基于数字孪生的航天器装配质量监控与预测技术

张佳朋，刘检华，龚 康，张 川,庄存波+，赵本华

(1.北京理工大学 机械与车辆学院，北京 100081；2.北京卫星制造厂有限公司，北京 100094；3.航天科工空间工程发展有限公司，湖北 武汉 100854)

0 引言

航天器是构建国家海、陆、空、天、网、电安全体系的重要组成部分，是国家重大装备之一。为完成特定的飞行任务(深空探测、高分辨率对地观测、导航、通信等)，航天器需要根据任务需求进行深度定制，因此航天产品在性能方面往往表现出多品种、长寿命、高精度、轻量化、高质量等特点，在研制模式上一般呈现为单件小批量生产以及研试结合。装配阶段是航天器研制过程的末端环节，也是可靠实现其设计性能指标的关键环节，对航天器能否完成在轨任务具有重要作用，甚至决定特定飞行任务的成败。

航天器需要在单件小批量生产模式下完成高性能装配，因为存在的许多不确定因素使装配过程中包含有大量测试验证环节，极大制约了装配效率，所以针对航天器性能的装配质量监控与预测非常重要，相关学者也进行了大量研究。针对卫星、导弹、火箭等航天复杂产品装配，刘检华等[1-2]提出一种基于流程的装配过程质量数据采集、管理与监控方法；张根保等[3]采用灰熵关联分析和粒子群-BP神经网络法，分别实现了装配特征筛选和产品装配质量预测；洪军等[4]构建了描述装配过程中关键几何特征变动、特征测量和调整偏差传递的状态空间模型，对整机精度的影响规律进行了预测。上述研究推动了离散产品装配质量监控与预测在工程实际中的初步应用，但是无法在装配过程中动态实时全面地监控与预测航天器的装配性能。数字孪生(digital twin)技术是一种以数字化的方式对物理实体对象进行描述和建模的方法[5]，作为智能制造的使能技术之一，已经成为工程应用领域的关注热点[6-7]。基于该技术和理念，通过在数字空间的多维度和多物理量仿真预测与迭代优化，能够极大减少航天器装配过程中的测试验证环节，为提升装配效率和优化装配质量提供一种新的解决途径。目前，学术界和工业界针对如何将数字孪生技术应用于产品全周期各环节进行了大量研究，李浩等[8]提出基于数字孪生的复杂产品环形设计框架；Zhuang等[9]提出基于数字孪生的复杂产品装配过程智能管控方法，构建了相应的体系框架，详细阐述了该体系框架中涉及的装配大数据管理、车间运行状态预测和智能迭代优化等关键实现技术及其实施过程；武颖等[10]提出构建质量管控数字孪生模型的方法，实现了装配过程质量数据的采集、分析与预测；Leng等[11]提出一种数字孪生驱动的制造网络物理系统，用于生产车间的并行控制，并讨论了MCPS的框架、关键技术及其系统实现；陶飞等[12-13]探索了数字孪生车间的概念，设计了相关系统的组成和运行机制，以及系统实现的特点和关键技术，并结合行业应用需求，探讨了数字孪生五维模型在十个领域的应用思路与方案；郭东升等[14]针对航天结构件制造车间物理空间和信息空间缺少实时交互的问题，提出基于数字孪生的车间建模框架；赵浩然等[15]针对数字孪生车间的应用，提出针对离散产品装配的三维可视化实时监控方法；达索公司通过建立数字孪生模型平台，对产品数字模型进行持续反馈改进，进而改进优化物理实体产品[16]；美国国家航空航天局(National Aeronautics and Space Administration，NASA)针对航天器产品飞行系统的故障预测与消除问题，采用数字孪生方法将物理系统与虚拟系统进行融合，实现了飞行系统的质量预测和健康管理[17]。

上述研究推动了数字孪生技术在相关工程上的初步应用，然而相关成果多偏向于产品运维环节的寿命和健康预测，以及面向制造环节的生产过程三维可视化监控等，针对航天器装配性能的监控与预测研究较少。在航天器装配过程中，由于小批量定制化生产过程不确定因素多，需要根据变化不断调整装配策略，导致无法准确有效地预测与评估航天器的功能和性能，通常需要在装配流程中穿插大量的试验验证环节，通过试验验证产品性能是否满足设计指标。引入数字孪生技术进行装配质量在线监控与预测可以显著减少航天器的试验验证环节，目前缺少有关数字孪生技术与装配预测应用结合的体系框架研究，无法应用相关技术解决工程实际问题。

