基于数字孪生和多智能体的航天器智能试验

张文杰，王国新+，阎 艳，褚厚斌，王 晶，曹志松

(1.北京理工大学 机械与车辆学院，北京 100081；2.中国空间技术研究院 北京卫星环境工程研究所，北京 100094)

1 问题的描述

环境试验是航天器研制的关键环节。相比其他产品，航天器工作过程中面临的极端复杂工况给环境试验带来了巨大的挑战。一方面航天器工作过程的天地物理分离特点，使航天器发射在轨后难以便利地进行维护保养；另一方面航天器在轨空间环境的复杂性，极易诱发各类故障，据统计表明，航天器在轨故障的70%是在轨空间环境影响导致的，其中仅真空热环境诱发的故障占比达到50%[1]。航天器环境试验的重要性引起学术界和工业界广泛重视，国内外专家学者持续地对新试验方法进行了探索研究。根据先进信息技术与环境试验方法的融合程度，环境试验先后经历了自动化试验、数字化试验、网络化试验和智能化试验4个阶段。在数字孪生、物联网、人工智能等新兴信息技术牵引下，目前航天器环境试验正处于智能试验总体框架思路研究及探索构建阶段。试验控制与管理子系统作为试验的核心，在4个阶段的主要特征也在发生相应的转变，具体如图1所示。其中航天器智能化试验的控制与管理子系统的显著特征是：①数据感知规模由大量转变为海量；②数据传递流程由串行转变为迭代；③数据处理内容由信息转变为知识。

由于航天在轨装配及服务任务的新需求，使得环境试验由单纯的地面试验验证扩展到了地面试验验证与支持在轨装配及服务任务的深度融合，进而对智能试验控制与管理子系统的研制提出了新的挑战：①地面环境试验不仅需要对发射前的航天器进行充分的可靠性验证，还必须对在轨的装配过程及环境适应性进行模拟，但航天器发射在轨后地面将难以获得足够的在轨装配与测试数据；②当航天器执行在轨任务时，还需要实时地将在轨装配及测试数据与地面试验环境下的装配过程及试验数据进行耦合分析，快速给出在轨装配及服务任务的实时指导方案(如图2)，这就需要新的技术来解决面临的挑战。

近年来，数字孪生(Digital Twin, DT)的概念、方法、范式在制造领域获得广泛认可[2-3]，数字孪生技术的关键是通过在虚拟空间中创建实际物理系统的高保真虚拟模型对象,模拟真实世界中的行为来提供相应的信息反馈，并对未来的行为趋势进行预测和优化。因此，基于数字孪生的航天器智能试验系统是指利用数字孪生技术构建信息物理融合的试验仿真、资源调度以及服务系统，使得试验系统与全研制流程、全生命周期各环节的模型能够及时进行关键数据在实体空间和虚拟空间的双向同步和沟通，最终实现航天器试验全要素、全生命周期的智能化，支持航天器全生命周期智能研制与使用的需要。

然而，构建基于数字孪生的航天器智能试验系统同时涉及试验对象、试验资源、试验过程和试验服务，具有如下的挑战：

(1)航天器试验资源的响应速度要求为实时的、指标达到ms级的，同时感知中存在大量噪声，多源异构数据采集、融合与封装技术是实现数字孪生的基础和关键[3-6]。

(2)航天器试验过程的建模与仿真一般需要在试验资源建模的基础上，进行过程的实时监控、预测和决策。

(3)航天器试验服务的建模与仿真，则更加关注在全局全生命周期的最优求解问题。

(4)航天器试验对象多由外部单位提供，很多情况下只能掌握与试验密切相关的简化且必要的模型，其建模方式与试验资源基本相同，因此在智能试验中可以将试验对象作为广义的试验资源来进行一同建模。

针对上述问题，使用传统的数字孪生体系建模方式存在一定困难与缺陷,目前尚无有效的解决方案。经过调研，发现数字孪生技术与多智能体系统(Multi-Agent Systems，MAS)技术有着天然的适应性和相容性[7-10]。数字孪生技术的最大优势是基于仿真驱动下的系统工程实现模型及数据交互融合，多智能体技术的最大优势是实现要素智能自治，前者更关注全局及运行机制，后者更关注个体及内部运行。通过二者相结合构建涵盖全要素、全流程、全业务的智能试验孪生模型及个体、全局运行机制，能够有效促进航天器智能试验系统开发的标准化和有效性。

综上所述，本文的贡献主要有：针对新时期航天器环境试验的在轨服务等新需求，拟在构建试验资源、试验过程和试验服务3类数字孪生模型中引入一种范式，使系统开发能够兼具全局性、灵活性和独立性;提出面向智能试验的任务分析范式及建模方法，融合数字孪生技术与多智能体技术，研究构建了航天器智能试验体系架构，优化试验运行机制和技术流程;在此基础上，根据试验资源、试验过程、试验服务3类不同对象，提出试验资源智能体、试验过程智能体、试验服务智能体的概念、模型与封装方法;围绕某航天型号环境试验及在轨运行情况，给出系统初步的实施方案，并对提出的体系架构方法进行了验证。

2 基于数字孪生和多智能体的智能试验体系架构及运行机制

体系架构一词最早起源于希腊，起初应用于建筑领域，主要包括两部分内容：①过程或流程；②产品的计划、设计、建造等具体组成部分。随着技术发展，体系架构在不同领域的含义和工作内容不断演变，但究其一般共性特征为：①顶层视角、目标驱动和需求指导；②将抽象的任务概念转化为时间、空间、物理、信息等具体形象维度的组成；③建立形象维度要素下的耦合关系并推动全局任务目标实现。可见，体系架构设计在新生事物探索研究阶段尤为关键，因此有必要在智能试验的探索研究阶段，进行智能试验体系架构的研究设计。

