周期過程管理的自動化監控、 分析和優化。

4" 結" 束" 語

作為一種能夠將實體裝備系統與其數字副本結合的技術， 數字孿生為現代空天裝備的數字化提供了無限的可能。 數字孿生視角下的空天裝備數字化， 一方面體現在其能夠通過模擬、 監測和優化裝備的設計、 制造及運維過程， 縮短現有裝備的研制周期， 加快空天裝備的創新過程， 從而顯著提高單個裝備乃至整個裝備體系的數字化程度； 另一方面體現在對于某些特殊空天裝備來講， 數字孿生還可以通過實時監測并模擬裝備的運行過程， 幫助裝備進行實時自主決策， 使其具有更強的自適應性和自主性， 提高任務執行的精準性和安全性， 從而促進裝備技術的二次革新。 但囿于目前孿生技術的不成熟和裝備研發技術的限制， 尚存在一些值得持續研究和不斷深化的地方， 如裝備的數據采集、 孿生模型的構建和全生命周期的過程仿真等。 相信隨著孿生技術的不斷發展， 這些難點、 痛點也將得到很好的解決， 數字孿生必將會為未來空天裝備的智能化創新和信息化發展提供更廣闊的空間， 從而推動空天裝備技術邁向新的高度。

參考文獻：

［1］ 陶飛， 劉蔚然， 劉檢華， 等.數字孿生及其應用探索［J］.計算機集成制造系統， 2018， 24（1）： 1-18.

Tao Fei， Liu Weiran， Liu Jianhua， et al. Digital Twin and Its Potential Application Exploration［J］. Computer Integrated Manufacturing Systems， 2018， 24（1）： 1-18.（in Chinese）

［2］ 陶飛， 馬昕， 胡天亮， 等. 數字孿生標準體系［J］. 計算機集成制造系統， 2019， 25（10）： 2405-2418.

Tao Fei， Ma Xin， Hu Tianliang， et al. Research on Digital Twin Standard System［J］. Computer Integrated Manufacturing Systems， 2019， 25（10）： 2405-2418.（in Chinese）

［3］ 孟松鶴， 葉雨玫， 楊強， 等.數字孿生及其在航空航天中的應用［J］.航空學報， 2020， 41（9）： 023615.

Meng Songhe， Ye Yumei， Yang Qiang， et al. Digital Twin and Its Aerospace Applications［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（9）： 023615.（in Chinese）

［4］" Liu M N， Fang S L， Dong H Y， et al. Review of Digital Twin about Concepts， Technologies， and Industrial Applications［J］. Journal of Manufacturing Systems， 2021， 58： 346-361.

［5］" Li L N， Aslam S， Wileman A， et al. Digital Twin in Aerospace Industry： A Gentle Introduction［J］. IEEE Access， 2022， 10： 9543-9562.

［6］" Xiong M L， Wang H W. Digital Twin Applications in Aviation Industry： A Review［J］. The International Journal of Advanced Manu-facturing Technology， 2022， 121（9）： 5677-5692.

［7］" 肖飛， 張為華， 王東輝， 等. 數字孿生驅動的固體發動機總體設計體系架構與應用［J］. 計算機集成制造系統， 2019， 25（6）： 1405-1418.

Xiao Fei， Zhang Weihua， Wang Donghui， et al. System Architecture and Applications for Overall Design of Solid Rocket Motor Based on Digital Twin［J］. Computer Integrated Manufacturing Systems， 2019， 25（6）： 1405-1418.（in Chinese）

［8］" 王建軍， 向永清， 何正文. 基于數字孿生的航天器系統工程模型與實現［J］. 計算機集成制造系統， 2019， 25（6）： 1348-1360.

Wang Jianjun， Xiang Yongqing， He Zhengwen. Models and Implementation of Digital Twin Based Spacecraft System Engineering［J］. Computer Integrated Manufacturing Systems， 2019， 25（6）： 1348-1360.（in Chinese）

［9］" 陶飛， 張辰源， 張賀， 等. 未來裝備探索： 數字孿生裝備［J］. 計算機集成制造系統， 2022， 28（1）： 1-16.