针对以上问题，本文在分析航天产品装配流程的基础上，将数字孪生技术引入航天产品装配过程，探索构建面向装配质量的数字孪生多维高保真建模方法，以及基于流程的数据采集方法，最后基于灰度关联对装配质量进行综合预测，为航天产品装配质量的在线预测与管控提供一种新的技术手段。

1 航天器装配流程分析

与一般产品相比，飞船、卫星等航天器在装配过程中表现出如下特点：①面向订单生产，工期较固定；②测试环节多，不确定因素多；③多阶段交叉，设计与制造并行[18]。由于上述特点，以及航天产品的高可靠性、高安全性要求，航天器装配过程中一般包括机电相关产品环境试验、基本性能试验、环境试验和跑合试验。图1所示为某组件装配和试验的整个流程，其中在紧固件涂胶(M7节点)完成后，需要进行的环境试验(M8节点)和跑合试验(M9节点)流程如图2所示。

航天产品一般采用设计与制造并行的研制模式，目前航天产品的装配过程具有如下特点：

(1)边设计、边生产、边装配，进度风险大

由于航天器研制任务的特殊性，为了加快研制进度以保证发射任务按期完成，一般在航天器的设计边界还未完全确定、总体设计还未完成的情况下，产品已经进入前期准备和先行件投产状态。航天器的指标、功能均存在一定不确定性，然而因为周期影响又不允许通过实物形式不断优化产品设计来提高产品性能，所以需要在产品设计和工艺设计环节开展大量风险分析和隐患分析，并制定相应预案，以保证在发生问题时能够快速响应。

(2)测试环节多且形式复杂多样

为保证航天器的最终性能满足特定的飞行任务需求，在航天器产品装配过程中会穿插大量测试环节。通过复杂多样的测试发现产品性能不满足设计要求时，对于不符合项，技术人员需要快速定位原因，并对相关产品或装配环节进行调整，尤其是出现质量问题时，需要开展大量机理分析工作，并配合大量试验来验证机理分析的正确性，最后将质量问题再现，以确保质量问题分析到位。

(3)手工装配大量存在，对技能水平要求高

目前，航天器研制中的手工装配过程大量存在，产品性能和装配精度指标与操作者的技能水平、装配工艺等因素密切相关，但是对于各环节之间的影响因素缺乏定量分析，不同型号间、不同操作者间的装配数据复用性较差，很难通过反馈数据使装配质量得到螺旋式提升。

2 面向装配质量的数字孪生建模方法

目前，为了满足航天器装配的高质量要求，在装配过程中设计了大量测试验证环节，然而目前的测试验证环节往往是孤立的，所测得的数据仅应用于当前工序，无法描述数字空间中的装配过程和装配结果，因此要实现装配质量的在线监控与预测，首先要构建面向装配质量的多维高保真数字孪生模型，通过该模型建立航天产品性能、装配质量、零件加工精度之间的映射关系，从而完成数字孪生体和物理实体之间的交互与共融。

为准确定义面向装配质量的数字孪生，多维高保真模型在维度上应包括质量预测模型、产品三维可视化模型和数据管理模型等。质量预测模型用于建立产品性能和装配质量数据之间的联系，将现场实施采集的装配质量数据通过计算反映到数字孪生体的性能指标上；产品三维可视化模型是将相关预测结果以便捷可视化的形式提供给用户，使与用户的交互体验最为直观；数据管理模型用于完成装配质量数据的采集与管理。面向装配质量的数字孪生构建体系框图如图3所示。

其中，三维可视化模型建立的研究和应用可以借鉴相关学者的研究，例如赵浩然等[15]利用Unity3D虚拟现实平台进行开发，基于三维造型软件构建了能够实现全流程、全动态监控的虚拟车间三维模型；张涛等[19]采用实例化技术、LOD技术和纹理映射技术,在Unity3D平台中构建了能够实时动态反映车间状态的场景。数据管理模型是驱动数字孪生模型的源头，其建立方法参见第3章；构建多维高保真模型的关键是质量预测模型，为保证模型的高保真性，建模过程既要建立航天产品性能、装配质量、零件加工精度之间的关系，又要反映不同指标影响性能的权重系数。因此，下面以典型航天器性能指标预测为例，重点介绍质量预测模型的主要构建过程。