围绕实现智能制造及试验，国内外许多学者认为可以将数字孪生技术引入制造环节[11-15]，对基于数字孪生技术的生产模式进行了研究，提出了以物理系统、虚拟系统、服务系统为依托，以孪生数据为驱动的智能制造生产系统体系架构[3,16-17]。通过调研发现，近年来国内外企业和学者对数字孪生技术在航天器研制中的研究和应用越来越深入。陶飞等[18]提出了数字孪生五维模型的概念以及数字孪生五维模型在卫星和空间通信网络中的应用，辅助实现卫星的全生命周期管控、时变卫星网络优化组网和空间信息网络构建与优化;刘蔚然等[19]提出了数字孪生卫星的概念，并在总体设计、详细设计、生产制造、在轨管控、网络运维等卫星核心研制环节进行了关键技术研究及应用验证，并针对环境试验提出“空间环境仿真技术”是数字孪生卫星构建的关键技术之一;王建军等[20]提出了基于数字孪生的航天器系统工程模型及应用框架，将试验/测试作为与设计、工艺、制造/装配、在轨运行并列的航天器数字孪生模型构建及实现的5个典型阶段之一。由此可见，基于数字孪生的试验是实现基于数字孪生的航天器全生命周期研制必不可少的研究内容。但目前基于数字孪生的智能试验与测试方面的研究论文较少，且研究对象主要集中在单机或相对简单产品的试验与测试方面。Senthilnathan等[21]建立了基于数字孪生的双输出单相电流源逆变器试验平台,通过物理模型和虚拟模型的联合运行来监测和分析逆变器的性能;Schluse等[22]提出了面向工业4.0的试验性数字孪生模型概念(experimentable Digital Twins, EDTs)，并重点在系统级复杂产品研制的仿真中进行了技术验证;Zheng等[23]提出了基于元素—行为—规则的物理环境虚拟建模方法，开发了基于数字孪生的车身几何特征在线检测系统，实现了物理检测模型对数字虚拟模型的实时驱动。综上可见，一方面，作为航天器研制的必要和关键环节，试验与测试环节智能化是航天器研制全面实现智能化的必然需求;另一方面，构建融合物理试验和虚拟试验的数字孪生试验系统是实现航天器智能试验的必然选择。

此外，本文结合航天器智能试验的实际应用需求，还同时重点关注在基于数字孪生技术构建智能试验体系架构的设计过程中需要优化的几个方面：

(1)智能试验所需的试验资源、试验过程、试验服务3类对象在数字模型构建、仿真、运行模式、驱动机制方面存在本质差异，按照图3a所示的同一结构来构建虚拟模型不能满足差异化的工程实际需要。

(2)尽管数字孪生技术为有效实现试验系统的复杂性和柔性提供了可行技术途径，但对于如何构建智能管控平台来统一整合管理原有分布智能仍是一个挑战[17]。

(3)尽管在试验环节开展了基于贝叶斯网络的不确定知识精确推理和基于蒙特卡罗方法的预测等智能算法开发，但贯穿物理试验系统、虚拟试验系统的闭环验证功能基本还是试验部门人员使用，很少封装后供设计部门等其他人员使用，而试验部门以外的人员直接使用试验积累的数字模型和数学算法还存在跨学科等技术困难。

近年来多智能体技术的快速发展为解决上述问题提供了一条可行途径，将数字孪生与多智能体相结合应用在制造方面，相关学者更多是在制造模式及制造信息封装与感知层面开展研究[24-29]，特别是利用多智能体系统的自主性与自组织性，通过结合大数据(Big Data, BD)与信息物理系统技术(Cyber-Physics System, CPS)，在智能制造领域取得了一些成果[30-31]，但没有调研到在航天器等复杂产品系统级试验领域基于数字孪生和多智能体相结合的技术研究与应用。从现有调研结果可以发现，通过设计合理的智能协调机制，多智能体系统可以很好地辅助智能感知、相互协调以及决策。多智能体模式下开发智能试验控制与管理平台的突出优势有[24-25]：①能够将硬件、软件或者两者一并封装为适应环境的自主运行实体，这样可以降低智能试验控制与管理平台软件的开发难度；②使得智能试验控制与管理平台的开发重点为功能分析、建模方法和运行程序；③推动智能试验控制与管理平台数据存储与管理更加简化，数据感知、处理、分析功能均由子智能体承担。

由以上分析可知，数字孪生技术与多智能体技术相互结合可以弥补原有体系架构的不足。因此将基于数字孪生技术的试验体系架构优化和迁移为基于数字孪生和多智能体的智能试验体系架构，具体优化和迁移方式如图3a、图3b所示。图3a为基于数字孪生的智能试验体系架构，图3b详细描述了基于数字孪生和多智能体的智能试验体系架构，主要包括试验资源智能体(Test Resource Agent, TRA)、试验过程智能体(Test Process Agent, TPA)、试验服务智能体(Test Service Agent, TSA)和试验智能体管理系统(Test Agents Management System, TAMS)4部分要素。其中试验资源智能体(TRA)主要提供各类试验资源的建模功能，重点是确保数字模型构建的维度完整与精度足够；试验过程智能体(TPA)主要提供试验过程的仿真功能，重点是确保数字模型运行的尺度协调与数据耦合；试验服务智能体(TSA)主要为其他研制环节提供试验服务支持功能，重点确保数字模型构建和运行的预测与优化；试验智能体管理系统(TAMS)主要提供可视化环境、流程化管理、数据存储与交互等各类智能体可公用的功能。同时，每个智能体还可以按照任务需要，继续逐级细分为子智能体和孙智能体。图3c描述了基于数字孪生和多智能体的智能试验体系架构下的运行机制：

