陆军合成旅典型装备保障系统数字孪生模型 *

王帅 ，王亚彬 ，王金帼 ，王茁 ，赵建民

（1. 陆军工程大学 石家庄校区，河北 石家庄 050003；2. 河北省机械装备状态监测与评估重点实验室，河北 石家庄 050003）

0 引言

陆军合成旅是新体制下陆军调整组建的新型作战力量，其相关问题研究是陆军当前研究的热点和亟须解决的问题［1］。良好的装备保障是保持和恢复装备战斗力的重要保证，一个效率高、响应快的装备保障系统能够有效提升军事装备的利用水平和利用程度，从而提升装备的军事效益，促进部队战斗力的生成。

然而，陆军合成旅自身高度合成的特点，在其装备上表现出种类型号多、任务样式多、部署点位多的特点，装备使用环境复杂多变，不同装备面临不同的任务情况，有着不同的保障要求。陆军合成旅装备保障工作面临诸多新的问题与挑战［2］，传统保障模式已不能适应新的保障需求［3］，突出表现为信息利用水平不高、主动预警能力不强、器材需求测算不准等问题［4］。新的形势特点对装备保障“精确化”的要求愈加强烈。

精确保障，是指运用现代信息技术等高科技手段，组织对部队实施适时、适地、适量、适用的作战、后勤与装备保障。为提高装备保障精确程度，故障预测与健康管理（prognostic and health management，PHM）近年被引入装备使用与维修管理中，它利用各种传感器数据以及数据处理方法对装备健康状况进行评估，预测装备故障及剩余寿命，从而将传统的事后维修转变为事前维修［5］。然而，现有的PHM 主要是基于历史数据的静态对比和装备实体的特征数据分析，虽然能较好地捕捉和发现故障现象，但无法基于数据及时自主修正模型，也无法依据装备个性化特点进行较为准确的预测和评估［6］。另外，随着传感器技术与物联网技术的发展，以及复杂装备运行环境的动态变化，装备的监测程度越来越细致，同时带来了数据量倍增、高速、多源异构、易变等典型大数据特点。然而现有的PHM 相关体系及关键技术还普遍存在预测精确较低、数据不够全面、虚实交互不充分等问题，难以满足复杂装备在动态多变运行环境下实时状态评估、精确故障预测的需求。数字孪生技术的出现与发展，为解决当前装备保障面临的问题、实现装备“精确保障”提供了一种有效方法。

数字孪生（digital twin）是以数字化的方式建立物理实体的多维、多时空尺度、多学科、多物理量的动态虚拟模型来仿真和刻画物理实体在真实环境中的属性、行为、规则等，并提供反馈［7-8］。

数字孪生技术以传感器技术、大数据技术等大量先进技术为基础，实现自动测量、自动记录、主动上传、主动分析、主动预警、辅助决策等功能，数据一致性高、可靠性好，可以大大提高装备维修保障的主动性、准确性。

利用数字孪生技术，建立装备保障系统数字孪生模型，可以精准全面地掌握装备的现时状态、历史状态，得到高保真的装备仿真模型，基于装备状态研究保障需求，优化装备保障模式，在装备即将发生故障时进行维修，充分发挥装备性能，减少维修器材库存和维修等待时间，提高装备保障效益［9］。

研究陆军合成旅典型装备保障系统数字孪生模型，利用数字孪生模型解决陆军合成旅典型装备保障问题，对提升陆军合成旅装备保障能力、实现装备“精确保障”，具有重要意义。

1 研究对象分析

1.1 基本概念

装备保障，是指为使装备保持、恢复规定的技术状态或改善装备性能，进行的装备调配、维修等方面的保障活动。本文特指装备维修保障活动。

陆军合成旅典型装备保障系统，是指为使陆军合成旅典型装备保持、恢复规定的技术状态或改善装备性能，进行维护和修理活动所涉及的典型装备及保障要素构成的系统。

陆军合成旅典型装备保障系统数字孪生模型，是指利用信息技术构建的物理装备保障系统与虚拟装备保障系统的双向真实映射和准实时交互模型，它将数字孪生技术与陆军合成旅典型装备保障系统中的关键环节、关键过程、关键对象紧密结合，基于模型与数据对物理空间的典型装备保障系统进行实时的模拟、监测、反映，并借助算法、管理方法、专家知识、软件等对保障系统及各要素进行分析、评估、预测、管理、优化，辅助装备保障工作［10-11］。

