以下内容转载整理自中国科学官网仅作分享。民用航空发动机数字孪生技术研究现状与展望孙刚, 赵君怡, 黄宇峰 *复旦大学航空航天系上海200433引用格式孙刚, 赵君怡, 黄宇峰民用航空发动机数字孪生技术研究现状与展望[J]. 中国科学, 2025, 55(5): 250015.摘要随着大数据、物联网、人工智能等新一代信息技术的快速迭代发展, 工业数字化、智能化趋势日益明显。数字孪生作为一种新兴的信息物理系统技术,通过物理空间和数字空间的虚实映射、动态交互,在实现航空发动机等复杂装备转型升级中显示出巨大潜力。本文梳理了数字孪生概念的发展过程,重点讨论了民用航空发动机数字孪生架构中的平台、数据、模型等关键支撑技术, 以及数字孪生技术在设计研发、试验验证、生产装配和全生命周期运行保障等阶段中的应用,并对未来民用航空发动机数字孪生技术的深入发展进行了展望。1 引言在工业4.0时代, 数字化无处不在, 物理真实空间与其相应的数字虚拟空间形成了两个平行发展的体系, 其数据、信息相互流通、相互作用, 而数字孪生(Digital Twin)作为真实世界与虚拟世界连接沟通的重要桥梁, 是第四次工业革命的核心技术体系之一, 被国际最具权威的信息技术研究与顾问咨询公司Gartner列入2018和2019年十大战略技术趋势之一. 2021年, 我国发布的《“十四五”国家信息化规划》等系列文件也指出, 要加强数字孪生、人工智能等关键前沿技术的研究和创新, 加速数字孪生技术与传统产业的全方位协同发展.在信息技术快速发展和产业政策红利的双重推动下, 数字孪生技术在各大领域的应用前景广阔. 例如, 在制造业中, 可以利用数字孪生技术实现对设备的监控、预测性维护、生产流程优化等, 从而有效提高生产效率和设备可靠性[1,2]; 在建筑与城市规划中, 数字孪生技术能够有助于建筑物的智能化管理、能源效率分析, 优化城市运营和公共服务, 帮助建立智慧城市[3,4]; 在医疗健康领域, 可以利用数字孪生对患者的身体状况进行实时监控, 并根据历史数据预测疾病趋势, 优化治疗方案[5,6].在航空装备领域, 数字孪生作为一种新兴的信息物理系统技术, 在实现航空工业智能化、数字化转型升级中展现出巨大潜力. 民用航空发动机是集多种高精尖技术于一体的国家重要发展战略目标, 技术研发和工程设计挑战巨大. 欧美等发达国家在航空发动机的数字孪生技术研究和应用方面走在前列, 以GE航空、普惠公司等为代表的公司已在其发动机的设计、生产、运行和维护等各个环节中成功应用数字孪生技术. 相较而言, 我国对于航空发动机数字孪生的研究起步较晚, 但近年也在逐渐加大投入, 中国航发商用航空发动机有限责任公司、北京航空航天大学、复旦大学等单位和高校在数字孪生架构、孪生体模型构建、孪生数据融合处理等基础理论和关键技术上已经进行了大量创新性的研究和探索, 但在实现航空发动机这类复杂系统中异构数据及多源模型的融合、面向实际典型场景的数字孪生功能落地等方面仍需更加深入的研究.2 数字孪生概念孪生(Twin)的思想最初来源于20世纪60年代美国国家航空航天局为阿波罗计划搭建的地面模拟器, 通过通信技术, 地面控制人员迅速调整模拟器参数, 以使其匹配在轨航天器的实际状态.2002年, 密歇根大学Michael Grieves教授针对产品生命周期管理(Product Life-Cycle Management, PLM)问题, 提出“与物理产品等价的虚拟数字化表达”的概念, 并在之后将其命名为镜像空间模型(Mirrored Spaces Model, MSM)和信息镜像模型(Information Mirroring Model, IMM)[7,8]. 