(1)在智能试验多智能体运行层面，智能试验资源智能体(TRA)、试验过程智能体(TPA)、试验服务智能体(TSA)在试验智能体管理系统(TAMS)指导下，开展自顶向下设计、自下向上综合。

(2)在智能体设计封装层面，将在轨物理实体、地面试验实物孪生体和贯通地面与在轨的数字孪生体按功能封装为子智能体。

(3)在数字孪生体层面，按照系统组成架构逐级开展必要的数字孪生体构建，建立地面试验与在轨运行模型及数据的映射关系。通过以上三级运行机制，实现航天器智能试验多智能体的分布式自主响应、预测和适应。

基于数字孪生和多智能体的智能试验体系架构相比基于数字孪生的智能试验体系架构的主要改进是：

(1)优化了智能系统构建的出发点，基于数字孪生技术的智能试验体系架构一般首先关注物理系统向数字系统的映射，即数字建模。而基于数字孪生和多智能体的智能试验体系架构则首先关注任务分析，这种出发点的转变能够有效解决原有智能试验系统需要在约束不清晰下构建试验全部要素数字孪生模型的困境。

(2)优化了智能系统构建的着力点，通过自顶向下设计、自下向上封装，使得试验数字孪生体的构建要素更小，同时大大降低了将试验要素数据转化为信息、信息转化为知识的操作难度，能够充分利用多方面的分布智能、形成全局最优解。

(3)优化了智能系统构建的落脚点，试验资源智能体构建重点在完善建模与仿真的维度与精度，过程智能体构建重点在完善建模与仿真的尺度与耦合，服务智能体构建重点在完善建模与仿真的预测与优化，通过三者有机动态交互融合来最终实现试验的智能化。

(4)支撑了复杂系统工程的方法论，通过网状智能试验多智能体架构、V型智能试验闭环流程、树状智能试验数字孪生体构建模型，充分发挥了网状结构利于分布智能处理、V型结构利于闭环迭代和树状结构利于分解汇总的3种结构自然优势。三者的关系是：构建V型基于模型的系统工程(Model Based System Engineering, MBSE)是实现智能试验系统的方法论，可以用于指导数字孪生体构建、智能体封装和多智能体系统开发；构建树状结构的数字孪生体是实现智能试验系统的基础；封装在轨物理实体、地面物理模拟体与数字孪生体为智能体，并构建多智能体系统是实现航天器智能试验系统的关键和难点。

综上所述，智能试验体系架构设计是开展智能试验系统开发建设的基础和根本，只有在智能试验体系架构指导下开展数字孪生体的建模和智能体软件系统的开发，同时在试验设计与实施各个环节自主调用试验智能体管理系统相应功能，才能实现智能试验系统的构建目标。在基于数字孪生和多智能体技术指导下，智能试验体系架构的详细设计及应用实施主要包括5个环节：①智能试验任务范式分析；②智能试验功能框架构建；③智能试验所含三类智能体结构及元素设计；④智能试验数字孪生模型分析及构建；⑤智能试验所含智能体与数字孪生模型集成应用。

3 面向智能试验的智能体任务分析范式

本文认为智能试验的总体需求是在具有非线性、动态、随机的外界环境变化下，组织试验系统组成元素，构建运行优化元素关系，实现试验自感知、自预测和自适应的目标。根据前文所述，实现智能试验的关键是厘清元素、构建关系、适应环境、实现目标;起点是进行智能试验任务分析。不同要求下的试验任务，对试验任务建模的要求也会有本质区别。例如，数字化试验阶段的任务要求是试验要求自动推送、试验数据自动采集、试验过程自动执行；网络化试验阶段的任务要求是在数字化试验的基础上，实现试验过程、结果能够与其他制造子系统动态实时联接，这就必然要求建立具有数字映射功能的虚拟模型；智能化试验阶段的任务要求是在实现数字化、网络化试验的基础上，增加虚拟试验以及虚拟试验与物理试验融合功能，推动试验系统升级为赛博物理试验系统(Cyber-Physical Test System, CPTS)。

不同体系架构下，任务分析的范式也不同。本文结合航天器试验定义：

(1)只针对物理空间进行试验任务分析称为试验任务分析第一范式，如图4a所示。

(2)针对物理空间、数字空间及耦合关系进行任务分析称为试验任务分析第二范式，如图4b所示。

(3)针对物理空间、数字空间、数学空间及耦合关系进行任务分析称为试验任务分析第三范式，如图4c所示。

显然，基于数字孪生和多智能体的智能试验任务分析，应选择并采用第三范式，即在物理空间、数字空间、数学空间3个维度开展试验任务系统分析。该任务分析范式研究也可以为其他制造环节构建智能体系架构及应用实施提供参考。

基于数字孪生和多智能体的智能试验任务分析相比基于数字孪生的智能试验任务，增加了数学空间问题和数学空间优化两个环节，这主要是由于智能试验过程存在海量数据，如果不构建数学空间问题及求解环节，从计算资源、任务时间上难以满足工程实际从海量数据中将蕴涵的知识按需及时提取的需要。目前，越来越多的制造环节在单点引入神经网络、流形驱动等数学空间智能算法来解决智能制造问题[32]，这也为系统解决极端复杂环境下的非线性、动态、随机海量试验数据数学空间求解提供了解决途径。

