2024, Vol. 46
2. 中国船舶集团有限公司第七〇四研究所，上海 200031;
3. 中国船舶集团有限公司第七一四研究所，北京 100101
2. The 704 Research Institute of CSSC, Shanghai 200031, China;
3. The 714 Research Institute of CSSC, Beijing 100101, China
数字孪生技术是一种将三维数字模型信息延伸至装备全寿期内的数字镜像技术，以特定频率同步实体空间与虚拟空间中的模型数据，具有精确性、动态性和快速性，可实现以虚控实的目的。自诞生后，其应用已从航空航天行业延伸至船舶、车辆、建筑等各行各业，涉及军民不同领域。美海军率先引入数字孪生技术，用于推进大型舰艇平台、关键系统、船厂基础设施等数字孪生模型建设，旨在通过数字化转型保持装备技术和作战能力的领先地位。
本文首先梳理了工业领域数字孪生概念的发展历程，选取代表性节点剖析其在不同时期的发展重点，进一步聚焦其在国外舰艇装备领域的典型应用与理论研究等，分析其在舰艇装备设计建造、维修、升级改造等方面的发展现状，总结技术优势与特点，最后探讨了其在舰艇装备领域的发展趋势与挑战，为加速在舰艇全寿期推广应用提供参考借鉴。
1 数字孪生概念发展概述数字孪生涉及学科范围较广，自诞生以来，尚未有全面阐明其内涵与特点且覆盖各个方面的定义。不同时期、不同领域的研究人员或机构结合各自研究对象，对数字孪生进行了定义，具有不同的时代和背景特征。以工业领域为例，数字孪生概念的发展经历了早期探索和发展完善2个阶段，如图1所示。
|
图 1 国外工业领域数字孪生技术发展历程 Fig. 1 Development of digital twin technology in foreign industrial fields |
1969年，美国国家航空航天局（NASA）提出“孪生体”概念，旨在为阿波罗项目建造2台相同的空间飞行器，其中1台留在地球用于飞行训练或仿真模拟，可实时映射或预测另1台飞行器的状态，辅助航天员决策[1]。“孪生体”与数字孪生的核心理念相同，均是利用一个实体来反映或预测另一个实体的状态。1992年，大卫·格伦特教授提出“虚拟现实世界”概念，即一个由软件定义、代表现实世界的软件模型，通过连续获取海量外界信息来模拟现实世界的实时动态[2]，这与数字孪生内涵相近。
2002年，迈克尔·格里夫斯教授提出“与物理产品等价的虚拟数字化表达”概念[3]，即可利用实体装置的数字复制品，通过真实或模拟测试，抽象反映实体装置，并可用于装置的全寿期。此概念先后被称为“镜像空间模型”[4]和“信息镜像模型”[5]，其与数字孪生组成要素相同，包括物理和虚拟空间以及二者之间的数据接口等，可视为数字孪生概念的雏形。
1.2 发展完善阶段定义核心内涵2010年，NASA首次规范化定义数字孪生，即利用物理模型、传感器数据、运行历史等信息，集成多学科、多物理量、多尺度、多概率仿真，在虚拟空间映射实体装备的一种方法[6]。NASA为预测飞行器寿命[7]而提出此概念，并在后续引入了全寿期管控、任务需求检测、预测及故障诊断等理念[8]。
2011年，格里夫斯与NASA约翰·维克斯将“信息镜像模型”定义为“数字孪生体”[9]，其包含一个物理系统和一个虚拟系统，后者为新提概念，与前者互为镜像。同年，美国空军实验室（AFRL）提出“机体数字孪生体”模型，具有高保真度，包含飞机实际制造公差和材料微观组织结构特性，可用于机体寿命预测[10]。2012年，为满足未来质量更轻、负载更高的飞行器在更极端环境下服役更长时间的需求，NASA和AFRL提出飞行器数字孪生范例[11]。该范例利用飞行器的多物理、多尺度的概率性仿真，借助实时传感器数据和历史飞行数据等，可反映飞行器全寿期内的真实特征[12]。
综上，尽管数字孪生定义众多，但内涵可总结为利用数字技术对与真实世界物理实体相互镜像的虚拟世界虚拟实体的创建过程及方法[13]。其由3个部分组成，分别为“对象的模型”、“与对象相关不断发展的数据集”以及“根据数据动态更新或调整模型的手段”。三者的关系可表述为“基于不断发展的数据和动态更新的模型，确保数字孪生能够准确描述出物理实体随时间的变化”。图2所示为舰艇数字孪生中物理与虚拟实体的映射关系。其中，虚拟实体即为“对象的模型”，可为物理实体提供数据，用于其生产、组装、建造，并在全寿期内提供更新数据以用于物理实体的维护。这要求“对象的模型”需具备三大特性：一是精确性，数据实时更新保证准确性；二是动态性，即基于测量数据及时更新模型参数；三是快速性，可在规定时间内为决策提供信息[14]。