2.1 产品性能和装配质量映射关系建模

为满足特定的飞行任务，确保实现主要性能指标，航天产品在设计阶段会根据任务需要规定产品研制的设计输入、功能与使用模式、使用和贮存环境、技术指标和设计要求、试验要求、质量控制要求、产品验收等内容。产品性能指标要求往往通过多个可测得的装配质量表征，通常产品性能指标与装配质量存在密切的映射关系，这种映射关系类型包括一对一、一对多和多对一，即一种产品性能可能与一个或多个方面的装配质量相关，某个特定的装配质量可能影响多个产品性能。针对不同的产品，装配质量影响产品性能的权重不同，高保真建模过程要能够完全体现性能指标间的相互影响以及不同装配质量指标的权重。产品性能和装配质量之间的映射关系模型如图4所示。

要完成面向装配质量的数字孪生高保真建模，首先要针对特定产品建立产品性能和装配质量之间的映射关系模型，并设置各个装配质量影响产品性能的权重，各指标间往往存在耦合关系，表现为提升产品某个性能指标可能会降低其他指标。航天产品的性能指标通常包括寿命、噪音、重量、可靠性、可测试性、可维修性等，与其相关的装配质量通常有漏率指标、装配间隙、同轴度、平行度、质心位置等。

以产品噪声指标为例说明产品性能和装配质量映射关系的建模方法。根据某航天器舱内使用环境的要求，噪声(测试距离1 m～1.2 m)指标如表1所示，其中规定了舱内产品在各频率下声音震动幅值的要求，以及声音的最终加权平均值，即舱内产品的运行噪声既要满足各频率下的声音幅值要求，也要满足最终的加权平均值稳态噪声(≤60 dB(A))，因此需要通过产品性能和装配质量间的映射关系来表达相互间的影响。

表1 某航天器舱内的稳态噪声医学要求

针对产品的运行噪声要求，需要建立各频率下运行噪声和装配质量间的映射关系，同时明确各频率下影响装配质量的权重，例如电机转子气隙主要影响高频噪声，滚珠丝杠回转跳动主要影响低频噪声。

产品运行时的噪声来源是与运动相关的部件，与泵组件运动相关的部件有控制器、电机、联轴器、滚珠丝杠、缸体组件。根据分析结果，对产品运行噪声和装配质量之间的映射关系进行建模，并设置各参数间的权重，如图5所示。

2.2 分析影响装配质量的要素

航天产品在设计阶段根据产品性能要求确定装配质量要求后，为保证装配质量能够达到预期设计要求，需要根据产品性能要求进行精度分解，装配质量最终体现在可以定量测量的零件加工精度和材料属性上，如形状精度、尺寸精度、位置精度和零件的材料属性等，本文将影响装配质量的零件加工精度和材料属性统称为影响装配质量要素。零件加工精度分解的过程，就是在装配质量和装配要素间建立映射关系的过程。在工程实际中，这种映射关系通常是单向的，即在产品设计阶段根据装配质量要求设计零件加工精度，但是在生产阶段，不会根据已经加工完成的零件尺寸反求可以达到的最优的装配质量。而建立数字孪生高保真模型后，装配质量和装配要素间的映射关系是双向的，既可以根据装配质量要求进行精度分解，又能够根据实际加工情况预测装配质量。装配质量和装配要素之间通常是多对多的关系，即某个装配质量由多个要素决定，某个装配要素又影响多个装配质量，而且各装配质量之间也相互影响，装配质量之间的相互影响分为强相关和弱相关。

采用上述方法可以建立具体产品的映射关系模型，以航天产品的漏率指标、运行噪声指标、产品寿命指标为例说明装配质量和装配要素的映射关系如下：根据性能要求，分析得到漏率指标与密封界面材料、密封沟槽尺寸精度、密封圈构型规格、密封圈压缩率要素相关，运行噪声指标主要和润滑脂选用、运动副零件形位精度、运行跳动、关键零件尺寸精度要素相关，产品寿命主要和工质相容材料、密封圈构型规格精度、电机运行功率稳定性、跑和运行稳定性要素相关。密封漏率、运行噪声能在不同程度上影响产品寿命，因此产品寿命与密封漏率、运行噪声之间为强相关，而运行噪声与密封漏率关系并不密切，为弱相关，如图6所示。