与阿波罗计划中的“物理孪生体”相比, Grieves教授所提出的孪生体已经完成了由实体模型向数字模型的转变.2010年, 美国国家航空航天局在《建模、仿真、信息技术和处理路线图》[9]中, 将数字孪生定义为一个多物理量、多学科、多尺度、多概率、集成性的系统高保真仿真过程, 由数字主线驱动, 利用传感器实时信息、历史运行数据和高精度模型, 在虚拟环境中映射物理实体全生命周期实际的状态.3 民用航空发动机数字孪生架构Michael Grieves教授提出的数字孪生概念包含三个组成部分[10]: 物理空间的实体、虚拟空间的数字化模型、物理空间与虚拟空间的连接. 随着现阶段科技的发展和应用需求的增加, 北京航空航天大学陶飞教授带领的数字孪生技术研究小组创新性地提出了数字孪生五维模型[11,12], 在原有三维模型基础上, 增加了孪生数据和服务两个维度. 基于五维模型的思想, 本文提出的民用航空发动机数字孪生系统整体架构如图1所示.图1 民用航空发动机数字孪生架构数据管理模块负责收集整理各阶段记录数据, 并通过安全可靠的通信网络传输到中央处理系统进行信息的存储处理. 数字孪生体的核心是物理实体对应的数字化模型的构建, 包括几何、气动热等物理模型和人工智能算法支撑的数据驱动模型. 物理模型用来体现发动机的物理特性和工作原理, 数据驱动模型则是利用收集整理的各类数据进行训练和分析, 同时根据模型结果, 实施反馈机制来不断调整优化现有模型. 平台功能模块负责提供人机友好界面, 以便于直观地展示发动机的运行状态、健康状况和预测结果, 实现高精度仿真模拟、智能预测、智能诊断、智能决策等功能.航空发动机传统研发方式通过建立物理模型来进行系统分析, 其局限性在于通常依赖静态的物理模型和已知的设计数据, 较少考虑实际操作中的动态变化, 难以满足当前数字化、信息化、智能化、体系化的发展需求. 与简单的仿真模拟不同, 航空发动机数字孪生体是面向设计研发、试验验证、生产装配、运行保障等全生命周期阶段的, 具有虚实映射、实时同步、共生演进、闭环优化特点的数字系统. 数字孪生构建的虚拟模型, 能够全面反映发动机在真实环境中的动态状态, 可进行实时监测、预测性维护和优化操作, 大大提升设计和测试的精确度与效率, 可实现虚拟试验, 减少实体测试的成本和时间, 推动快速迭代和创新. 同时, 数字孪生技术能够通过实时数据反馈, 持续调整和优化模型, 从而更好地适应复杂和变化的工况.4 民用航空发动机数字孪生关键技术4.1 数字孪生平台构建数字孪生的实现依赖于一个综合性的工具平台, 该平台能够有效整合数据管理、多系统多物理场仿真、大数据分析、智能决策互动等功能, 通过这些模块间的交互协同工作, 实现对数字孪生体构建和实际场景应用的全过程支撑.目前, 国内外都在逐步开展数字孪生通用工业软件平台的设计研发. 以通用电气公司GE开发的数字孪生工业云平台Predix[13]为例, 该平台可以通过实时数据的收集、分析和建模, 帮助制造商、航空公司、维修商进行发动机的健康管理、故障诊断、性能监测等工作. Predix平台分为基础设施层、边缘连接层和应用服务层, 三层架构互相协同. 其中, 基础设施层主要提供基于全球范围的安全云基础架构, 满足日常的工业工作负载和监督的需求, 边缘连接层主要负责收集数据并将数据传输到云端, 应用服务层主要负责提供工业微服务和各种服务交互的框架, 提供创建、测试、运行工业互联网程序的环境和微服务市场.数字孪生平台构建过程需要多种先进技术支持, 包括物联网技术来确保物理实体与虚拟模型的信息交互; 区块链技术来提供去中心化的信任机制, 确保数据的安全性、完整性和不可篡改性; 增强现实(AR)与虚拟现实(VR)技术来提供可视化工具, 帮助在交互界面中更直观地理解模型和数据等. 