Tao Fei， Zhang Chenyuan， Zhang He， et al. Future Equipment Exploration： Digital Twin Equipment［J］. Computer Integrated Manufacturing Systems， 2022， 28（1）： 1-16.（in Chinese）

［10］" Jones D， Snider C， Nassehi A， et al. Characterising the Digital Twin： A Systematic Literature Review［J］. CIRP Journal of Manufacturing Science and Technology， 2020， 29： 36-52.

［11］" 劉蔚然， 陶飛， 程江峰， 等. 數字孿生衛星： 概念、 關鍵技術及應用［J］. 計算機集成制造系統， 2020， 26（3）： 565-588.

Liu Weiran， Tao Fei， Cheng Jiangfeng， et al. Digital Twin Satellite： Concept， Key Technologies and Applications［J］. Computer Integrated Manufacturing Systems， 2020， 26（3）： 565-588.（in Chinese）

［12］" 張文杰， 王國新， 閻艷， 等. 基于數字孿生和多智能體的航天器智能試驗［J］. 計算機集成制造系統， 2021， 27（1）： 16-33.

Zhang Wenjie， Wang Guoxin， Yan Yan， et al. Intelligent Test of Spacecraft Based on Digital Twin and Multi-Agent Systems［J］. Computer Integrated Manufacturing Systems， 2021， 27（1）： 16-33.（in Chinese）

［13］ Yin Z H， Wang L. Application and Development Prospect of Digi-tal Twin Technology in Aerospace［C］∥ IFAC-Papers on Line， 2020.

［14］ Hnel A， Schnellhardt T， Wenkler E， et al. The Development of a Digital Twin for Machining Processes for the Application in Aerospace Industry［C］∥ 53rd CIRP Conference on Manufacturing Systems， 2020.

［15］ Bessa W M， Dutra M， Kreuzer E. Adaptive Fuzzy Control of Electrohydraulic Servosystems［EB/OL］. （2022-05-31）［2024-01-01］.http：∥arxiv.org/abs/2205. 15639.

［16］ LaFarge N B， Howell K C， Folta D C. Adaptive Closed-Loop Maneuver Planning for Low-Thrust Spacecraft Using Reinforcement Learning［J］. Acta Astronautica， 2023， 211： 142-154.

［17］ Brusa E， Dagna A， Delprete C， et al. An Orchestration Method for Integrated Multi-Disciplinary Simulation in Digital Twin Applications［J］. Aerospace， 2023， 10（7）： 601.

［18］" Zhao H M， Sun Z W， Zhang H Z. Application of Knowledge Engineering in Spacecraft Overall Design［J］. Journal of Physics， 2020， 1510（1）： 012015.

［19］" Rathore M M， Shah S A， Shukla D， et al. The Role of AI， Machine Learning， and Big Data in Digital Twinning： A Systematic Literature Review， Challenges， and Opportunities［J］. IEEE Access， 2021， 9： 32030-32052.

［20］" Jamshidi V， Nekoukar V， Refan M H. Analysis of Parallel Gene-tic Algorithm and Parallel Particle Swarm Optimization Algorithm UAV Path Planning on Controller Area Network［J］. Journal of Control， Automation and Electrical Systems， 2020， 31（1）： 129-140.

［21］" Chai R Q， Tsourdos A， Savvaris A， et al. Review of Advanced Guidance and Control Algorithms for Space/Aerospace Vehicles［J］. Progress in Aerospace Sciences， 2021， 122： 100696.

［22］" Zhuang C B， Liu Z W， Liu J H， et al. Digital Twin-Based Quality Management Method for the Assembly Process of Aerospace Pro-ducts with the Grey-Markov Model and Apriori Algorithm［J］. Chinese Journal of Mechanical Engineering， 2022， 35（1）： 105.

