基于数字孪生的捷联惯组运行维护技术

陈家骏, 林家昀, 夏 旭, 范 源, 杨梦超

（湖南航天机电设备与特种材料研究所, 长沙 410205）

0 引言

近几年, 各国武器装备集成度、 功能性日益复杂, 研制生产周期逐渐缩减, 其设计、 研制、测试、 运行、 排故、 维修、 迭代等全生命周期作业难度及经济成本大幅增加。 随着信息智能计算技术及工业技术的快速发展, 数字化管理成为解决上述问题的有力方向, 复杂系统诊断、 预测和系统健康管理技术的不断发展, 在新兴的工业信息系统和工业智能推动下, 数字孪生技术成为智能制造领域和复杂系统智能运行和维护领域的新兴研究热点［1］。

其概念最早始于2003 年密西根大学教授GRIEVES 在其产品全生命周期管理（Product Lifecycle Manangement, PLM）课程上提出的“镜像空间模型”; 2010 年, 美国国家航空航天局在太空技术路线图中引入了数字孪生的概念; 2011 年, 美国空军研究实验室将数字孪生技术用于飞机结构寿命预测［2］; 2017 年, 数字孪生技术被Gartner 评为十大战略科技趋势之一［3-4］; 近年来, 西门子等公司致力于将产品从设计到制造的全过程数字化处理, 建立生产系统数字孪生模型［5］。

捷联惯组是我国重要装备产品, 亟需研究一种合适的捷联惯组数字化生产管理方案, 以降低捷联惯组的失效风险, 维护成本, 提高其运行可靠性及应用价值。 因此, 本文深入研究数字孪生应用需求及概念特征, 依托国内外发展现状, 重点剖析数字孪生系统关键技术, 在捷联惯组的生产排产、数据分析、 故障排查、 远程维护、 返工返修等方面首次引入数字孪生系统, 基于数字孪生技术实现了捷联惯组数字化的生产、 运行和维护。

1 数字孪生概念及特征

1.1 数字孪生概念

数字孪生是充分利用物理模型、 传感器更新、运行历史等数据, 集成多学科、 多物理量、 多尺度、 多概率的仿真过程, 在虚拟空间中完成映射,并驱动孪生装备与实体装备同步运行, 全面、 真实收集记录装备运行的数据和参数, 完成数字孪生模型更新学习与自我优化, 使其仿真的准确性不断提升［6-7］。 初期的数字孪生包含三个部分: 物理空间、 虚拟空间以及两者的数据流连接, 如图1所示。

图1 数字孪生的构成Fig.1 Components of a digital twin

依托于相关技术的快速发展, 各大强国均投入到数字孪生在捷联惯组上的应用中, 大力促进本土制造业转型升级, 如 “美国工业互联网”、“德国工业4.0”、 “中国制造2025”。

1.2 数字孪生技术国内外应用现状

近年来, 国内外学者及企业均在数字孪生技术方面进行了相关的研究和探索。 文献［8］提出了基于数字孪生的体系结构, 详细说明了数字孪生在生产设计、 制造以及服务阶段的具体实施途径,总结了数字孪生在智能制造中的内涵; 文献［9］对数字孪生中的14 类应用与实施难点进行分析, 最终提出了6 条应用准则; 文献［10］详细说明了数字孪生在智能制造、 工业4.0 以及航空航天领域的定义, 总结了数字孪生在CPS 工业系统中担任的角色。 表1 总结了国内外学者在数字孪生领域的一些代表性研究［7,11-21］。

表1 国内外数字孪生研究情况Table 1 Domestic and international research on digital twins

1.3 数字孪生在武器全生命周期中的应用

在武器全生命周期的制造阶段, 数字孪生技术可以用于指导优化研制生产工艺, 帮助操作人员改进武器的生产过程。 通过数字孪生技术, 可以建立武器的数字化生产线模型, 模拟并优化各个生产环节, 包括原材料采购、 零部件加工、 装配等, 以提高生产效率和质量。 数字孪生还可以帮助操作人员实时监控生产过程, 提供实时数据和反馈, 以便及时调整和优化生产计划。 2011 年,美国空军实验室的TUEGEL 等［2］利用超高保真的飞机数字孪生模型, 根据飞行条件将飞机结构变形和温度变化结合, 在虚拟模型中模拟飞机结构的局部损伤和组织变化, 以保证飞机结构的完整性,并预测飞机结构的寿命。 LUO 等［21］引入了用于切削工具、 信息流和数据管理的数字孪生数据格式和结构, 并应用该数字孪生来改进针对工艺规划优化的加工解决方案。 当数字孪生应用于生产车间时, 车间内机器和产品的状态实时反映在虚拟模型中, 从而使产品的制造更加智能化, 并形成基于数字孪生的生产新模式。