由图4c可以看出，基于数字孪生和多智能体的智能试验任务分析范式(第三范式)主要包括以下步骤：

(1)提出物理空间问题，主要工作内容为明确具体的试验作业任务，包括试验任务要求、试验要素组成和试验条件约束，完成试验任务的基础条件为试验物理资源。

(2)提出数字空间问题，主要开发试验产品数字建模工具、试验过程数字建模工具和试验应用服务建模工具，并利用工具构建数字空间模型，基础条件为包括自主开发在内的各类数字建模软件，如热分析软件Thermal Desktop、试验数据库应用软件DYNAWORKS等。

(3)提出数学空间问题，如果不涉及设计或试验参数优化，则可以不提出数学空间问题。但在智能试验阶段，设计和试验参数优化问题已是试验任务规定的基本工程问题，利用智能优化算法从数字空间获取物理空间无法直接得到的信息，从数学空间获取从数字空间无法获得的知识，基础条件为提供可全参数化的物理、数字模型建模工具。

(4)进行数学空间优化，试验过程的求解所面临的主要问题是如果将高维问题进行降维，从而获得制造过程蕴涵在海量数据中的知识，来指导试验设计、参数以及产品设计的优化，基础条件为包括自主研发的各种优化算法工具。

(5)进行数字空间仿真，主要工作内容是利用数字空间建模工具构建试验产品数字模型、试验过程数字模型，通过数学空间建模工具构建试验任务优化算法，从而对试验过程进行数字空间仿真。该步骤的关键是检验模型运行能否和物理系统运行实际相符，以及根据数字仿真结果，对物理执行过程进行预示、优化和决策。

(6)进行数字空间执行，主要按照仿真优化的结果，对数字执行过程进行预演并记录预演状态，同时在实物试验执行过程中与物理系统进行实时交互，并给予在轨作业的优化指导。

(7)进行物理空间执行，按照在数字空间进行优化后的试验方案，在物理空间上进行执行，同时将物理空间执行情况与数字孪生系统实时交互融合，这一部分具体运行的机制需要根据多智能体的具体类别来研究确定。

4 基于数字孪生和多智能体的智能试验功能建模方法

4.1 基于数字孪生和多智能体的智能试验功能框架构建

在智能试验任务分析范式的基础上，需要研究能够贯通物理模型、数字模型和数学模型的功能实现建模方法。基于模型的系统工程(Model Based System Engineering, MBSE)方法及系统建模语言(Sysml，Opm，Capella等)能够对系统需求、功能、逻辑和物理架构及其关系进行统一建模，是开展智能试验功能建模的一种有效方法和工具。相对传统系统工程方法，MBSE方法可以建立需求模型、结构模型、行为模型之间的参数映射关系，这为物理空间、数字空间与数学空间的贯通，提供了实现条件。

基于MBSE的试验功能建模中，试验物理实物系统构建主要按照试验对象和试验系统的要素构成来开展，如图5所示。试验数字孪生系统构建主要依靠数字模型库及仿真系统来构建，试验数学优化系统则可以依靠各类MBSE平台商用软件或自研软件来开发。但为了更好地与制造全生命周期实现数字孪生模型和多智能体系统的联通，均应采用Sysml等通用通信标准规范，以实现各个智能体的无缝联接。

在基于数字孪生和多智能体的智能试验功能框架中，数据模型的构建及映射、存储、流动、调用、应用是将智能试验功能转化为智能试验软件等服务化平台的关键。其中：①数据映射，主要体现为将物理空间的各类对象根据业务需求，构建为能够支撑智能试验的相应数字模型；②数据存储，主要体现为将数字空间满足业务需求的模型及关系，保存在面向对象的各类数据模型库中；③数据流动，主要体现为将数字空间经过业务确认的数据，自动流转到需要的业务中；④数据调用，主要体现为将存储在数字空间模型库中的数据及关系，按照功能和服务需求提取到数学空间的算法或数字空间的业务模型中；⑤数据应用，主要体现为将数字空间的业务模型数据应用到物理空间的各类试验对象上，或将数学空间的数据模型优化计算结果应用到数字空间的业务模型中。

4.2 基于数字孪生的试验智能体结构设计方法

智能体的开发封装是联通多智能体系架构与数字孪生模型的桥梁。Russell等[33]将智能体结构分为了5种类型，即简单反射智能体、基于模型的反射智能体、基于目标的智能体、基于效用的智能体、学习智能体;文献[18]对基于多智能体的赛博物理制造系统进行了4种典型模式的对比和分析。但结合智能试验的实际需要，如何选择、设计、封装智能试验所需的智能体还需要进一步研究。结合航天器试验及在轨作业实际，确定智能体的环境观测条件、一般响应时间、核心驱动要素、主要作业空间和决策需求信息5个维度作为判断准则，选择适合智能试验需要的智能体结构。经初步分析，试验资源智能体主要是由于反应时间的需求，建议采用简单反射智能体结构；试验过程智能体主要考虑核心的仿真、预演功能，建议采用基于模型的反射智能体；试验服务智能体必须解决全局高维历史数据和实时数据的非线性造成观测难度极大的问题，建议采用基于目标、效用甚至学习的智能体，以满足海量数学及时提炼知识的实际需要。以上3类智能体的具体判断原则及结构选择建议如表1所示。