2.3 构建面向装配质量的多维高保真数字孪生模型

由于技术的局限性，传统的产品设计均为从顶到下，即通过产品性能要求分解装配质量要求，进而分配零件加工精度和材料选型，一旦精度确定，在生产过程中就不能擅自更改。当航天产品在生产过程中发生超差问题无法满足设计要求时，需要经过一个复杂的不合格品审理过程，通常是在使用超差产品前进行质量归零，并分析原因，再通过大量试验进行验证，确保最终的产品性能在可接受范围内。所构建的面向装配质量的航天产品数字孪生模型，既可以进行由顶到底的精度设计与分解，又可以进行实时的由底到顶的质量预测，从而有效解决上述问题。

面向装配质量的高保真数字孪生模型，首先需要基础的三维模型；其次需要在三维模型的基础上添加前面所述的映射关系，其中映射关系包括各因素对最终产品性能的影响权重；最后需要建立各性能指标和各因素间的关系。航天产品高保真数字孪生模型构建过程如图7所示，该过程首先在产品设计模型的基础上关联产品性能指标总要求以及各性能指标间的关系，在装配关系模型的基础上关联装配质量指标以及各指标间的关系，然后在零件模型的基础上关联影响装配质量的要素，最后在实做模型的基础上关联产品性能指标的检测结果。由此完成了多维高保真模型的构建，该模型是质量预测的核心组成部分，通过实时数据的驱动，多维高保真模型可以将理论计算和产品物理紧密结合起来。

3 面向数字孪生构建的装配过程质量的在线监控与数据管理方法

数字孪生的核心是模型和数据，而装配是满足航天产品性能的执行单元，是产品研制数据流和控制流的汇集点，因此航天产品装配过程数据是驱动数字孪生模型的源头，对装配数据进行有效管控是实现信息物理融合的基础。

航天器装配呈现为动态性、随机性和复杂性的特点，装配数据随着装配过程的进行不断变化，如果不对这些变化进行有效记录和集成，则将导致装配过程管理和装配数据管理之间关系松散，装配数据记录与装配过程执行分离，使数据难以追溯，更无法实现对数字孪生体的驱动[20]。

3.1 装配过程质量数据的实时采集与监控

装配过程质量数据的实时采集与监控，是通过车间现场的软硬件设备实时采集现场的质量数据，经过数据分析与处理后，以可视化的形式将相关数据展示在看板上，从而完成对装配过程的监控。

不同类型的产品装配应采用不同的数据采集与监控方式。对于航天器装配，其过程一般包括装前准备阶段、装配执行阶段、数据分析与处理阶段、装配过程可视化监控阶段，各阶段数据通过集成接口在生产管理系统中流转和存储。装配过程质量数据的实时采集与监控流程示意如图8所示，装前准备数据一般通过工艺设计系统采集上传至服务器，装配过程执行数据一般由过程管理系统和相关的硬件设备采集上传至服务器，数据分析与处理结果通过专业数据分析系统采集上传至服务器，最后通过系统间的集成接口实现对所采集数据的集成管理，并采用现场看板进行集成展示和过程可视化监控。

装前准备阶段主要包括发起任务、维护基础数据、设计装配流程、管理装配资源、设计数据采集表单；装配过程包括调度装配资源、签署装配任务、采集装配质量数据、处理装配现场问题。上述各环节均产生大量数据，需用车间现场的软硬件设施进行实时采集，经过数据分析与处理后，以现场作业计划看板、工况信息看板、三维装配看板等可视化形式进行装配过程监控。实时数据驱动的数字孪生三维可视化模型展示界面如图9所示，图中展示了结构板装配车间的数字孪生模型，该模型可以由现场采集的实时数据驱动，并将实时数据进行可视化展示。

3.2 基于流程的装配过程数据管理

装配现场采集的数据是数字孪生体最直接的驱动，需要对其进行有效管理，以此为基础构建数字孪生体的数据管理模型。

航天产品装配是以流程为主进行生产组织，整个产品的装配工艺由一个串并联混合的装配工序链组成,该装配过程是一种典型的过程管理实例[20]。装配数据主要是一系列由装配节点组成的并行或串行链表，每一个装配节点中包含完成该节点所需的所有信息。因此可以基于流程对装配过程数据进行管理，并创建装配数据管理模型。基于流程的装配过程数据管理模型如图10所示。

装配过程的主流程节点用M表示，辅助流程节点用A表示。主流程中一个工序节点可以向下分解为多个子流程，如零件的生产和检测、部组件的装配调试；辅助流程是与主流程并行开展的工作，如总装直属件的齐套。每个主流程节点、辅助流程节点和子流程节点在装配过程中都会产生大量工序/工步数据，这些数据统称为前文所述的装配实施数据。