1.2 系统分析

陆军合成旅典型装备保障系统主要包括陆军合成旅典型装备系统和陆军合成旅维修保障系统2个部分。其中，维修保障系统作用的对象是装备系统，装备系统的健康状态对保障系统产生直接影响。装备系统的状态改变引起保障系统的各项活动，保障系统的活动恢复装备系统的状态。2 个系统相互影响、联系紧密。

1.2.1 陆军合成旅典型装备系统

陆军合成旅典型装备系统，是指陆军合成旅中主要编配的、对战斗力生成较为重要的各类装备组成的系统。

（1） 系统组成

陆军合成旅典型装备一般包括坦克、步战车、自行火炮、防空导弹等多类装备，每种装备具有多个型号，具有装备类型多、型号多、数量多等显著特征，如图1 所示。

图1 陆军合成旅装备系统Fig. 1 Equipment system of army synthetic brigade

以某型自行火炮作为典型装备进行分析，其组成可以分为火力系统、火控系统、底盘系统等多个装备子系统。各装备子系统是由多个可更换单元构成的，有串联系统、并联系统、混联系统、表决系统等多种结构，如图2 所示。

图2 某型自行火炮装备系统Fig. 2 A self-propelled artillery equipment system

装备的全寿命周期包含设计、生产、使用、退役等诸多环节，装备在陆军合成旅主要处于使用阶段。因此，对陆军合成旅典型装备进行研究，主要进行装备使用阶段各类问题的研究。本文主要对陆军合成旅典型装备使用阶段故障情况与维护修理情况进行研究。

（2） 装备维修需求判断

装备的状态变化，产生装备维修需求。装备维修需求，依据装备故障单元对装备运行的重要性进行判断。

装备可更换单元根据其故障对装备运行的影响，可以分为3 个等级：

重要单元，指故障直接影响装备运行的单元。应重点加强其健康状态监测，在其即将故障之时利用预定停机时间维修，尽量避免其意外故障。

一般单元，指短期故障不影响装备运行，但不能长期带故障运行的单元。应对其健康状态进行监测，在发现其即将故障或已经故障后的停机时间，及时进行维修。

次要单元，指故障对装备运行影响较小的单元或具有冗余备份的单元。在其故障后，视备件等维修条件，在装备下次维修时进行修理。

装备维修需求判断情况如图3 所示。其中，停机修复性维修、择机修复性维修、择机预防性维修可以判断为装备需要维修，随下次维修修理可以判断为装备暂不需要维修。

图3 装备维修需求判断Fig. 3 Equipment maintenance demand judgment

通过数字孪生模型的运用，加强对装备状态的动态监测，加强故障预测和需求分析，提前做好维修准备，可以使择机维修的成为大多数，停机维修的成为较少数，加强装备保障的主动性，如图4所示。

图4 各类维修需求比例示意图Fig. 4 Schematic diagram of proportion of various maintenance requirements

1.2.2 陆军合成旅维修保障系统

陆军合成旅维修保障系统，是指陆军合成旅内部进行装备维修保障活动涉及的各类保障要素组成的集合。

（1） 系统组成

陆军合成旅维修保障系统主要包括保障机构、人员、设备、器材，以及维修保障信息系统等。其中，保障机构主要包括保障机关、保障分队、器材仓库，人员主要包括装备使用人员和装备维修人员，设备主要包括用于装备维修保障的机具、仪器、仪表等，器材主要包括备件、附品、机工具、装具、材料、油液等。如图5 所示。