表1 面向智能试验的智能体结构判断准则及选择建议

4.2.1 试验资源智能体构建方法

在智能试验体系构建中，最基础的是需要构建试验资源智能体。参与试验的资源主要包括试验产品、试验设备、试验工装、试验人员和试验环境等。根据MBSE建模方法，将试验资源多智能体描述为：

ResourceAgent=Sum(RAproduct,RAequipment,RAfixture,RAperson,RAenvironment)。

其中：RAproduct为试验产品智能体;RAequipment为试验设备智能体;RAfixture为试验工装智能体;RAperson为试验人员智能体;RAenvironment为试验环境智能体。

试验资源智能体构建的核心是建立实现3类映射，以构建试验资源中最复杂的试验设备智能体为例，即

RAequipment=Sum(Modelstructure,Modelperformance,Modelservice)。

其中：

(1)Modelstructure物理几何孪生模型是需要构建的第一类映射，核心工作是将试验设备在几何上划分为网格立方体、球体和圆柱体。在此基础上进行几何体间的布尔运算，进行曲线、多面体、管道、基于数学函数的建模，确保建模工具可以进行几乎任何形状的建模。由于试验设备的状态可能随着使用而改变，必要情况下还要通过实物扫描等定期静态测量手段来校准试验资源数字模型与物理模型的一致性;

(2)Modelperformance试验性能孪生模型是需要构建的第二类映射，核心工作是在Modelstructure几何仿真模型的基础上，建立试验性能仿真模型，以能够提供红外热源的红外灯阵建模为例，首先采用分析计算红外灯对卫星表面热辐射的蒙特卡罗基本原理和方法，建立红外单灯模型，然后再构建红外灯阵排布仿真模型，可以设定灯阵的形状、尺寸、排列方式、挡光板等参数，还可以通过软件中单灯拖拉功能来进行红外灯阵的局部微调;

(3)Modelservice试验服务孪生模型是需要构建的第3类映射，主要是根据各个具体试验设备专家的经验建立和配置单个试验资源与试验其他智能体的参数化关系。

试验资源智能体主要有3个孪生模型和4个单元组成，如图6所示。具体内容为：

(1)物理几何孪生模型包括试验产品、试验设备、试验人员等多种试验资源，共有1个组成单元，即执行单元。主要功能是为针对物理空间中的试验资源提供动力、传动、执行。

(2)试验性能孪生模型共有两个组成单元，分别为感知单元和通信单元。感知单元主要为试验资源提供感知、清洗、分析；通信单元主要为试验资源提供映射、存储、推送。

(3)试验服务孪生模型共有1个组成单元，即控制单元。其主要功能为试验资源提供建模、诊断与处理，其结果反馈回执行单元。

试验资源智能体是构建智能试验系统的基础，试验过程智能体和试验服务智能体必须调用试验资源智能体才能实现试验的智能化。由于资源智能体没有管理单元，其优点是反应速度很快，缺点是一般不能关注历史信息。核心模块在控制单元中，需要对预设的“环境条件—行动规则”进行建模，在进行简单的诊断判别无误后，将处理后的数据及时反馈给执行单元，确保执行单元的即时性。虽然试验资源智能体没有管理单元，但并不意味着不对该制造资源所产生的数据进行管理，而是在试验智能体管理系统(TAMS)中进行管理，并非由资源智能体来直接承担管理功能，这样设置的优点是可以最大限度地降低资源智能体的复杂程度，以提高其封装的便利性。

4.2.2 试验过程智能体构建方法

在智能试验体系构建中，最关键的是构建试验过程智能体，因为试验过程管理功能相对最为复杂，且直接面向试验任务，试验功能主要包括产品试验要求、产品试验设计、试验设备分析、试验设备配置、试验准备要求、试验过程实施、试验过程监控、试验过程评估等，根据MBSE建模方法，首先可以将试验过程智能体描述为：

ProcessAgent=Sum(PA1,PA2,PA3,PA4,PA5,PA6,PA7,PA8)。

其中：PA1为产品试验要求数字孪生体;PA2为产品试验设计数字孪生体;PA3为试验设备分析数字孪生体;PA4为试验设备配置数字孪生体;PA5为试验准备要求数字孪生体;PA6为试验过程实施数字孪生体;PA7为试验过程监控数字孪生体;PA8为试验过程评估数字孪生体。

试验过程数字孪生体构建的核心是在建立实现3类映射的基础上，描述物理试验和虚拟试验的3类融合运行机制，实现试验过程管理下的试验资源物理系统和数字孪生系统以及在轨作业物理系统的动态优化配置，重点是描述功能、接口和服务3方面核心要素，试验阶段3类信息物理系统融合运行应用主要包括：①由产品设计到试验设计是需要构建的第一类信息物理系统融合运行机制，核心工作是通过虚拟试验来验证产品设计、工艺、制造、装配是否优化；②由试验设计到资源配置是需要构建的第二类信息物理系统融合运行机制，核心是在产品设计到试验设计优化的基础上，通过资源配置仿真来验证试验设计是否优化；③由试验物理系统实施到虚拟试验系统交互融合是需要构建的第三类信息物理系统融合运行机制，核心是利用虚拟试验的分析，来优化物理试验过程及资源配置，做到试验过程时间短、成本低、质量高。以试验过程实施为例，数字孪生模型可以描述为：

PA6=Sum(Processfunction,Processcordination,Processservice)。

其中：

(1)Processfunction试验功能数字孪生模型是试验过程中单一试验环节的主要功能模型的构建与实现，需要建立相关试验资源的单向数据流动;