装配数据是构建数字孪生体的数据基础，首先装配准备数据中包含有实现产品装配的流程信息，可以以此流程为框架构建数字孪生模型框架；其次，装配实施数据均由装配流程节点直接产生，可以将装配实施数据以流程节点为依托映射到数字孪生体框架中，从而不断丰富完善数字孪生体；最后，在产品物理对象完成装配入库后，数字孪生体也同步完成构建，两者进行性能比对后可以随产品统一交付用户。

4 基于灰度关联的装配过程质量综合预测

由前述数字孪生多维高保真建模可知，产品性能和装配质量之间，以及装配质量和影响装配质量的要素之间存在两级映射关系，各要素的影响权重不同，而且各要素之间还存在耦合关系，要素之间的耦合规律及其对产品性能影响程度的未知性和复杂性，使得航天器装配预测系统构成为一个灰色系统，因此可以采用灰色关联分析法对各子系统进行灰色关联分析，然后用计算获得的各子系统之间的数值关系量化度量各子系统的影响权重，因此灰色关联分析法是对航天器装配质量进行预测的一种新的技术手段。

4.1 灰色关联分析法

应用灰色关联法进行航天器装配质量预测，首先要计算影响航天器性能指标的因素之间的关联度。若航天器性能指标和装配要素变化趋势的一致性程度较高，则表明它们之间的关联程度较高，否则关联程度较低。因此，可以应用关联分析法权衡装配要素和产品性能之间的关联程度，并将关联程度进行量化[21]。

航天器的装配过程受诸多因素影响，但是影响程度通常无法量化，影响规律也存在不确定性，因此首先要确定航天器性能和影响装配要素之间的关联度，关联度计算步骤如下：

(1)定义参考数列和比较数列，其中参考数列反映航天器的性能参数，比较数列反映影响性能的装配要素。航天器的一个性能参数受多个装配要素影响，即在数学表达上，一个参考数列(X0)对应多个比较数列，记为X1,X2,…,Xn。

(2)进行无量纲化处理。因为航天器中各装配要素的含义不同，无法直接带入算式计算，所以需要进行无量纲化处理，将上述参考数列和比较数列无量纲化后带入算式计算。

(3)计算关联系数。分别计算参考数列(X0)和与其对应的多个比较数列(X1,X2,…,Xn)的关联系数ξ(Xi)，

(1)

式中：ρ为装配要素的分辨系数，一般在0～1之间，航天器通常取0.5；Δ为各参数间的差值，Δ(min)为最小差，Δ(max)为最大差；Δ0i(k)为比较数列和参考数列的绝对差值。

(4)计算装配要素和航天器性能指标的关联度，即

(2)

其值越接近1，该装配要素和性能指标的关联度越好。

4.2 Markov预测方法

在航天产品装配过程中，手工焊接中的焊接参数、螺钉拧紧过程中的力矩大小等，容易因外部因素影响导致生产过程发生随机性变化。在确定各要素与产品性能的关联度后，还需要对上述随机变化的不确定性数据进行模糊预测，才能真正完成对航天产品性能的预测。因此采用Markov预测方法分析随机变化趋势，即通过分析已经获得的历史数据获得状态变化趋势，来预测其未来的状态[22-23]。本文将航天装配过程中可能发生随机变化的过程近似为Markov过程，采用Markov法预测其未来将要出现的状态。

应用Markov法进行质量预测的步骤[23]如下：

(1)定义状态转移概率 在航天器装配过程中，装配要素从一种状态转移到另一种状态的概率称为状态转移概率。将状态Ei转为状态Ej的状态转移概率记为P(Ei→Ej)，

P(Ei→Ej)=P(Ej/Ei)=Pij。

(3)

(2)构造状态转移概率矩阵 假设某一装配要素有n种状态E1,E2,…,En，根据上述状态转移矩阵的定义，根据各状态转移概率构造状态转移概率矩阵

(4)

(3)计算状态转移概率矩阵P根据已经获得的历史数据，分别计算某个状态转移到其他状态的概率，求得P(Ei→Ej)。例如，某组质量数据中，有50个从E1出发(转移出去)的状态转移，其中5个从E1转移到E1，44个从E1转移到E2，1个从E1转移到E3，则可以得出：