在武器制造完成后, 数字孪生技术还可用于后期维护和修复。 通过建立武器的数字孪生模型,可以实时监测武器的运行状态和性能, 预测潜在的故障和损坏, 并提供相应的维护指导。 数字孪生还可以帮助操作人员进行故障诊断和远程维护, 减少维修时间和成本, 提高武器的可靠性。 LI 等［22］利用动态贝氏网络, 开发出基于飞机的数字孪生模型,建立了一种通用的诊断和预测概率方法。

总的来说, 在捷联惯组等武器装备制造的全生命周期应用中, 数字孪生技术可以降低设计周期和成本, 提高制造效率和质量, 并提供更好的后期维护和检修保障, 从而推动武器制造业的智能化发展。

2 需求分析

随着捷联惯组功能和性能的不断发展, 其复杂程度也随之增加, 从而提升了产品故障、 性能退化以及功能失效的几率。 数字孪生技术作为一项新兴前沿技术, 能够解决复杂装备的故障预测和健康管理等问题, 对提升军队武器装备技术发展及国家装备智能制造能力有着开拓性影响。 基于数字孪生的捷联惯组运行维护应用需求如下:

（1）状态监控与风险控制需求

捷联惯组状态监测数据量巨大, 数据间的关系复杂, 单纯依靠人工进行状态监控难以及时掌控故障状态发生早期的细微数据变化, 等到数据明显异常时, 故障往往已经较为严重。 为了提高对运行状态的监控水平和自动化程度, 尽可能对运行风险进行早期预警, 有必要基于数字孪生对捷联惯组的生产运行状态进行监控, 严密监控运行状态的细微变化, 通过运行状态预测、 故障预测、 寿命预测等进行预警和监测, 并及早进行运行异常的风险预警。

（2）快速干预需求

根据捷联惯组生产过程中的运行支持和应用需求, 需针对数据反馈对捷联惯组运行状态进行快速干预, 通过数字孪生模型和参数等及时制定或变更测试计划、 工作规划。

（3）故障诊断与处置对策验证需求

捷联惯组出现故障情况下, 故障定位难度大,出现故障后对故障处理的时效性要求很高。 因此有必要充分利用数字化仿真和故障诊断技术的优势,基于数字孪生模型辅助开展故障原因的快速定位。并且在制定故障对策后利用数字孪生模型对对策的有效性进行虚拟仿真验证, 确认措施有效后再进行故障处置实施, 确保处置对策正确有效。

（4）运行维护管理和决策支持需求

为了便于迅速直观地掌握捷联惯组的整体运行状态, 以及快速进行状态的查询确认, 辅助对运行状态的监控和工作过程的决策, 有必要针对大量的运行数据结合数字孪生模型进行综合整理和直观的可视化显示, 使装备使用人员能够基于直观曲线、 图表等感受捷联惯组运行状态。

3 捷联惯组数字孪生关键技术

3.1 捷联惯组的数字化运行

基于捷联惯组车间的数字孪生架构反映着真实车间的设施、 设备等实体信息, 同时表征着物理实体到虚拟体的映射关系、 规则。 数字孪生系统数据反映车间设备的运行状态及能耗信息等,通过建立数据库实时收集设备和环境的状态数据,为系统的分析、 决策提供依据。 同时, 数字孪生系统还能够提供与车间底层相关的设施、 设备的能耗、 故障报警服务, 提供与生产作业相关的计划排产、 质量控制、 能效评估等管控服务。 在此基础上, 相关的车间管理、 生产人员将生产调度信息进行集中展示, 来提高决策水平。

