基于数字孪生的测试性验证技术

2020-09-02袁剑平孙寒冰

计算机测量与控制 2020年8期

袁剑平,李近,孙寒冰

(1.广东海洋大学海洋工程学院，广东湛江 524088；2.九江学院理学院，江西九江 332005；3.中船重工集团第七〇七研究所九江分部，江西九江 332005)

0 引言

为了解决未来飞行器维修维护和寿命预测的问题，2011年，NASA定义了能够全方位模拟实际对象物理、功能等特征的数字孪生体。根据NASA的定义，数字孪生体是综合利用建模知识在数字空间构造出一个完全一样的真实飞行器模型，相当于真实飞行器在虚拟空间的映射，根据飞行器运行数据实时更新。洛克希德马丁公司2017年11月将数字孪生列为未来国防和航天工业6大顶尖技术之首；中国科协2017年12月8日在世界智能大会上，将数字孪生体列为世界科技十大引领技术之一。

数字孪生包括物理实体、超真实数学模型、物理实体和数学模型之间的交互系统。测试性设计是一个贯穿系统论证、总体设计、详细设计、试验验证等环节的迭代改进过程。在测试性设计过程中，引入数字孪生体，可以实现测试性与设备功能同步设计、同步验证、减少测试性设计中的迭代次数，提高测试性设计工作效率。在装备物理样机之前，构建装备虚拟孪生模型，采用功能分析法完成故障模式分析，根据分析结果和产品功能电路结构特点，以及软硬件资源情况，设计虚拟的检测电路、诊断和预测算法等；在装备数字孪生体上，完成初始的测试性设计与验证。待设备测试性物理样机完成之后，采用实际故障注入的方法完成测试性验证，验证测试性设计结果。针对试验中发现的问题以及指标不达标情况，在数字孪生模型上开展测试性迭代改进。通过物理实体与孪生模型的交互迭代、交叉验证，实现测试性设计与增长。

目前在各个型号装备的测试性试验中，基本试验方法是：选取故障样本，在实际系统或者实物样机上进行故障再现，判断是否能正确检测或隔离其故障。这种方式的局限性较大，比如大多数故障模式注入困难，注入耗时时间长；个别故障模式注入损害设备或者存在安全隐患；实际物理故障注入造成产品可靠性下降；试验注入成本较高；只能在系统样机完成以后进行验证，试验周期滞后。

开展数据孪生驱动的测试性验证技术研究，能有效解决以上问题，提高试验验证效率，节约测试性验证成本，有利于实现装备全寿命周期内测试性验证与增长。

系统煤耗降指的是通过优化改造降低发电厂的煤耗率，600MW直接空冷机组加装干式间接蓄冷式空气冷却系统，折合到全年平均煤耗降为4.98g/kWh。

1 基于数字孪生技术的测试性验证技术框架

图1 基于数字孪生技术的测试性验证技术框架

基于数字孪生的测试性验证技术贯穿于设备方案设计到定型交付的全生命周期内。方案设计阶段：在物理样机完成之前，开展测试性设计虚拟验证，发现前期方案设计的缺陷；原型验证阶段：数字样机完成之后，分别利用测试性数字样机和测试性物理样机开展测试性验证试验，利用两者各自特点，取长补短，优势互补，完成测试性指标的准确评估；装备定型阶段，实时迭代数字孪生模型，进行不同任务剖面，不同环境剖面的测试性验证与迭代，实现测试性增长与验证。基于数字孪生技术的测试性验证技术实现了测试性设计与产品功能设计同步进行，测试性研制与测试性验证同步开展，装备性能与装备测试性水平同步增长。

2 基于数字孪生技术的测试性验证关键技术研究

2.1 数字孪生驱动的故障模式分析

2.3.1 故障模式分配

仿真结果：对各个关节处的驱动力矩测量，组成的曲线在ADAMS的后处理器中进行编辑后输出[7]，如图3-图7所示。

图2 基于数字孪生驱动的故障模式分析

2.2 数字孪生驱动的故障模式注入

1)样本量的确定。根据对风电机FMEA分析以及风电机测试性指标要求，利用基于数字孪生模型的验证系统内置的试验样本确定方法，进行样本量确定。例如按照最低可接收值试验方案得到多组样本量，再在多组样本量中选取大于所有故障模式总和的最小值作为初步样本量。