随着这些技术的不断发展和成熟, 数字孪生平台将能更好地满足智能制造、设备管理、优化决策等应用需求, 推动航空智能化趋势的深入发展.4.2 多源数据管理与融合数字孪生体对物理实体高保真的模拟依赖于两者间实时的信息交互与更新, 而数据是信息的载体, 因此高效的数据管理技术是航空发动机数字孪生系统的基础.数据管理包括数据的采集、传输、存储、处理等操作[14]. 随着当前通信技术的快速发展, 尤其是5G技术[15]的出现, 极大地保障了数字孪生数据传输的实时性. 同时, 为保证数据传输效率, 通常会采用边缘计算技术[16,17]来进行数据的初步处理, 并通过搭建一个高速、低时延的信息传输网络传输到数字孪生平台.孪生数据大部分来源于安装在发动机各部件的压力、温度、流量、速度传感器等, 这些传感器采集的数据质量极易受到噪声、系统故障以及环境因素的影响, 原始数据中常常存在缺失、错误、冗余或异常的“脏”数据[18,19]. 对于脏数据的处理方法目前已经发展得较为成熟, 例如用插值[20,21]、机器学习[22–24]等方法进行缺失数据补全, 用滤波器[25,26]、模态分解[27,28]等方法进行降噪处理.除传感器信息外, 孪生数据还包括仿真模型数据、历史运行数据、维护记录信息等, 这些不同来源的数据会存在格式、结构和分布上的明显差异, 因此数据存储时需要制定统一的数据存储标准、统一的技术架构和集成方法, 对数据接口、数据格式以及数据编码进行统一定义[29], 从而有效降低数据交换和共享的复杂度, 提高数据使用效率.4.3 高保真物理建模与仿真航空发动机的物理建模是指以热力学、流体力学和机械结构特性为基础, 对发动机各部件(如压气机、燃烧室、涡轮、风扇)构建反映其工作原理和性能的数学模型. 该过程涉及热力学分析气体在发动机内的能量转换过程[30,31]、计算流体力学模拟气流的动态行为[32,33]、有限元分析评估发动机部件的结构强度与稳定性[34,35]等.部件级模型是目前技术发展较为成熟的航空发动机总体性能仿真方法[36–38], 在此基础上, 通常可以利用平移缩放旋转法[39–41]、级叠加法[42]和改进粒子群等群体寻优优化算法[43,44]对特性图进行构造修正, 以提高其与实际性能关系的吻合度. 同时, 在发动机瞬态建模时, 可以考虑热惯性、进气畸变、二次空气系统等因素影响, 如Vieweg等人[45]从温度、压力和轴速度上对比了标准瞬态模型和包含热效应的模型, 结果表明热效应是提高模型精度的重要因素. Li等人[46]针对压气机、涡轮、燃烧室三个部件建立了简化热惯性模型, 为发动机初步设计提供了瞬态稳定性分析的支持. 杨学森等人[47]采用模块化思想建立和完善了二次空气系统精细化模型, 提出了总体性能与二次空气系统耦合的瞬态仿真方法. 王艳艳等人[48]将三维气热耦合与热-结构有限元分析相结合, 提出一种涡轮叶片使用载荷的多场耦合分析方法.此外, 实际发动机内部流动是三维过程, 而零维的部件级模型不考虑时间、空间的变化, 无法捕捉到流动中如涡旋、边界层和流动分离等细节[49]. 因此, 一些研究基于多维融合的思想, 通过将某些部件的高维模型嵌入到零维仿真框架中来提高仿真的准确性和可靠性. 例如, Templalexis等人[50]在商用发动机传统部件特性构建的仿真环境中直接集成了风扇的二维(通流)流线曲率代码, 以便更好地实现发动机在设计点运行时的热力学匹配. 宋甫等人[51]构建了发动机多维度仿真模型, 并对比分析了风扇二维仿真模型与发动机零维部件级模型在完全耦合和迭代耦合两种方法上的结果差异.总体来看, 当前航空发动机仿真建模研究已不满足于传统的简化模型, 而是向着更加精细化、全面化的方向发展, 主要通过多场耦合、整机和部件系统级的混维仿真、多目标优化算法等方式来实现航空发动机各学科模型之间的有机协同. 