（1）运行过程中的状态预测

结合数字孪生体能够“超实时” 运算的特性,以捷联惯组的运行状态为基准, 通过预设未来的运行任务, 可对未来系统的运行状态进行仿真预测, 以拓展捷联惯组的运行边界, 对预测性维护维修、 任务决策等提供支撑。 根据预测的结果对车间生产及故障排查进行预先计划和安排。

基于捷联惯组的数字孪生体模型进行状态预测如图2 所示, 将基于当前模型求解的参数作为初始条件, 另行开辟计算分支, 注入未来一段时间的运行任务指令程序, 通过快速超实时仿真, 利用仿真结果数据对未来的系统运行状态进行预示和评估, 同时与在线仿真值、 实物值进行对比分析, 辅助决策者对实物的控制决策。

图2 运行状态预测Fig.2 Diagram of operational state prediction

（2）运行过程中的决策支持

面向捷联惯组维修保障、 预案制定、 策略制定等场景, 开展多策略方案权衡对比分析、 软件在环测试等, 辅助支持飞行器系统的在线运行方案优化和资源调配策略优化等场景应用服务。

①运行方案优化

在初中英语阅读教学过程中，与学生进行有效的沟通交流能够帮助教师更好地实施教育方案，达到事半功倍的效果。所以，教师要树立为学生发展做贡献的观念，不断完善自己，提高自身的科学和文化素质，不论是在课上还是课下，都应当主动走近学生，经常站在学生的角度理解问题，尊重学生的想法和意见，以真诚的态度询问并帮助学生解决学习与生活中的困难。当与学生产生矛盾时，教师不应急于呵斥或反对学生，要先反思自身的教育方式是否出了问题，然后耐心疏导学生，与学生一同进步。教师应该具有“随风潜入夜，润物细无声”的教育意识，以自身的文化修养和思想品德影响学生，帮助学生建立正确的英语学习观和价值观。

基于复杂装备数字孪生模型, 模拟运行虚拟运营规划的策略方案, 预示系统运行的可能结果,并综合运营效率、 收益等因素对系统进行预判,从而验证策略方案的可行性, 同时开展多方案权衡对比、 评估与优化, 得到最优策略方案, 对实物进行策略运行控制。 具体流程如图3 所示。

图3 运行方案优化Fig.3 Diagram of optimized operating plan

②资源调用策略优化

提高装备资源利用率需实时监测系统的资源利用情况, 通过资源调配调整和利用率分析, 实现最优调配策略, 优化资源利用率, 主要包括系统资源管理、 资源调配策略制定、 资源调配仿真求解、 资源利用率分析等。 具体流程如图4 所示。

图4 资源调用策略优化Fig.4 Diagram of optimized resource allocation strategy

系统资源管理: 以可视化的方式实时监测和显示系统任务需求、 健康状态以及运行能力状态。

资源调配策略制定: 面向装备任务周期、 运行状态资源调配提供图形化调配序列的编辑、 调配优化算法的选择。

资源调配仿真求解: 根据装备任务需求、 系统运行状态、 健康状态、 任务周期等任务和系统信息, 定义调配序列数据编码格式, 确定调配序列的设计空间和边界条件, 选择合适的优化算法,完成调配序列规划仿真求解, 并实现迭代过程与结果的可视化。

资源利用率分析: 结合当前系统运行数据及健康状态, 分析能源系统的综合运行能力, 根据调配序列预测系统利用率, 并针对不同调配序列进行系统利用率多方案对比分析。

3.2 捷联惯组的数字化维护

（1）故障库技术

故障库技术在捷联惯组数字化维护中起到了故障预案和诊断的作用, 主要包括故障库建立和故障诊断技术两个方面。 当捷联惯组在生产和测试过程中出现故障时, 能够为相关设计人员提供排查参考依据。

①故障库建立

通过建立捷联惯组故障库可以实现设备故障现象的集成化、 设备故障分析的标准化和设备故障处理的高效化。 设备故障库是设备故障的一个集合体, 将设备故障进行集中记录、 归类和存档,方便相关人员查询, 也为设备故障处理提供重要的参考依据。 建立设备故障库框架的基本思路如图5 所示。