图5 陆军合成旅维修保障系统Fig. 5 Maintenance support system of army synthetic brigade

（2） 系统运行

陆军合成旅维修保障系统，主要完成陆军合成旅所属装备维修保障任务，包括运行分析、状态评估、故障预测、装备维修、器材筹备等。

以装备维修为例对系统运行流程进行说明。新体制下，陆军装备维修保障实行基地级和部队级两级维修体制。其中，陆军合成旅装备维修保障系统属于部队级维修系统，对维修能力范围内的故障装备，依据装备故障类型和维修复杂程度，主要采用原件修复和换件修理的方式进行维修。对超出维修能力的装备故障，一般报请上级进行维修。相应维修决策流程如图6 所示。

图6 维修决策流程Fig. 6 Maintenance decision process

2 数字孪生模型框架及关键技术研究

为使数字孪生技术进一步在更多领域落地应用，陶飞等提出了“数字孪生五维模型”，即数字孪生模型由物理实体、虚拟实体、服务、孪生数据以及各组成部分间的连接组成［12］。

依照“数字孪生五维模型”，陆军合成旅典型装备保障数字孪生模型框架可以从物理维、孪生维、数据维、应用维、连接维5 个维度进行分析，如图7所示。

图7 基于数字孪生的装备维修保障框架Fig. 7 Equipment maintenance support framework based on digital twin

5 个维度相互连接、互通数据，形成模型对实体的真实映射。在模型运行过程中，物理维通过数据采集，将系统运行的实时数据传递给孪生维、数据维和应用维。孪生维利用实体数据通过仿真运行对物理实体进行跟随仿真，向应用维提供模型支撑。数据维负责模型各类数据的接收、存储与预处理，并向各维度分发。应用维利用数据维给出的数据和孪生维提供的模型，向装备管理人员提供应用服务，辅助装备维修保障决策制定，作用于物理维，同时基于数据处理结果修正虚拟仿真模型，实现对系统的精准描述。连接维则提供了各维度之间数据传递的标准与途径。

（1） 物理维：完成实体数据采集

物理维，是指装备维修保障系统的各实体要素，包括维修保障机构、人员、设备、器材以及装备系统各实体，也包括数据收集使用的传感器、测量工具、仪器、设备等，是数字孪生模型实体数据的来源和数字孪生决策的作用对象，也是数字孪生模型构建的首要前提。

物理维在物理世界各因素影响下运行，同时利用各项数据采集技术，对反映物理实体各项状态的数据进行采集，并传送给数据维。对装备系统实体数据的采集主要依靠传感器技术、RFID（radio frequency identification）技术、二维条码技术等感知技术、检测技术，获取装备实体的状态信息；对维修保障系统实体数据的采集主要依托维修保障信息系统进行，获取维修保障各项事件发生的时间、消耗的资源、达成的效果等信息。

（2） 孪生维：进行虚拟系统仿真

孪生维，是指基于建模仿真技术，对各物理实体建立的数字孪生体，即对各实体要素高度还原的虚拟仿真模型，可以依据传感器数据和系统运行逻辑实现对物理实体的实时精准描述与虚拟仿真，是数字孪生模型孪生数据的来源，是数字孪生模型构建的关键要素。

建立装备保障数字孪生模型，需要对所研究的每一装备、每一保障要素建立数字孪生体，即仿真模型，并在数据驱动下保持对物理实体的动态跟随。为了实现对物理实体的精准映射，需要从维修保障系统、典型装备、可更换单元3 个层次，建立不同颗粒度的仿真模型。

随着仿真建模技术的发展，当前市场上各类仿真软件数量较多，除了Matlab 等通用仿真软件，还出现了很多专门针对某类问题的专用仿真软件，实现的功能较为强大，可以较为方便地建立数字孪生仿真模型。AnyLogic 软件是一款应用广泛的，对离散、连续和混合系统进行建模和仿真的工具。它可以快速构建系统仿真模型，实现多智能体建模、逻辑建模、状态建模等功能，较为适合数字孪生模型的开发。