进行虚拟硬件故障注入模拟时，虚拟故障注入器位于虚拟故障诊断器和与虚拟系统互连的虚拟LRU(或激励设备)之间。能够模拟物理链路(导线、接口)断路、桥接、接地等故障；能够模拟模拟信号故障模式；包括输入信号参数漂移、噪声叠加、幅值超差、固高、固低、翻转等故障，即模拟与系统互连的虚拟LRU(或激励设备)发生故障时的输出；虚拟故障注入器也可独立连接至与虚拟孪生故障诊断器外部接口，施加电气特性上的故障应力；模拟协议通信错误等系统故障诊断器和LRU间互连总线的通信协议上的故障，以及虚拟系统故障诊断器内部各LRU的故障。当虚拟故障诊断器可以独立运行或故障注入器可模拟系统故障诊断器工作所需所有信号时，故障注入器直接与系统故障诊断器外部总线连接，施加通信协议上的故障注入。

图3 数字孪生硬件故障模拟注入

俄罗斯重视文化和历史的保护，全国有3000多个博物馆，多为艺术馆、历史博物馆，另有自然科学馆、综合馆。莫斯科有最古老的国家历史博物馆，展示出世界文化艺术特色。一些博物馆型城市，如苏兹达尔就是在有限的空间内，建造了多处名人故居、纪念地。俄罗斯的医疗康复发展水平良好，这对于俄罗斯的旅游产业具有良好的建设意义。黑海、里海、太平洋等众多疗养中心。在高加索山脉就有全球著名的旅游养老胜地，是有天然的浴场、火山综合形成的温泉。俄罗斯东部著名的是萨哈林斯基、伦斯基、达金斯基热源带。贝加尔地区有上百个保健功能的旅游基地，另外伊尔库茨克州有矿泉泥疗养区。

社会化媒体不断丰富，在新闻事件传播中，手机用户发挥了重要作用。全媒体时代下，每个手机用户都是新闻事件和舆论的传播者。每个人都是新闻事件的制造者和传播者。手机用户的摄影也是历史的见证者，每个手机用户的摄影行为都是对受众的信息传播，在自媒体时代，新闻把关者的角色逐渐缺位，这就需要对手机用户的新闻素养进行把关，不断提升公民综合素养，确保新闻事件信息传播更加准确合理。

在程序映像被加载和执行之前，将故障脚本注入到目标程序源代码中，目标源程序就包含了故障代码，当系统执行该代码时，就按提前设置的故障执行方式，产生错误操作。故障注入器是包含控制器的微型计算机系统，能解析程序指令，产生驱动信号，将驱动信号注入系统中。故障代码实现方式，包括修改变量赋值、改变代码执行顺序等操作。修改后的目标源代码，编译后烧录进故障注入器芯片中。

程序变异是软件故障注入的主要方法，程序变异是根据软件源代码故障模式分析后，根据故障类型，生成不同的故障程序代码。根据试验程序，分别选定不同的程序代码，在编译程序时，将故障程序与源代码整合编译，这样包含故障代码的源程序变成了可执行代码，完成了软件故障注入。

图4 数字孪生软件故障模拟注入

2.3 数字孪生驱动的故障模式分配与注入方法

基于数字孪生模型的故障模式分析贯穿测试性设计、验证与测试性增长的全生命周期内。故障是指产品功能部件不能在规定条件下完成指定功能或者无法产生符合要求的输出。故障模式分析就是根据产品设计方案、功能电路图、系统结构框图、功能框图分析产品故障。数字孪生技术的引入能够在方案阶段通过构建超真实数字孪生模型，完成方案阶段的故障模式分析通过。在原形样机和定型交付阶段通过数字孪生模型和物理实体的反复迭代，实现故障模式的快速分析与迭代工作。故障模式分析主要包括底层故障分析、故障传递关系分析、故障发生概率等级分析、故障模式影响分析、故障模式严酷度分析等。进一步的，基于数字孪生模型的故障模式分析，可以根据虚拟模型各个子模块电路本身的接口关系、连接关系，模型参数、功能定义完成故障模式自动生成。