图5 故障库框架Fig.5 Framework of fault database

每个捷联惯组故障模块划分成加速度计故障模块、 陀螺仪故障模块、 电路板故障模块及其他故障模块, 对捷联惯组故障库进一步细化, 便于日后查询设备故障的关键信息。

规范故障库记录流程, 令故障内容达到具体化的要求和标准。 按照设备通常处理过程, 可以按故障现象、 故障分析、 处理过程、 处理结果、处理日期、 特殊备注等多方位填写每条故障记录。遇到特殊的故障问题, 可以增加相应的记录内容,实现不同设备故障的查询与调用, 使故障库的日常管理与使用更加方便。 在此基础上, 对原有故障情况下增加未考虑的故障类型, 通过检查反馈信息并不断升级故障库, 使其与实际完全符合。

②故障诊断技术

基于捷联惯组数字样机的单机智能故障诊断技术可对惯性测量组件中的故障进行检测、 识别和定位。 惯性测量组件的智能故障诊断的目的是保证惯性测量组件的可靠性和安全性, 提高惯性测量组件的精度和稳定性, 降低维修成本和风险。惯性测量组件的智能故障诊断的方法主要分为两类: 基于模型的方法和基于数据的方法。

基于模型的故障诊断方法是指利用惯性测量组件或惯性/组合导航系统的数学模型或物理模型来构建故障检测器或故障诊断器, 通过比较实测数据和模型预测数据之间的差异来判断是否发生故障以及故障类型和位置。 基于模型的方法的优点是能够建立较为准确的数学模型, 具有较高的理论依据和可解释性, 但缺点是准确的模型参数难以获取, 对模型假设和误差源有较高的要求,且难以处理复杂的非线性和多变量系统。 基于模型的方法利用数字样机仿真模型来生成或验证故障数据, 数字样机模型是一种基于计算机软件或硬件的数字化模拟模型, 可以根据设定的参数和条件生成导航系统的运动参数, 如加速度、 角速度、 位移等。 仿真模型可以在不影响真实导航系统的情况下进行故障诊断的研究和验证, 提高故障诊断的效率和效果。

基于数据的故障诊断方法是指利用机器学习或人工智能等技术, 从历史数据或在线数据中提取特征信息, 建立故障检测器或故障诊断器, 通过比较该特征信息和正常状态下的特征信息的差异, 判断是否发生故障以及确定故障类型和位置。基于数据的方法能够适应复杂的非线性和多变量系统, 不需要准确的模型参数, 具有较强的自适应能力和泛化能力, 但缺点是需要大量的数据,且对数据质量和标注有较高的要求, 因此可以使用捷联惯组的数字样机完成对故障智能诊断模型的训练, 再用于故障的实际诊断。

目前, 基于已有的某型捷联惯组选取了七个批次产品作为样本, 对出现过的故障建立了数字样机故障库, 具体故障定位精度如表2 所示。 由表2 可知, 在统计001P ～007P 的故障分析正确率方面, 该数字样机故障库在分析不同批次的捷联惯组故障中, 定位故障正确率高于91.11%, 远高于人工分析最优的77.77%的正确率, 在分析和定位故障的工作中起到了重要的作用, 有效提升了故障定位精度, 缩短了故障定位时间, 为生产中的故障排查节约了大量的人力和物力。

表2 数字样机故障库与人工分析定位故障正确率对比Table 2 Comparison of fault localization accuracy between digital fault database and manual analysis

（2）健康管理技术

健康管理技术对捷联惯组健康状态进行实时监测和对比分析, 完成健康、 亚健康、 不健康等状态的实时判读与评估, 主要包括退化模型、 数据和机理综合评估以及健康预测三个方面。 在捷联惯组的全生命周期内, 通过监测测试数据评估和预测捷联惯组精度, 对产品进行健康管理。

①退化模型

捷联惯组的误差主要可以分为系统性误差和随机误差。 系统性误差指捷联惯组误差中确定的部分, 比如零偏、 比例因子、 非正交等误差的常值部分; 而随机误差则是指捷联惯组误差中随时间变化、 不确定的部分, 如噪声、 零偏不稳定性等。