但与此同时, 多维、多尺度、多物理场耦合的复杂模型会带来极高的计算量和资源需求, 高精度与高效率的平衡问题、跨学科知识的融合难度仍然是面临的一个重要问题.4.4 数据驱动与人工智能技术数据驱动方法具备动态学习和自我优化的特性, 是实现数字孪生实时监测、分析和优化的重要技术手段. 该类方法能够利用历史数据进行特征学习, 从而动态预测未来的状态, 及时响应外部因素的变化, 模拟航空发动机全生命周期性能的退化趋势[52].早期数据驱动多采用信号处理和统计分析的方法, 利用小波变换、滤波器、概率密度、回归拟合、相关函数等数据处理模型, 提取数据中均值、方差、峰值等时域和带宽、主频率等频域特征, 并针对需要监测的关键变量设定特定的门限值来检测发动机是否出现异常[53,54]. 之后, 随着人工智能技术的兴起, 基于机器学习的方法, 特别是深度学习的方法, 在处理复杂非线性、高维度的大数据上展现出了显著的优势[55], 是目前研究最为广泛的方法. 深度学习方法包括多种神经网络架构和技术, 如卷积神经网络[56–58]、长短期记忆网络[59–61]、深度置信网络[62–64]等, 这些网络结构能够有效处理图像数据、长时间序列数据问题.考虑到不同算法适用于不同的数据特征, 一些研究通常会进行多种算法的组合以达到更好的效果[65–67]. 如图2所示, 复旦大学Huang等人[68]提出了一种结合动态概率模型和长短期记忆神经网络的方法, 并利用NASA商用模块化航空推进系统仿真数据集进行了实验验证, 结果表明该方法比其他经典深度学习方法具有更高的精度.图2 结合动态概率和长短期记忆神经网络的航空发动机寿命预测模型架构在实际应用过程中, 数据驱动存在两大问题. 第一, 发动机的故障数据往往非常稀缺, 在算法训练过程中会造成样本不平衡问题[69,70], 当正常数据样本数量远远超过故障样本时, 模型在训练过程中会倾向于学习到正常状态的特征, 而忽视对故障特征的识别能力. 针对该问题, 当前研究多采用过采样[71]、欠采样[72]、生成对抗网络[73–75]等方法. 例如, Qian和Li[76]提出了一种弱监督过采样方法, 将所有合成样本视为未标记的样本, 并开发了一种图结构半监督学习算法来选择高质量的合成样本. 马良玉等人[77]提出一种基于改进循环生成对抗网络和Swin Transformer模型的方法, 在一定程度上提高了故障样本生成的稳定性和质量. 第二, 由于算法在离线训练时学习到的特征与实际应用过程中出现的特征之间可能会存在明显的差异, 这种源训练域和目标测试域的偏差会导致模型适用性降低[78,79], 即域漂移问题. 针对该问题, 当前研究多采用微调法、域自适应法、迁移学习[80–82]等方法. 例如, Azamfar等人[83]使用最大平均差异指标来衡量和优化不同工况下的数据分布. 何知义等人[84]使用参数迁移学习方法为构建的改进深度自编码器提供良好的初始参数, 使其具备跨域故障预测的能力.综上所述, 随着航空工业对智能化、自动化要求的不断提升, 数据驱动技术是目前航空发动机领域的研究热点, 相关理论已经较为成熟. 人工智能, 特别是机器学习和深度学习技术, 能够在数据的基础上进行更深层次的分析和优化, 是数字孪生系统的一项核心技术支撑.4.5 物理-数据融合的智能分析与决策航空发动机物理建模方法具有较强的可解释性、可靠性高, 但由于各部件之间耦合关系复杂, 个别部件特性难以获取, 且建模过程中会不可避免地存在简化假设. 数据驱动建模方法更为简单有效, 但缺乏机理理论支撑, 过分依赖样本数量和质量、泛化能力较差[85,86]. 因此, 结合以上两种方法的优势, 融合建模方法成为当前建模研究的一大热点, 基于该方法, 数字孪生在发动机健康管理、性能监测、故障诊断与预测等方面能够实现更好的应用效果.