根据虚拟孪生模型功能组成、性能参数、系统故障模式，系统需求分析，明确分配任务、确定分配原则、选择分配算法，执行分配过程，最后输出系统层次结构、分配结果及说明、分配建议等。分配任务包括：1)待分配的目标；2)系统结构体系；3)确定分配层次。根据分配的目标，如检测率、隔离率、虚警率等。分配原则包括：1)按故障率分配；2)按重要度分配；3)按测试资源分配。分配算法包括：1)经验分配法；2)加权分配法；3)故障率分配法分配过程包括：1)逐层进行分配；2)验算分配结果；3)输出分配结果。

2.3.2 故障模式注入

2)样本量的分配。试验样本量确定完成后，采用准随机抽样方法进行抽样，根据各相应层故障模式发生概率，利用系统内置的准随机抽样方法进行抽样，从而得到不同结构层次故障样本量。具体分配方法如下：

2.4 数字孪生驱动的故障模式分配与注入方法

数字孪生驱动的指标评估与分析需要用到多种数据源的融合技术，涉及的数据包括物理实体的验证数据，孪生模型的验证数据，历史维修数据，其他数据等。根据故障模式空间总样本量，利用实际物理故障注入和虚拟故障注入以及维修数据中的故障检测情况，评估出系统的检测率、隔离率、模糊组大小，冗余测试、不可检测故障等。

（四）全球债务风险持续累积。4月，IMF《财政监测报告》显示，2016年全球公共和私人债务总额创历史新高，达164万亿美元，2.25倍于全球GDP，比2009年金融危机期间高出12个百分点。发达经济体公共债务占GDP平均比重达105%，为二战以来最高水平，新兴经济体和低收入发展中经济体该比重分别接近或超过50%和40%。当前，市场普遍忧虑减税并扩张财政的美国债务问题，以及“金融退潮”中新兴市场和发展中国家债务违约问题。持续上涨的债务风险将削弱经济增长、消费和就业，并加大银行危机发生的概率。

图5 多种数据源融合技术

3 基于数字孪生模型测试性验证流程

图6 基于数字孪生模型的测试性验证流程

基于数字孪生模型的测试性验证，首先根据对实际物理样机或者设计资料、包括系统组成软硬件结构、可靠性框图、FMEA分析结果等，建立数字孪生模型虚拟仿真引擎、构建故障机理、测试和诊断过程等。根据历史维修数据、FMEA分析数据构建故障模拟样本空间，从模拟样本空间选取虚拟故障样本进行故障注入。

3.1 构建验证对象数字孪生模型

根据对象设计资料，运行数据、可靠性数据等建立验证对象数字孪生模型。以某虚拟风电机为例，首先构建风电机实体，包括叶片、发电机、变速箱，传感器等。其次根据实体组成构建虚拟仿真模型，包括行为模型、诊断模型、规则模型等。用有限元法模拟叶片变形，齿轮齿应力、轴承温度等。利用发电和风速曲线来描述发电，用偏航角和横摆率之间的积分来表示摆动，通过力分析来模拟风速约束。

由表1可知，按照我国现行规范评价方法，各评价路段路面PCI值均大于90，也即路面损坏状况评价等级为优，同时仅靠PCI指标难以区别各路段的性能优劣。而各路段的横向裂缝状况指数TCCI值差异明显，相比于PCI指标，TCCI指标不仅能真实反映路面横向裂缝状况，还能有效区分不同路段横向裂缝严重程度。由此可见，横向裂缝状况指数能很好地应用于高速公路沥青路面横向裂缝的评价，符合路面实际状况，可行性高。

3.2 验证试验流程

基于数字孪生模型的测试性试验方案的主要内容包括：试验初步样本量的确定；样本量的分配；样本量的补充；备选故障样本库的建立；试验样本的选择；参数评估。还是以风机为例

基于数字孪生驱动的故障模式空间模拟，即采用数字手段模拟出虚拟的故障样本空间，包括硬件故障模拟和软件故障模拟。其中硬件故障模拟包括物理故障模拟、电气故障模拟、协议故障模拟等。