采用AnyLogic 软件，可以建立维修保障系统、典型装备、可更换单元3 个层次的数字孪生模型。其中，维修保障系统采用多智能体建模方法建立模型，典型装备采用逻辑建模方法建立模型、可更换单元采用状态建模方法建立模型。如图8~10 所示。

图8 维修保障系统多智能体模型Fig. 8 Multi agent model of maintenance support system

（3） 数据维：处理模型各类数据

数据维是指数字孪生模型各类数据的集合，负责数字孪生模型各类数据的接收、存储与预处理，主要包括物理维采集到的实体数据、孪生维虚拟仿真采集到的孪生数据、应用维进行各项分析处理产生的分析数据、数据维自身对各项数据进行预处理后获得的预处理数据，以及系统相关的知识库、经验库、约束库等支持数据等，是数字孪生模型的驱动。数据维各类数据如图11 所示。

图9 典型装备逻辑模型Fig. 9 Logic model of typical equipment

图11 数据维各类数据Fig. 11 Data of data dimension

图10 可更换单元状态模型Fig. 10 State model of replaceable unit

实体数据主要包括反映系统所需执行任务强度、时间等的任务数据；通过传感器、定期检测和保障信息系统获得的状态监测数据；反映系统运行环境的环境数据，如温度、湿度、风沙、气压等；通过保障信息系统获得的保障数据，即维修保障事件信息；反映操作和保障人员结构及熟练程度的人员数据；反映库存各类维修器材数量、质量情况的器材数据；反映装备各系统组成、运行关系、技术参数、限制条件等的装备参数；记录系统各要素运行时间、运行强度、运行关键参数的运行数据；装备定型试验中获得的与装备使用、维修、保管、保养有关的试验数据；进行系统各项事件记录的历史数据等。

孪生数据主要包括支持仿真系统运行的仿真参数；系统各组成、各装备、各单元的各类事件发生的事件规律；各类事件在仿真系统内运转的内部逻辑；各类方法仿真运行的仿真结果等。这些数据在装备试验与经验总结获得基础数据的基础上，在系统运行与仿真过程中实时进行校正，以得到对物理实体的精准映射。

分析数据是应用维基于大数据、智能算法等技术，利用实体数据、孪生数据、仿真模型，在知识库、经验库、约束库的支持下，对系统进行的仿真结果分析、孪生数据分析、数据融合、规律拟合，获得的各类仿真预测数据、规律、趋势、权重。

（4） 应用维：实现模型各项功能

应用维是指数字孪生模型应用过程中使用的各类算法、程序，负责在知识库、经验库、约束库的支持下，对数据维各项数据进行融合分析、仿真预测、优化决策，实现辅助决策各项功能，并将形成的决策作用于物理维，是数字孪生模型的交互窗口，是数字孪生模型输出运行结果、实现模型功能的途径。模型的各项功能由应用维向用户呈现，并作用于物理维。

应用维基于对模型数据的处理，可以辅助装备管理人员完成信息登记统计、运行状态分析、装备状态监测与评估、维修需求分析、故障预测、故障诊断、器材需求预测、器材储备分析、器材仓储优化、运输路径优化等工作。

应用维主要需要用到的关键技术有神经网络、遗传算法、蚁群算法、深度学习、贝叶斯分类算法、决策树等智能算法；回归分析、时间序列预测、仿真预测、支持向量机等预测技术；图论、GIS（Geoinformation system）系统等路径规划算法；以及软件开发、人机交互等其他相关技术。

（5） 连接维：传递模型内外信息

连接维是数字孪生模型内部物理维、孪生维、数据维、应用维之间以及模型与外界模型相互通信所使用到的硬件、软件、协议的集合，在模型各维度之间建立全连接，并建立与外界模型通信的通道，保障数据调用通畅，是数字孪生模型的重要桥梁。