［23］" Mekki B S， Langer J， Lynch S. Genetic Algorithm Based Topology Optimization of Heat Exchanger Fins Used in Aerospace Applications［J］. International Journal of Heat and Mass Transfer， 2021， 170： 121002.

［24］" Chu X， Ilyas I F， Krishnan S， et al. Data Cleaning： Overview and Emerging Challenges［C］∥International Conference on Management of Data， 2016： 2201-2206.

［25］" Zhang Z H. Missing Data Imputation： Focusing on Single Imputation［J］. Annals of Translational Medicine， 2016， 4（1）： 9.

［26］" Aneetha A S. The Combined Approach for Anomaly Detection Using Neural Networks and Clustering Techniques［J］. Computer Science amp; Engineering， 2012， 2（4）： 37-46.

［27］" Bleiholder J， Naumann F. Data Fusion［J］. ACM Computing Surveys， 2009， 41（1）： 1-41.

［28］" Castanedo F. A Review of Data Fusion Techniques［J］. The Scientific World Journal， 2013， 2013： 704504.

［29］" Meng T， Jing X Y， Yan Z， et al. A Survey on Machine Learning for Data Fusion［J］. Information Fusion， 2020， 57（C）： 115-129.

［30］" Liu S M， Bao J S， Zheng P. A Review of Digital Twin-Driven Machining： From Digitization to Intellectualization［J］. Journal of Manufacturing Systems， 2023， 67： 361-378.

［31］" Li L N， Aslam S， Wileman A， et al. Digital Twin in Aerospace Industry： A Gentle Introduction［J］. IEEE Access， 2022， 10： 9543-9562.

［32］" Tang W B， Xu G S， Zhang S J， et al. Digital Twin-Driven Mating Performance Analysis for Precision Spool Valve［J］. Machines， 2021， 9（8）： 157.

［33］" 吳浩， 楊帆， 王斌， 等. 基于數字孿生的火箭結構設計制造與驗證技術研究［J］. 宇航總體技術， 2021， 5（2）： 7-13.

Wu Hao， Yang Fan， Wang Bin， et al. Study of Digital Twin Based Launch Vehicle Structural Design Manufacture and Validation Technology［J］. Astronautical Systems Engineering Technology， 2021， 5（2）： 7-13.（in Chinese）

［34］" 戴璐， 邵一夫， 郭宇元， 等. 基于數字孿生的衛星裝備智能設計系統［J］. 兵工學報， 2022， 43（S2）： 139-145.

Dai Lu， Shao Yifu， Guo Yuyuan， et al. Intelligent Design System of Satellite Equipment Based on Digital Twin［J］. Acta Armamentarii， 2022， 43（S2）： 139-145.（in Chinese）

［35］" Wang Y C， Zhang N， Li H S， et al. Research on Digital Twin Framework of Military Large-Scale UAV Based on Cloud Computing［J］. Journal of Physics， 2021， 1738（1）： 012052.

［36］" Wang Z X， Chen P， Qin Y J， et al. Digital Twin System for Propulsion Design of UAVs［C］∥18th ACM SIGGRAPH International Conference on Virtual-Reality Continuum and its Applications in Industry， 2022： 1-9.

［37］" Jeon H Y， Justin C， Mavris D N. Improving Prediction Capability of Quadcopter through Digital Twin［C］∥AIAA Scitech 2019 Forum， 2019.

［38］" Errandonea I， Beltrán S， Arrizabalaga S. Digital Twin for Maintenance： A Literature Review［J］. Computers in Industry， 2020， 123： 103316.

［39］" 金杰， 夏超， 肖士利， 等. 基于數字孿生的火箭起飛安全系統設計［J］. 計算機集成制造系統， 2019， 25（6）： 1337-1347.

Jin Jie， Xia Chao， Xiao Shili， et al. Rocket Launch Safety System Design Scheme Based on Digital Twins［J］. Computer Integrated Manufacturing Systems， 2019， 25（6）： 1337-1347.（in Chinese）

［40］" 張素明， 岳夢云. 基于數字孿生的火箭測試與發射過程健康管理技術研究［J］. 計算機測量與控制， 2021， 29（5）： 8-14.