数字孪生多模型融合常见架构[87]主要有两种: 并联型和串联型, 如图3所示.图3 物理-数据融合模型架构. (a)并联型, (b) 串联型并联型结构是指将整机的物理模型与数据驱动模型的输出结果进行选择性地叠加, 属于决策层的一种融合方式. 例如, 郑非凡等人[88]借助最优加权法和多模式动态权重分配法来确定机理模型、BP神经网络模型和逐步聚类模型预测结果组合的权重值, 结果表明所提出的并联融合模型预测精度均明显优于单一模型. Huang等人[89]根据图4所示的思路, 构建了基于极限学习机的数据驱动模型对发动机机载模型的残差进行训练, 以实现对机载模型的实时修正.图4 基于极限学习机的发动机机载模型修正串联型结构是指利用人工智能等数据驱动算法来拟合发动机某些动力学知识或数据不足的部件, 然后按照结构顺序与其余部件的物理模型进行输入输出关系连接, 以形成一个完整的系统仿真, 属于模型层的一种融合方式. 例如, 李薇等人[90]选择用逐步聚类分析法构建压气机仿真模型, 并将其输出参数作为后续燃烧室、透平机理模型的输入变量, 形成串联形式的完整模型, 以解决压气机运行过程复杂、参数不易获取导致机理模型构建困难的问题.目前大多数物理和数据驱动的融合模型都是采用上述简单的串并联结构, 这种融合较为浅层, 而如何将发动机领域专业知识深层融入数据驱动模型[91,92]仍然是研究的难点. 一种常见的研究思路是将物理模型的先验知识或者转化为规则或先验分布的专家知识添加在机器学习的损失函数中, 使得模型的预测结果不仅符合数据的趋势, 还能够遵循发动机的物理特性和工程经验[93,94]. 另一种研究思路是构造类似图神经网络的结构来捕捉多部件、多传感器之间的复杂关联, 例如, 复旦大学Huang等人[95]提出了图5所示的一种嵌入物理约束的新型图结构, 以有效地融合传感器信息和基于物理模型的仿真信息. 图中的节点特征由选定的传感器参数表示, 而传感器数据和物理模型仿真数据的概率分布差异用作构建图边的物理约束.图5 嵌入物理约束的信息融合图结构总的来说, 物理-数据融合策略呈现出一种多层次(数据层、模型层、决策层等)特征, 一些更深层的融合仍处于探索阶段. 随着算法和技术的不断进步, 未来有望通过更为复杂和精细的融合策略, 提高模型的可靠性与可解释性.5 民用航空发动机数据孪生应用场景当前, 民用航空发动机数字孪生的理论技术体系研究已经较为成熟, 并且已经完成由理论研究到实际应用的成果转化, 在发动机设计研发、试验验证、生产装配、运行保障等各阶段, 数字孪生技术都发挥着重要作用.5.1 设计研发阶段在设计研发阶段, 通过数字孪生的模拟环境, 可以对标推重比、耗油率等关键性能需求, 对民用航空发动机的气动热力学特性、结构强度等开展评估, 诊断该设计可能产生的故障或缺陷, 帮助设计方案优化, 很大程度上提高发动机设计方案的可靠性, 缩短开发周期, 降低研发成本, 更快速地响应市场需求, 提高产品竞争力.罗罗公司在2019年通过构建发动机每个叶片的数字孪生体, 成功验证了“超扇”发动机设计方案的可行性[96]. 中国航发商用航空发动机有限公司[97]提出基于数字孪生的航空发动机工艺设计系统构建方法, 使得工艺规程合格率、工艺规程编制速度和工艺规程重用率均大幅度提升.5.2 试验验证阶段传统民用航空发动机试验验证包括试验计划制定、试验台搭建、地面测试、高空模拟测试和飞行测试等. 在这种模式下, 试验设备和设施的建设及维护费用昂贵、试验周期长, 在实际飞行测试中, 存在潜在的安全风险, 且某些极端工况难以完全模拟, 限制了性能评估的全面性. 因此, 在试验验证阶段, 可构建航空发动机孪生体模型, 基于综合试验的环境参数, 模拟多种试验场景和工况, 同时预测不同工况下发动机的性能状态, 从而优化试验方案, 减少实际试验次数, 节省试验时间和成本[98].2020年, 俄罗斯[99]计划通过开发高保真验证模型、专业的计算结果分析技术以及虚拟试验来提高发动机测试质量, 减少试验项目. 