在运行过程中，物理维、孪生维、数据维、应用维之间需要传递大量数据，模型与模型之间也需要数据沟通，数据传递的通道与规范由连接维进行支持。通过连接维，各维度之间紧密相连、相互映射，模型之间也可分享数据，相互提供依据。

对内，通过连接维，各维度之间可以及时采集并实时共享所需数据，从而实现对装备的精准描述、准确分析与预测。对外，通过连接维可以与维修保障信息系统相连接，获取维修保障系统信息数据，也可以与上级装备保障数字孪生模型、本单位其他装备数字孪生模型、基于数字孪生的仓储管理模型等模型相连，及时获取外部信息，作出正确分析与决策。

数据的通信主要需要网络技术、无线电传输技术、光纤通信技术、协议转换技术、数据通信标准和规范等技术的支持。

3 数字孪生模型应用设想

利用装备保障数字孪生模型，可以在仿真模型中实现对实体模型的状态跟随，随时掌握装备维修保障系统的实时状态，分析系统运行规律，并可以以当前状态为初始状态进行各种环境条件下的系统仿真运行，进行保障需求预测与保障决策验证。陆军合成旅典型装备保障系统数字孪生模型的应用设想如下：

3.1 数据融合分析

随着大数据时代的到来，数据采集、存储与处理能力得到大幅提升，有效利用数据精确掌握装备保障需求、提高装备保障能力成为可能。及时收集和记录维修保障系统、典型装备、可更换单元的各类数据，可以准确掌握系统运行状态，充分利用数据分析装备故障规律、预测维修器材需求，及时作出最优决策、进行精确保障。

陆军合成旅合成程度高，新型装备多，为了使信息获取更精确、决策效果更优，需要有更多的基础数据作为支撑，数据登记统计需求量越来越大、对数据的精确程度和统计速度要求越来越高，传统的人工统计、逐层汇总的模式逐渐不能适应装备保障的需要。

数字孪生模型可以利用传感器、射频识别等技术，动态收集记录装备保障系统运行数据、所属装备数据、维修保障数据等，对装备保障各类数据进行整合，并可通过网络同其他数字孪生模型远程交换数据，从而可以减轻当前数据统计压力，解决当前装备保障数据利用率不高的问题。

利用数字大屏技术，可以使各级指挥员和装备保障人员很方便地了解所属装备的保障情况，从整体上把握全局，以全局的视角进行决策，达成全局最优的目的。

通过计算机仿真与智能算法的分析，对获取的数据进行保障数据统计分析、故障规律拟合预测、可靠性数据计算，可以实现装备管理、状态监测、故障预测、维修器材需求预测等功能，为实现辅助决策各项功能作数据支撑，实现装备精确保障的目标。

3.2 健康状态评估

及时评估装备健康状态，提前感知装备故障情况，查找薄弱环节和安全隐患，在故障前做好应对准备，对保持装备良好运行、提高装备保障工作的主动性非常重要［13-14］。

传统的健康状态评估多采用人工评估方式，人工统计梳理各类数据，依据专家经验进行打分，依据统计规律设定阈值，以此判定健康状态。这对专家的技术水平要求较高，评估结果容易受到主观因素的影响。随着装备日益复杂，对精确保障的需求日益高涨，需要统计的表征装备状态的数据需求越来越多，人工统计梳理数据耗时长、错误率高，影响评估的准确性和时效性。传统的健康状态评估方法无法做到实时动态评估，不利于精确保障的实现。

利用数字孪生模型与实体装备和保障要素虚拟同步运行，通过传感器实际测量获取易于测量的状态数据，通过虚拟仿真获取不易测量的状态数据，虚实结合，全面获取表征装备健康状态的数据。探索数据驱动下的装备健康状态等级划分，利用神经网络等智能算法分析装备状态数据，找出装备状态数据与健康状态之间的规律，研究数据驱动下的装备健康状态评估方法，可以及时对每个单元的运行情况与健康状态进行分析，对临近故障状态的单元进行预警提示。