从而得到状态转移概率矩阵，进而通过历史数据预测某质量要素未来状态的发生概率。

4.3 实例与验证

载人航天器舱内稳态噪声小于60 dB是一项重要的医学要求指标，载人航天器舱内工作的单机产品均有噪声要求。以空间站某泵组件产品为例，通过分析可知，产品运行时的噪声与电机运行稳定性、滚珠丝杠质量等级、联轴器装配间隙和轴承装配间隙4个方面的质量密切相关，而且4个方面之间会相互作用产生耦合影响，在建立高保真数字孪生模型时需要对上述因素的影响权重进行量化分析，采用灰色关联分析法计算求得关联度，泵组件产品求得的结果为：噪声与电机运行稳定性关联度γ1=0.24，噪声与滚珠丝杠质量等级关联度γ2=0.12，噪声与联轴器装配间隙关联度γ3=0.63，噪声与轴承装配间隙关联度γ4=0.22。

上述关联度表明，影响泵组件产品噪声的因素从大到小依次为联轴器装配间隙、电机运行稳定性、轴承装配间隙、滚珠丝杠质量等级。

在计算获得噪声关联度的基础上，用Markov预测方法对近似为随机变化的过程进行预测。以联轴器装配间隙的状态预测为例，首先采集装配车间的历史数据，然后定义装配间隙的状态，例如联轴器装配间隙的装配要求范围是0.05 mm～0.3 mm，其最优范围是0.1 mm～0.2 mm，若历史数据中下一状态的间隙值小于0.1，则将下一状态标记为变窄(E1)；若下一状态的间隙值在0.1 mm～0.2 mm之间，则将下一状态标记为持平(E2)；若下一状态的间隙值大于0.2 mm，则将下一状态标记为变宽(E3)。最后通过采集到的数据计算求得联轴器装配间隙的状态转移概率矩阵由状态转移概率矩阵可知，若联轴器装配的上一状态为变宽(E3)，则未来装配间隙变窄的可能性为16%，持平的可能性为45%，变宽的可能性为39%。

为验证预测结果的正确性，对空间站某泵组件产品进行验证性测试，测试过程中保持其他因素不变，仅调整联轴器的装配间隙，然后对单因子影响因素进行测试。装配间隙调整过程如图11所示。

针对不同联轴器装配间隙进行噪声测试，测试结果与预测结果有很好的一致性。测试过程与测试结果如图12和图13所示。

以此类推，完成与产品噪声相关的全部要素的计算，同时根据历史质量数据预测未来装配要素的状态，进而在产品未完成装配时提前预测出所装配产品的噪声。特别地，当某个要素的参数不是随机变量时，应该跳过Markov预测过程，直接将试验测试得到的数据带入与其相关的关联度进行计算。在应用本技术前，有关噪声问题，只能在全部产品装配完成后通过噪声筛选试验筛选出性能指标合格的产品，而将不合格产品返修或者报废；应用本技术后，可以在产品组件或零件装配过程阶段，根据现场采集到的装配数据预测最终产品的运行噪声，当预测结果不符合性能指标时，可以提前在组件或零件装配环节进行干预，从而大大减少产品返修和报废的数量。

5 结束语

本文对面向航天器装配过程应用的数字孪生技术进行研究，在分析航天器装配流程特点的基础上，提出基于数字孪生的装配质量监控与预测方法，详细阐述了面向装配质量的数字孪生模型构建体系，包括数据管理模型、可视化模型和质量预测模型，并利用灰度关联法和Markov法实现了装配过程质量的综合预测，最后通过实例进行了验证。

为保证数字孪生技术应用于工程实践，数字孪生模型应能够在信息有限的条件下完成数据的计算与输出，因此该计算模型应包含大量的假设条件，即在相关数据缺失的情况下，能够按照最优情况进行数据预设，在将相关数据信息丰富完善后，又能进行实时调整。由于上述特性，导致初始数字孪生模型计算出的产品性能与物理对象的实际产品性能可能存在较大差距，这就要求数字孪生模型能够不断进行自我完善，通过与物理对象比对不断调整算例，直到能够以最优状态匹配历史数据，而且每当有新的数据加入，数字孪生模型就会对算例参数进行一次调整。如此优化反馈，可以不断提高数字孪生体的预测准确度。未来将通过融合大数据分析等技术手段进一步完善质量预测模型，并结合航天器性能指标预测需求开展更加深入的应用验证。