进行样本量确定时，依据检测方式把故障模式分为两部分，一部分是系统自身bit能检测到的故障模式，另一部分必须借助外部测试设备才能检测到的故障模式。在样本量确定时，必须分别对这两部分进行样本量确定。

选取2016年7月～2018年6月我单位开具的喹诺酮类药物处方2519张作为研究对象，将2016年7月～2017年6月（药学干预前）的1245张处方作为对照组，其中，男610例，女635例，年龄20～70岁，平均（51.4±3.6）岁；将2017年7月～2018年6月（药学干预后）的1274张处方作为研究组，其中，男618例，女656例，年龄21～70岁，平均（51.6±3.5）岁。两组处方及性别、年龄等一般资料比较，差异无统计学意义（P＞0.05）。

具体故障注入时，数字孪生模型利用仿真引擎进行故障注入，并调用测试诊断孪生模型，进行故障诊断。同时，系统需要调用的还有环境仿真孪生模块，通过设置系统运行的环境条件，工作时序，触发状态等模拟实际故障注入状态。根据虚拟模块诊断结果，判断是否能成功检测。

进行样本量分配时，依据检测方式把故障模式分为两部分，一部分是系统自身bit能检测到的故障模式，另一部分必须借助外部测试设备才能检测到的故障模式。

为了验证实验装置测量的准确性，对正入射金属铝材料粗糙表面的测量数据进行了高斯拟合和几何光学近似逼近，得到了正入射情况下材料表面的散射光强,如图3和图4所示。

3)样本量的补充。样本量分配结束后，从考虑样本覆盖充分性的角度考虑，应当对未被抽到的故障模式进行量的补充，具体的，分别对未分配到样本的故障模式补充1。覆盖充分性包括风电系统结构覆盖充分性、测试覆盖充分性、类型覆盖充分性，功能覆盖充分性等。

4)样本库的建立。样本量分配完成后，根据分配和补充结果建立故障模式样本库，原则上，每个故障对应的故障样本总数应该大于分配给它的样本量；对于分配的样本量该故障模式样本数时，应该按照顺序对故障模式进行循环注入。

同样，建立故障样本库时，应分别对BIT可检的故障模式和外部测试设备可检的故障模式建立样本库。

5)试验样本的选取。从样本库中选取响应的试验样本进行故障注入。启动数字孪生模型，依据事先拟定好的程序流程，按顺序从样本库中选取试验样本。

通过使用超级计算机或网络计算机进行并行操作，这个计算量在合理的时间内还是可以接受的（Miao et al，2010；Durham and Geweke 2013）。然而在本文中，我们提出了一个简单试探法来跟踪多个地震。这个试探法的复杂性与事件数目呈线性关系。

6)故障注入。具体故障注入时，风电机数字孪生模型验证系统包括风电机数字孪生模型，以及环境仿真环境。将选取好的故障模式编译并注入到数字孪生模型中，并调用测试诊断程序，进行故障诊断。环境仿真环境，需要设置系统运行的环境条件，工作时序，触发状态等模拟实际故障注入状态。

7)结果统计。根据故障模式注入情况，统计故障检测和隔离成功的故障模式数。判断设计是否满足测试性指标要求。

3.3 基于数字孪生模型的测试性验证优势

基于数字孪生模型的故障注入方式克服了实物故障注入的缺点，不受地点、环境等客观条件的限制。同时，传统的测试性验证试验，必须在实物样机完成以后，才能进行测试性验证。而基于数字孪生的测试性验证试验，只需要在虚拟的数字孪生模型上进行故障注入，可以在系统设计阶段、使用阶段、改型阶段等任一阶段完成试验任务，极大的提高了装备研制效率。

具体故障注入时，基于数字孪生模型的测试性验证试验消除了故障注入位置、条件限制，降低了故障注入难度，规避了故障注入可能对设备带来的不可修复性损害。同时在样本选取时，能尽可能的充分的考虑到装备全生命周期内的故障样本，充分保障故障样本结构和数量的合理性。