(2)Processinterface试验交互数字孪生模型是试验过程中单一试验环节与其他试验环节进行数据通信交互的模块，需要建立数据交换协议、数据通信机制、数据安全措施，来保证试验全流程各个要素的相互支持和协同;

(3)Processcordination试验协调数字孪生模型是试验过程中通过构建仿真与运行信息物理系统融合运行机制，实现试验过程中物理模型与虚拟系统的信息在线实时动态交互，支持试验过程的实时优化和试验资源的动态配置。

试验过程智能体主要由4个孪生模型和6个单元组成，如图7所示。具体内容为：

(1)物理几何孪生模型包括计算资源、通信资源、存储资源等，共有1个组成单元，即执行单元，主要功能是为针对上述试验资源提供动力、传动、执行。

(2)试验功能数字孪生模型有1个组成单元，即功能单元。本文以某航天器一般试验过程为例，包括试验设计、试验准备、试验实施、试验监控和试验评估，主要是对核心功能的描述，如果需要开展虚拟试验，则试验功能单元还要相应增加。

(3)试验交互数字孪生模型共有两个组成单元，分别为感知单元和通信单元。感知单元主要为试验资源提供感知、清洗、分析；通信单元主要为试验资源提供映射、存储、推送。

(4)试验协调数字孪生模型共有两个组成单元，分别为控制单元和管理单元。控制单元主要功能为试验资源提供建模、诊断、与处理，其结果送到管理单元;管理单元，就是将试验过程中的数据转化为信息，这也是试验过程智能体区别于试验资源智能体的另一核心方面。

试验过程智能体是构建智能试验体系的核心，一方面试验资源智能体构建的目的是为了协助试验过程智能体实现试验过程的智能管理，另一方面试验服务智能体必须利用试验过程智能体的业务管理智能，才能实现试验为产品设计、在轨服务等全生命周期研制与应用的智能化。

4.2.3 试验服务智能体构建方法

在智能试验体系构建中，最能直接发挥价值的是试验服务智能体，因为试验服务智能体直接实现试验预测、试验优化乃至在轨作业指导功能，这也要求试验服务智能体的核心算法必须经过物理试验与仿真试验的大量验证，以确保指导的有效性。最大的价值体现在：①在仿真逼近度足够高的情况下，可以采用大量数字试验来剪裁和优化物理试验；②针对在轨装配等极端复杂环境下的工况任务，能够借助建立地面产品实物孪生子系统、产品试验孪生子系统与在轨实物子系统，通过少量遥测数据和海量地面设计装配试验数据来协同指导和优化在轨作业。按照本文前述MBSE建模方法，可以将试验服务智能体描述为：

ServiceAgent=Sum(SAreplace,SAorbit,…)。

其中：SAreplace为虚拟试验替代物理试验服务任务;SAorbit为在轨操作地面孪生试验服务任务。

试验服务数字孪生体构建的核心是在试验资源智能体和试验过程智能体的基础上，结合航天器研制特殊任务需要，开展的剪裁物理试验或增加孪生镜像，以在轨装配地面试验服务为例，模型可以描述为：

SAorbit=Sum(Servicetask,Serviceinfo,Servicekonwledge)。

其中：Servicetask试验服务任务数字孪生模型是产品全生命周期研制过程中对智能试验服务提出的任务需求详细表述;Serviceinfo试验服务信息数字孪生模型是产品全生命周期研制过程中对智能试验服务提出的信息支持需求详细表述;Servicekonwledge试验服务知识数字孪生模型是产品全生命周期研制过程中对智能试验服务提出的试验知识需求详细表述。

开展试验服务智能体的开发应用，主要有3方面突出需求：①日益迫切的产品全生命周期一体化研制对试验设计、仿真与实施的需求；②系统级、分系统级、单机、部组件、元器件等各级产品对虚实结合试验设计、仿真和实施的需求；③总设计师、分系统设计师、工艺师、试验人员等各类人员将试验数据提炼为信息、信息提炼为知识的需求。3方面的需求都要求试验在非线性、动态、随机全局、全生命周期、全级次产品约束下求得最优解。

试验服务智能体在试验过程智能体结构的基础上，新增了试验服务信息数字孪生模型和试验服务知识数字孪生模型，具体结构如图8所示。新增部分内容为：

(1)试验服务信息数字孪生模型有一个单元，即预测单元。其主要功能和作用是为试验过程中的信息提供预测量化、推理、决策功能。

(2)试验服务知识数字孪生模型有一个单元，即优化单元，其主要功能是根据服务的智能需求情况，依次可提供目标优化、效用优化、学习优化等功能。

要想实现智能试验及智能试验对产品全生命周期智能研制与管理的支持，需要对试验过程及资源进行智能预测和优化，这也是在试验资源智能体和试验过程智能体基础上再次封装构建试验服务智能体的根本需求所在。

5 基于数字孪生和多智能体的航天器智能试验应用实例

5.1 航天器系统级智能试验需求

以某航天器系统级试验任务为例，基于智能试验管控平台软件系统进行案例分析。航天器试验流程如图9所示，整个试验过程至少进行3次小闭环优化迭代和实时全试验流程大闭环迭代。整个试验主要流程为：

(1)试验服务需求阶段 产品实现工作包括产品设计要求、产品结构设计、产品结构分析和产品制造装配。这个阶段将完成产品设计与试验多智能体系统间的小闭环迭代，即产品结构设计→产品结构分析→试验前预示→产品结构设计，这个阶段试验服务智能体、试验过程智能体、试验资源智能体都需要深入参与其中。