由于捷联惯组的构成通常较为复杂, 利用失效物理、 化学反应规律来建立退化失效模型并不合适。 与之对应, 对光纤陀螺进行退化失效建模有两种思路, 一种是直接由退化轨迹函数出发,分析性能达到阈值寿命的时间分布规律; 另一种是从测量时刻退化数据分布出发, 估计退化数据分布参数并拟合轨迹, 给出分布参数随时间的变化规律。

②数据与机理综合评估

基于机理的模型主要是建立捷联惯组主观判断模型, 如构建性能评估指标、 推理规则、 指标权重等。 数据驱动主要是利用研制、 交付、 贮存、使用中采集的部分关键数据来建立模型。

根据所建模型的不同, 现有的性能评估方法主要分为3 种: 基于定量信息的性能评估方法、 基于定性知识的性能评估方法和基于半定量信息的性能评估方法。 根据捷联惯组的层次结构, 采用一种基于证据推理的多指标的性能评估方法, 计算装备指标信息的可靠度, 构建了多层评估指标体系对捷联惯组性能进行评估; 对性能特征参数的退化数据进行建模, 基于性能退化与D-S 证据理论进行性能评估; 基于捷联惯组机理以及捷联惯组监测数据, 建立置信规则库, 对捷联惯组进行性能评估; 使用Allan 方差方法对陀螺仪的噪声进行评估。 机理与数据结合的模型, 将机理模型和数据驱动两种方法融合在一起, 取长补短, 通过整合各个模型的优势, 提升模型的精度。

③健康预测

结合数字孪生体仿真和实物双重数据支持,将在役运行捷联惯组的运行参数与设备寿命数据及设备累积工作时间等信息比对, 开展设备健康预测。 通过结合设备运行环境、 当前运行状态以及设备失效概率分布如二项分布、 指数分布、 正态分布、 威布尔分布等情况, 对设备的寿命进行预测评估, 提前对寿命末期的部件指定维修更换策略, 具体流程图如图6 所示。

图6 设备健康预测流程图Fig.6 Flowchart of equipment health condition prediction

目前, 健康预测技术主要有基于失效物理模型的预测方法、 基于统计模型的预测方法、 基于机器学习模型的预测方法、 基于混合模型的预测方法。 基于失效物理模型的预测方法深入研究物理特性与损伤机理, 在某些情况下很难得到准确的结论且不具备良好的通用性, 在某些情况下有良好的预测性能, 但在实际工程应用中有较大的限制; 基于统计模型的预测方法通常能够以概率密度函数的方式表示产品设备剩余寿命情况, 具有较好的不确定表达能力, 但模型建立与参数估计的准确性易受影响; 基于机器学习模型的预测方法具有很强的非线性逼近能力, 利用系统运行历史观测数据训练模型, 能以较高精度实现短期退化状态预测, 但在缺少全寿命周期退化数据时无法实现长期预测。 融合预测模型希望结合各类模型优势, 提升预测模型的适用性以及准确性。

4 结论

本文首先对数字孪生的概念、 国内外应用现状以及在武器系统中的使用情况进行了介绍, 然后对捷联惯组的数字孪生技术在全生命周期过程中的四大需求进行了分析, 最后根据分析结果提出了捷联惯组数字孪生关键技术。

关键技术包括捷联惯组的数字化运行和数字化维护。 数字化运行能够对捷联惯组在生产过程中的运行状态进行预测, 并为管理及生产人员提供准确的生产调度信息, 从而提高生产效率, 降低生产成本和风险, 实现高水平决策。 数字化维护首先构建了捷联惯组故障库, 然后基于捷联惯组的模型和数据分别进行故障诊断, 最后得出了捷联惯组健康管理方法, 提高惯性测量组件的精度和稳定性, 降低维修成本和风险。

未来随着捷联惯组数字孪生技术不断发展壮大, 对于其全生命周期的规范标准也需要进行统一界定并不断完善, 包括在模型精度、 参数覆盖率、 复用性指标、 环境适应性等方面的标准。 以此来全面把控目标对象的数字孪生技术完善程度,确保数字孪生数据结果在实物对象上的正确映射,同时也推动捷联惯组模型的进一步细化。