利用数字孪生模型开展基于健康状态评估的装备维修需求分析，分析健康状态与维修需求基本关系，构建基于健康状态评估的装备维修需求分析模型，可以实现装备健康状态的实时评估，主动发现装备故障苗头，进行预测预警，准确分析维修需求，指导保障人员提前准备和及时维修。同时，采集到的装备状态数据，可以为装备保障仿真预测提供初始条件。

3.3 多种条件下的仿真预测

维修器材是实施装备维修保障的重要物质基础［15］，其保障水平与补充策略直接影响部队战斗力生成和经费使用效益［16-17］。器材供应不足将会导致装备完好率的下降，影响战斗力生成；器材积压过多又会提高库存成本，降低经费使用效益［18］。因此，对未来一段时间内的装备维修器材需求进行预测，对部队准确掌握器材需求、提出器材申请，提前进行器材储备、减少装备待修时间，具有重要意义。

陆军合成旅装备种类多元、执行任务多样，不同的装备在不同的阶段执行不同的任务，将会面临不同的装备使用环境，装备故障规律不同，且装备运行的后一阶段受到前一阶段使用状况的影响，装备状态始终处于动态变化之中。通过解析的方法难以对装备的运行状态、故障规律和维修器材需求进行精确的预测，需要使用仿真方法解决预测问题。

利用数字孪生模型，通过调整仿真参数，可以对装备在不同使用任务、运行环境、维修策略、仓储策略条件下进行仿真，全面模拟装备即将工作的运行环境。

通过全面考虑每一件装备实际状态、运行情况，基于历史数据、现时状态、故障规律，利用大数据分析、智能算法等技术，研究装备运转与环境对装备健康状态的影响。

通过仿真装备运行环境，考虑运转与环境对装备健康状态的影响，以装备当前健康状态为初始状态，驱动装备在仿真的环境下模拟运行，可以仿真装备的运行状态，获取各项运行参数，从而对维修器材需求进行预测、对器材筹备策略进行优化，为装备保障决策提供支撑。

4 结束语

陆军合成旅作为陆军新型作战力量，其装备合成程度高，保障问题复杂。新的装备发展形势和训练备战要求，对装备“精确保障”的要求越来越高。利用数字孪生模型，可以准确评估系统中每台装备、每个单元的实时健康状态，掌握装备保障各要素的实时状态。通过各维度间的迭代优化，实现对装备保障系统的预测、优化与决策，可以有效预测装备故障，提前筹措维修资源，做好维修准备，增强装备保障的及时性、主动性。在装备发生故障前夕对故障进行维修，避免发生“维修过剩”“维修不足”现象，提高装备单元的利用率，降低装备维修保障费用，提升装备维修保障效益。

本文通过对研究对象的分析，廓清了研究系统的内涵和外延，掌握了系统运行规律。通过构建数字孪生模型框架，清晰刻画了数字孪生模型的结构。通过探索各维度的关键技术，为数字孪生模型的构造与应用提供了方法。通过研究模型的应用设想，具体阐述了数字孪生模型如何发挥实际作用的问题。

需要指出的是，理想状态下，数字孪生模型囊括了整个装备保障系统所有要素的全部数据。但目前数字孪生技术在军事装备保障领域的研究尚处于初步研究阶段，相关软硬件设施还在进一步探索中。同时，受到经费、人才、标准等多方面的限制，这种状态在目前的状况下很难实现。

因此，研究基于数字孪生的装备维修保障，可以根据自身研究方向，重点对关键组元和关键指标进行研究。具体研究中，可以在通用数字孪生模型的基础上，选择研究重点关注的方面，调整数字孪生模型各维度的内容、参数，设计相应算法，使模型更加适合主要研究的问题，如基于数字孪生的PHM、数字孪生仓库、基于数字孪生的器材配送管理等。