(2)试验设计阶段 包括产品试验要求、产品试验设计、试验设备分析和试验设备配置。这个阶段将完成试验资源智能体和试验过程智能体的第1次小闭环迭代，即产品试验要求→产品试验设计→产品设备分析产品设备配置→试验前预示→产品试验设计。

(3)试验实施阶段 包括试验准备要求、试验过程实施、试验过程监测、试验过程分析。这个阶段将完成试验智能体自身的第2次小闭环迭代，即试验过程实施→试验过程监测→试验过程实施，同时还将完成试验智能体的大闭环迭代，即产品设计与实现→产品试验设计→产品试验实施→产品设计与实现。该阶段试验过程智能体和试验资源智能体将实时参与运行。此外，如果智能试验要为在轨作业提供支持，则试验服务智能体也要参与实施过程。

5.2 基于数字孪生和多智能体的智能试验系统体系架构设计

按照本文提出的基于数字孪生和多智能体的智能试验体系架构及关键技术，根据航天器典型试验工艺流程的需求，采用Java和Oracle数据库开发了智能试验管控平台软件，并在平台软件、自研核心算法以及封装的Pro/E等商业软件基础上开发了制造资源智能体原型。在自研平台软件、模型数据库以及封装的Thermal Desktop、Fluent等商业软件基础上开发了试验过程智能体原型，并利用自研的平台软件为产品智能设计提供服务支持。在3类智能体构建的基础上，通过试验物理实体系统与智能试验管控平台软件的在线实时动态交互，初步实现了试验设计、准备与实施的智能化控制与管理。

基于数字孪生和多智能体的智能试验管控系统体系架构及功能如图10所示，主要是将传统的数据层、业务层、应用层中的业务层优化为数字孪生层和多智能体层。其优势主要是最大程度复用试验模型和业务的知识，使数字孪生过程和智能体封装规范化、标准化，支撑系统开发兼具全局性、灵活性和独立性。

基于数字孪生和智能体的智能试验管控系统的4层结构及基本功能包括：

(1)数据层 主要利用成熟的数据库管理软件，按照智能试验的需要构建系统数据库、历史数据库、知识数据库、通用数据库、基础领域数据库。此外，还新增了支持智能试验数学空间实现的算法与软件封装库。

(2)数字孪生层 该层是相对于传统试验管理系统最主要的创新点，针对不同孪生体的特点，定制不同的构建流程及数据采集、可视化等必要基础管理功能，将物理空间的试验资源映射为试验资源数字孪生模型，使试验资源孪生模型具有物理几何等数字空间核心管理功能。同时，将智能试验数字空间的过程、服务转化为试验过程数字孪生模型、试验服务数字孪生模型，使试验具有流程、交互、协调等数字空间增值管理功能。智能试验数字孪生模型管理具体如图11所示。

(3)多智能体层 主要是按照智能试验的业务逻辑，开发试验数字化设计、设计模型向试验模型转换、数据调度管理、试验可视化展示等智能体封装和使用管理功能，通过调用试验资源等各类数字孪生模型，封装为智能试验必需的基本功能。试验资源、试验过程、试验服务3类智能体封装过程示意如图12所示。

(4)应用层 根据用户的使用需要，定制和组合智能体功能，开发试验管理、试验测控、试验分析、试验评估以及支持在轨服务的虚拟试验等核心应用以及人员管理等软件通用功能，供航天器设计、制造、在轨监控等各类人员按职责权限使用智能试验系统，实现试验资源和知识的最大程度利用。

5.3 基于数字孪生和多智能体的智能试验系统开发及应用

(1)试验资源智能体构建及应用

根据试验方案的需要，对试验必需的空间环境模拟器、试验工装等物理实体资源建立对应功能的数字孪生模型，保证物理实体资源与数字孪生资源模型在几何形状、关联尺寸、空间位置、材料特性、光学属性、热物性参数、拓扑关系等全要素，设计、生产、装配、使用、报废等全过程，材料、结构、性能等多尺度3个方面的如实映射。试验资源全要素、全过程、多尺度数字孪生体构建功能系统实现页面如图13所示。此外，利用三维激光扫描设备进行映射关系定期更新。开发应用上，通过智能试验管控平台软件将各类制造资源的物理实体系统、数字孪生系统以及应用服务系统封装为制造资源智能体，平台软件通过与各类商业软件的集成、封装，实现各类制造资源的建模、导入、管理等基本功能，并建立试验资源物理实体与数字孪生模型的数据实时映射交互，同时还可为设计提供试验资源知识支持等服务。

(2)试验过程智能体构建及应用

在试验资源智能体构建的基础上，构建试验过程智能体，主要工作包括将产品结构模型转化为试验结构模型、开展试验流程数字化设计及仿真、进行试验资源智能体调用及配置、试验数字孪生模型可视化展示、试验结果自动化生成等，虚拟试验时试验过程对试验资源数字孪生体调用配置管理功能系统实现页面如图14所示。开发应用上，通过智能试验管控平台软件，在试验过程智能体的动态配置下，驱动制造资源物理实体系统及数字孪生模型，一方面完成产品设计与试验仿真的小闭环、试验设计与试验实施的小闭环，另一方面完成物理实体系统与数字孪生系统试验过程的数据实时交互融合。