罗罗公司为室内航空发动机80号试车台构建了虚拟数字孪生平台, 用来模拟物理试验难以完全实现的极端工况. 中国航发商用航空发动机有限公司目前也正在开展数字孪生原型验证系统开发工作, 并针对稳态性能录取试验场景和燃油供应场景进行技术验证.5.3 生产装配阶段在航空发动机生产制造过程中, 数字孪生体可以通过传感器收集数据, 实时监控制造质量, 确保零部件符合设计标准[100,101]. 在装配环节, 数字孪生体可以帮助优化车间设备和资源调配, 提供装配过程的虚拟指导, 确保各部件的准确匹配, 减少装配误差, 并根据实时数据的反馈, 及时调整参数, 以保证装配质量和效率[102,103].2019年, 德国弗劳恩霍夫研究院与瑞典电信设备生产商爱立信公司等合作探索了数字孪生在发动机整体叶盘制造过程中的应用, 同时借助5G传感器新技术, 提升了整体叶盘的高性能加工能力, 实现了生产制造过程的实时监控和自动化控制.5.4 运行保障阶段在发动机运行保障阶段, 数字孪生体可以结合历史运行数据、维修记录和故障报告进行信息的深度挖掘与分析, 并基于传感器实时监测到的转速、排气温度、燃油油量、振动等性能参数和温度、压力等环境参数不断更新优化自身仿真模型, 实时预测发动机的状态, 提前发现潜在故障并进行及时的预警. 同时凭借虚拟现实技术的交互性, 数字孪生体可以提供直观的航空发动机运行状态的视觉展示, 帮助制定相应的运行维修方案, 实现更加智能化的民航管理[104].目前, GE航空集团已经成功构建了GE90发动机叶片数字孪生体, 并基于全生命周期的历史数据和实时采集数据, 实现了对该叶片工作过程的高精度实时监测. 此外, GE航空集团还推出了面向商用航空发动机维修后勤服务的True Choice系列产品, 提供降低维护成本和减少运营中断的新思路.6 民用航空发动机数字孪生发展展望航空发动机是国家重要战略装备, 而数字孪生则是航空发动机智能化、数字化转型的一项关键技术. 当前民用航空发动机数字孪生技术方兴未艾, 但同时也面临一些发展挑战.首先, 航空发动机内部多学科深度耦合, 孪生体模型构建过程不仅涉及航空工程, 还涵盖数据科学、材料科学、机械工程和计算机科学等多个学科, 这使得发动机数字孪生在实现过程中可能采取不同的技术架构和数据管理策略, 模型的兼容性和可扩展性受到很大限制. 因此, 未来航空发动机数字孪生技术还需要更加紧密的跨学科协作和标准化流程的支持.其次, 数据是数字孪生的基础, 而目前许多传感器的测量精度和灵敏度有限, 可能无法满足航空发动机高精度应用的需求, 需要研发新型传感器材料, 提升其在高温、腐蚀等极端环境下的性能, 发展传感器构件一体化设计技术, 以减少外界因素干扰并提高数据采集的实时性和准确性等.最后, 当前工程实践方面的研究成果大部分还停留在离线的孪生上, 即利用历史数据开展发动机特征分析以实现预测、诊断等功能, 这本质上属于“实-虚”的单向映射, 缺乏虚拟环境指导实际运行的反馈.总体来看, 民用航空发动机数字孪生技术正在与大数据分析、云计算、边缘计算、区块链、物联网、多系统仿真与建模、人工智能、增强现实和虚拟现实等先进技术深度融合发展. 随着关键技术的不断攻克, 民用航空发动机数字孪生可以逐步地实现多系统多维度模型融合, 实现虚实空间动态的交互、协同与反馈, 实现模型的自我学习、自我更新和自我扩展, 推动整个民用航空工业向着更高效、更智能的方向发展.原文链接https://www.sciengine.com/SSPMA/doi/10.1360/SSPMA-2024-0474?transfalse