Zhang Suming， Yue Mengyun. A Rocket Health Management System for Vehicle Testing and Launching Base on Digital Twin［J］. Computer Measurement amp; Control， 2021， 29（5）： 8-14.（in Chinese）

［41］" 韓文婷， 程龍， 韓文婧， 等. 數字孿生驅動的火箭控制系統健康管理框架［J］. 航天控制， 2022， 40（6）： 62-73.

Han Wenting， Cheng Long， Han Wenjing， et al. Research on Prognostics Health Management Framework of Rocket Control System Driven by Digital Twin［J］. Aerospace Control， 2022， 40（6）： 62-73.（in Chinese）

［42］" 周瀟雅， 肖進， 張茜， 等. 基于數字孿生的導彈結構動力學響應快速預測技術研究［J］. 導彈與航天運載技術， 2022（5）： 110-114.

Zhou Xiaoya， Xiao Jin， Zhang Qian， et al. Research on Fast Prediction of Missile Dynamic Response Based on Digital Twin［J］. Missiles and Space Vehicles， 2022（5）： 110-114.（in Chinese）

［43］" Fu C C， Gao C， Zhang W F. A Digital-Twin Framework for Predicting the Remaining Useful Life of Piezoelectric Vibration Sensors with Sensitivity Degradation Modeling［J］. Sensors， 2023， 23（19）： 8173.

［44］" Yang Y L， Meng W， Zhu S Q. A Digital Twin Simulation Platform for Multi-Rotor UAV［C］∥7th International Conference on Information， Cybernetics， and Computational Social Systems （ICCSS）， 2020.

［45］" 張生琨， 任素萍， 楊星雨， 等. 基于數字孿生的無人機狀態監測方法［J］. 航空計算技術， 2023， 53（2）： 75-79.

Zhang Shengkun， Ren Suping， Yang Xingyu， et al. Unmanned Aerial Vehicle Condition Monitoring Method Based on Digital Twin［J］. Aeronautical Computing Technique， 2023， 53（2）： 75-79.（in Chinese）

［46］" 紀廣， 郝建國， 張中杰， 等. 四旋翼無人機飛行過程孿生仿真研究［J］. 計算機工程與應用， 2022， 58（12）： 66-73.

Ji Guang， Hao Jianguo， Zhang Zhongjie， et al. Twin Simulation of Flight Process of Quadrotor UAV［J］. Computer Engineering and Applications， 2022， 58（12）： 66-73.（in Chinese）

［47］" Liu S M， Bao J S， Lu Y Q， et al. Digital Twin Modeling Method Based on Biomimicry for Machining Aerospace Components［J］. Journal of Manufacturing Systems， 2021， 58： 180-195.

［48］" He B， Bai K J. Digital Twin-Based Sustainable Intelligent Manufacturing： A Review［J］. Advances in Manufacturing， 2021， 9（1）： 1-21.

［49］" Li Y F， Li M， Yan Z， et al. Application of Life Cycle of Aeroengine Mainshaft Bearing Based on Digital Twin［J］. Processes， 2023， 11（6）： 1768.

［50］" Zhao W K， Li R Y， Liu X L， et al. Construction Method of Digi-tal Twin System for Thin-Walled Workpiece Machining Error Control Based on Analysis of Machine Tool Dynamic Characteristics［J］. Machines， 2023， 11（6）： 600.

［51］" Mhenni F， Vitolo F， Rega A， et al. Heterogeneous Models Integ-ration for Safety Critical Mechatronic Systems and Related Digital Twin Definition： Application to a Collaborative Workplace for Aircraft Assembly［J］. Applied Sciences， 2022， 12（6）： 2787.

［52］" 方榮輝， 楊淑群， 蘭寧. 基于數字孿生的無人機巡航系統［J］. 制造業自動化， 2022， 44（11）： 98-101.