(3)试验服务智能体构建及应用

在试验资源智能体和试验过程智能体构建的基础上，由于试验仿真和真实实施过程中将产生海量数据，必须对试验资源、试验过程有关数学空间的智能算法进行优化配置，因此需要将试验资源、试验过程的物理实体系统以及数字孪生系统按任务需求封装为试验服务智能体，为产品设计、在轨装配等产品全生命周期研制及管理其他环节提供服务。以某型号产品试验工装设计阶段利用试验服务智能体开展试验工装优化设计为例，设计人员以产品三维几何模型和试验性能模型为输入，在试验服务智能体支持下开展设计，具体流程是：

(1)设计人员在试验服务管理平台上提出智能试验服务的具体任务要求，主要包括虚拟试验仿真的工装模型库要求、虚拟试验仿真的可接受时间、虚拟试验仿真的数据采样频率、虚拟试验仿真的试验条件设置、虚拟试验仿真的试验点信息及响应曲线要求等。

(2)试验任务智能体在得到在轨虚拟试验任务要求后，按需求提供试验工装模型库以及虚拟试验服务，提供虚拟试验数据以及在轨实时数据的判断，根据数据判读情况给出在轨操作的处理建议。虚拟试验时特定试验服务下试验对象试验数据云图及动态曲线功能实现页面如图15所示。

经过在某航天型号试验中的应用表明，基于数字孪生和多智能体的智能试验体系架构主要具有3方面突出优势，并通过设计及应用取得了实际成效：

(1)优化了智能试验系统的开发模式 提出从多智能体体系架构、智能体结构、数字孪生模型3个层面进行智能试验体系架构设计及应用，使传统的试验控制与管理子系统串行开发模式改变为并行开发模式，智能系统设计师主要负责试验智能体管理系统(TAMS)及可视化、流程等系统软件公用功能开发，试验设计人员主要负责试验过程智能体(TPA)的构建以及试验过程仿真、预示及优化，试验工装设计及设备配置人员主要负责试验资源智能体(TRA)的构建以及所必需数字孪生模型的开发和优化，资深试验专家主要负责试验服务智能体(TSA)的构建和优化以及与设计部门等其他研制环节专家会商全局最优方案。

(2)提高了试验资源的设计及配置效率 ①在试验资源数字孪生模型构建时，将试验资源层层分解为系统、子系统、单机、零部件、材料5级，并自下而上逐一建立试验资源数字孪生模型库，设计师可以根据任务需要，最大限度地复用试验资源数字孪生模型，减少了重复设计工作量；②在试验资源数字孪生模型数学空间问题提炼求解时，针对工装设计原有树型数据结构邻接列表模型(adjacency list model)计算速度慢的问题，优化为预排序遍历树算法(modified preorder tree traversal algorithm)，使试验任务仿真时试验资源的运行速度提高了50%以上；③试验工装设计完成后，可以在试验过程智能体中按照配置的试验流程进行方案仿真比较，在初步设计方案仿真比较时，资源数字孪生模型配置为简化模型，在详细设计方案仿真比较时，资源数字孪生模型配置为详细模型，这样就能在保证试验工装仿真精度的前提上提高试验工装设计效率。通过上述3方面改进，使试验工装的设计效率提高了50%，试验设计与实施总周期缩短了20%，也相应降低了有关试验成本。

(3)提高了产品试验与工装设计精度 ①构建了涵盖结构、热、真空、重力等多维度参数耦合的试验工装数字孪生模型，为提高试验仿真提供了数字基础；②在试验仿真过程数学空间求解时，采用了蒙特卡洛—区域法计算关键系数，通过取得很大模拟量提高了试验计算仿真精度；③将物理试验历史数据与仿真数据相融合，试验涉及到的科学维度及参数很多，如果采用纯数学的计算仿真手段进行优化求解，非常困难且存在误差，采用蒙特卡罗模型与历史数据拟合出半经验公式，能够同时提高仿真计算速度和产品试验数字仿真与实物物理试验结果的一致性。通过基于数字孪生和多智能体体系架构下的方法应用，使得产品试验及试验工装精度提高了15%，且在设计效率提高、设计精度提高、成本明显降低的情况下，一次性完成了航天器物理试验的全部任务目标。

6 结束语

本文对基于数字孪生和多智能体的航天器智能试验进行了相关研究，建立了体系架构，给出了任务分析范式、智能试验运行机制优化方案，提出了试验资源智能体、试验过程智能体、试验服务智能体的构建方法，最后利用某航天器正样试验进行了应用验证。通过案例分析得到了以下主要结论：

(1)针对航天器试验本身，验证了基于数字孪生和多智能体的智能试验体系架构设计方法的可用性，通过多智能体模式指导下初步开发的部分试验资源智能体、试验过程智能体、试验服务智能体，结合数字孪生技术指导下的各类智能体的数据驱动运行，提升了试验系统的自感知、自预测及自适应能力，提高了试验过程的控制与管理质量和效率，为航天器智能试验提供了一种新途径。

(2)针对航天器全生命周期智能研制需求，能够实现以航天器设计模型为输入，通过航天器试验任务分析、试验工装设计、试验过程实施在智能试验管控系统中的应用，有效提高试验设计与实施效率和试验工装设计精度。

虽然，本文提出的基于数字孪生和多智能体的智能试验体系架构设计及应用方法可以满足以航天器为代表的复杂产品地面试验的智能试验需求，但是还有大量的科学问题需进一步深入研究，尤其是体现在如何从海量试验数据中提炼规律，与在轨小样本遥测数据相融合来指导设计优化在轨服务等复杂任务上。