Fang Ronghui， Yang Shuqun， Lan Ning. UAV Cruise System Based on Digital Twin［J］. Manufacturing Automation， 2022， 44（11）： 98-101.（in Chinese）

［53］" 朱秋明， 倪浩然， 華博宇， 等. 無人機毫米波信道測量與建模研究綜述［J］. 移動通信， 2022， 46（12）： 2-11.

Zhu Qiuming， Ni Haoran， Hua Boyu， et al. A Survey of UAV Millimeter-Wave Channel Measurement and Modeling［J］. Mobile Communications， 2022， 46（12）： 2-11.（in Chinese）

［54］" Yi B， Lü J H， Chen J H， et al. Digital Twin Constructed Spatial Structure for Flexible and Efficient Task Allocation of Drones in Mobile Networks［J］. IEEE Journal on Selected Areas in Communications， 2023， 41（11）： 3430-3443.

［55］" Shen G Q， Lei L， Li Z L， et al. Deep Reinforcement Learning for Flocking Motion of Multi-UAV Systems： Learn from a Digital Twin［J］. IEEE Internet of Things Journal， 2022， 9（13）： 11141-11153.

［56］" Lei L， Shen G Q， Zhang L J， et al. Toward Intelligent Cooperation of UAV Swarms： When Machine Learning Meets Digital Twin［J］. IEEE Network： The Magazine of Global Internetworking， 2021， 35（1）： 386-392.

［57］" Denk M， Bickel S， Steck P， et al. Generating Digital Twins for Path-Planning of Autonomous Robots and Drones Using Constrained Homotopic Shrinking for 2D and 3D Environment Modeling［J］. Applied Sciences， 2022， 13（1）： 105.

［58］" Tang X， Li X H， Yu R， et al. Digital-Twin-Assisted Task Assignment in Multi-UAV Systems： A Deep Reinforcement Learning Approach［J］. IEEE Internet of Things Journal， 2023， 10（17）： 15362-15375.

［59］" Zhou L Y， Leng S P， Wang Q， et al. Tiered Digital Twin-Assisted Cooperative Multiple Targets Tracking［J］. IEEE Transactions on Wireless Communications， 2024： 1.

［60］" 紀廣， 郝建國， 張振偉. 面向無人機作戰的虛擬孿生系統設計方案［J］. 兵工學報， 2022， 43（8）： 1902-1912.

Ji Guang， Hao Jianguo， Zhang Zhenwei. Design Scheme of Virtual Twin System for UAV Combat［J］. Acta Armamentarii， 2022， 43（8）： 1902-1912.（in Chinese）

［61］" 李燦， 侯興明， 祁啟明， 等. 基于數字孿生的無人機平行作戰仿真［J］. 火力與指揮控制， 2023， 48（8）： 23-31.

Li Can， Hou Xingming， Qi Qiming， et al. Parallel Battle Simulation of Unmanned Aerial Vehicle Based on Digital Twin［J］. Fire Control amp; Command Control， 2023， 48（8）： 23-31.（in Chinese）

［62］" Meng W， Yang Y L， Zang J Y， et al. DTUAV： A Novel Cloud-Based Digital Twin System for Unmanned Aerial Vehicles［J］. Simulation， 2023， 99（1）： 69-87.

［63］" Souanef T， Al-Rubaye S， Tsourdos A， et al. Digital Twin Deve-lopment for the Airspace of the Future［J］. Drones， 2023， 7（7）： 484.

［64］" Grigoropoulos N， Lalis S. Simulation and Digital Twin Support for Managed Drone Applications［C］∥IEEE/ACM 24th International Symposium on Distributed Simulation and Real Time Applications， 2020.

［65］" Wang W X， Li X M， Xie L F， et al. Unmanned Aircraft System Airspace Structure and Safety Measures Based on Spatial Digital Twins［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（3）： 2809-2818.

［66］" Lü Z H， Chen D L， Feng H L， et al. Beyond 5G for Digital Twins of UAVs［J］. Computer Networks， 2021， 197： 108366.

［67］" Kikuchi N， Fukuda T， Yabuki N. Future Landscape Visualization Using a City Digital Twin： Integration of Augmented Reality and Drones with Implementation of 3D Model-Based Occlusion Handling［J］. Journal of Computational Design and Engineering， 2022， 9（2）： 837-856.

［68］" 陶飛， 張賀， 戚慶林， 等. 數字孿生模型構建理論及應用［J］. 計算機集成制造系統， 2021， 27（1）： 1-15.

Tao Fei， Zhang He， Qi Qinglin， et al. Theory of Digital Twin Modeling and Its Application［J］. Computer Integrated Manufacturing Systems， 2021， 27（1）： 1-15.（in Chinese）

［69］" 劉大同， 郭凱， 王本寬， 等. 數字孿生技術綜述與展望［J］. 儀器儀表學報， 2018， 39（11）： 1-10.

Liu Datong， Guo Kai， Wang Benkuan， et al. Summary and Perspective Survey on Digital Twin Technology［J］. Chinese Journal of Scientific Instrument， 2018， 39（11）： 1-10.（in Chinese）

［70］" Wang Y T， Su Z， Guo S L， et al. A Survey on Digital Twins： Architecture， Enabling Technologies， Security and Privacy， and Future Prospects［J］. IEEE Internet of Things Journal， 2023， 10（17）： 14965-14987.

［71］" 楊帆， 馬萍， 李偉， 等. 數字孿生體可信度評估過程及指標研究［J］. 系統仿真學報， 2023， 35（2）： 350-358.

Yang Fan， Ma Ping， Li Wei， et al. Research on Digital Twin"" Credibility Assessment Process and Index［J］. Journal of System Simulation， 2023， 35（2）： 350-358.（in Chinese）

［72］" 苗田， 張旭， 熊輝， 等. 數字孿生技術在產品生命周期中的應用與展望［J］. 計算機集成制造系統， 2019， 25（6）： 1546-1558.

Miao Tian， Zhang Xu， Xiong Hui， et al. Applications and Expectation of Digital Twin in Product Lifecycle［J］. Computer Integr-ated Manufacturing Systems， 2019， 25（6）： 1546-1558.（in Chinese）

［73］" 張佳朋， 劉檢華， 龔康， 等. 基于數字孿生的航天器裝配質量監控與預測技術［J］. 計算機集成制造系統， 2021， 27（2）： 605-616.

Zhang Jiapeng， Liu Jianhua， Gong Kang， et al. Spacecraft Assembly Quality Control and Prediction Technology Based on Digital Twin［J］. Computer Integrated Manufacturing Systems， 2021， 27（2）： 605-616.（in Chinese）

Digitization of Space Equipment from" the Perspective of Digital Twin

Chu Zhenhang1， 2， Xiao Fei1*， Guo Jianguo1， Zhou Min1， Wang Xuze1

（1.Institute of Precision Guidance and Control， Northwestern Polytechnical University， Xi’an 710102， China；

2.Ningbo Institute of Northwestern Polytechnical University， Ningbo 315103， China）

Abstract： Using digital twin technology as the medium， this paper understands modern space equipment digitalization driven by the digital twin technology thoroughly from the three perspectives of data， model and process. Based on the above three perspectives， it analyzes the system composition， feature system and key technologies of the entire equipment digital twin. Then， by combing the application of digital twin technology in some space equipment， the paper discusses the role and advantages of digital twin technology in the design and manufacture" of space equipment， and analyzes the application prospect of digital twin in the field of space equipment in the future. Finally， from the above three perspectives of data， model and process， this paper summarizes the current difficulties faced by the digi-tal transformation construction of space equipment research and development，" as well as" the main contradictions faced by the development of digital twin of equipment. It puts forward new ideas to find possible breakthrough points and solutions to explore a new path to promote the digital transformation of space equipment research and development.

Key words： digital twin; space equipment; equipment digitization; feature system; model twin; data twin; process twin