|
图 2 舰艇全寿期数字孪生：物理实体与虚拟实体对应关系 Fig. 2 Digital twin in ship’s full life cycle: mapping between physical entity and virtual entity |
美海军对数字孪生技术的研究起步较早，同时注重顶层规划的引导作用，已取得显著成就。2017年，美海军提出“虚拟孪生”概念，将数字孪生技术引入装备建设，旨在打造未来数字舰队，重构海军优势。随后国防部、海军部等相继发布数字孪生相关战略，如图3所示。其中，国防部于2018年发布《数字工程战略》，统筹推进装备全寿期内数字工程的应用落地。该战略强调利用数字孪生等技术，将装备研发模式由传统的“设计-制造-测试”转为“模型-分析-制造”，交付前即可在虚拟环境中完成测试和评估，增强系统可靠性并降低故障率[15]。
|
图 3 美国数字孪生相关战略间的关联关系 Fig. 3 The relationship between the united states digital twin strategies |
2020年，美海军和海军陆战队在《数字系统工程转型战略》中规划了军种层面数字工程的转型路线，将构建以“模型数据为核心”的数字化研发新范式，提高武器装备和关键系统的灵活性、复用性、拓展性。同时，战略重点推进数字孪生技术在装备建设中应用，以实现更快速、更低成本、更高质量和效益的装备采办、研发、交付和维护能力。
2.2 国内研究现状国内学者将数字孪生技术引入民用船舶装备领域，研究以理论分析为主。例如，陶飞等[16]提出数字孪生五维模型，由物理实体、虚拟实体、服务、孪生数据、连接组成，分析其在船舶设计、制造、运维、使用等全寿期内的一体化管控应用。吴文豪等[1]面向船舶全寿期的运维需求，提出基于数字孪生的船舶装置智能运维框架，并研讨其现实挑战。李凯等[17]提出数字化舰船的总体架构和关键技术，并探讨其在舰船设计、任务系统辅助决策、故障预测与健康管理等方面的应用。庞宇等[18]建立了船舶综合电力系统的数字孪生总体架构及技术路线，提出了系统优化运行和能量管理技术、电力设备故障诊断与健康管理、基于“人因工程”的用户多元服务3个典型应用场景，并阐述了需解决的关键问题及技术。
综上，国内外对舰船数字孪生的应用探索涉及诸多领域，如数字化船舶总体架构、关键技术、全寿期应用等，但对于其在军用舰艇装备上的应用研究较为匮乏。因此，本文聚焦国外舰艇装备领域数字孪生的典型应用，通过案例分析，总结归纳其经验做法，为国内此类发展拓展思路。
3 数字孪生在舰艇装备领域应用情况美海军在舰艇装备全寿期统筹推进数字孪生技术应用，近年在舰艇平台研发、关键系统测试、预测性维修、基础设施升级改造等领域取得大量成就，陆续向应用转化[19-20]。俄罗斯、新加坡等国家也在积极探索数字孪生在舰艇关键系统研发、艇员训练等领域的研究，虽取得一定成果，但仍处于起步阶段[21-22]。
3.1 舰艇装备设计研发领域国外海军正推行舰艇装备设计研发、维护、升级改造等向数字化转型，以增强装备技术方案的快速迭代能力，提升设计研发效率，实现全寿期降本增效。
舰艇装备设计研发方面：美海军先后将计算机辅助设计、三维并行协同设计、基于模型的系统工程（MBSE）、数字工程等数字化技术引入核潜艇研发之中，从早期设计图纸数字化逐步向舰艇装备数字系统模型方向发展。期间，纽波特纽斯船厂提出基于模型的数字线索技术应用方案（又称智能数字孪生战略），如图4所示。方案与国防部数字工程战略相呼应，旨在通过扩大数字化应用范围实现舰艇装备设计与建造、建造与试验的高度并行。基础设施升级方面：2018年美海军启动“船厂基础设施优化”（SIOP）计划，旨在解决诺福克、朴茨茅斯、普吉特湾、珍珠港这4家造船厂基础设施老化、布局不合理等问题；2019年开始建立船厂的数字孪生模型，用于优化厂区配置方案，改进工作流程。优化后，船厂每年可节省30万个工时，间接提升航母和潜艇的战备水平。
|
图 4 纽波特纽斯船厂基于模型的数字线索技术方案 Fig. 4 Newport news shipyard’s digital thread technology solution based on digital model |
预测性维修是一种新型装备故障预测解决方案，融合数字孪生、信息处理等技术，通过获取平台航行情况、材料疲劳损伤、燃油消耗等性能和海洋环境情况数据，可预测潜在故障发生时间，提前主动维护。
体系架构方面：2017年，美海军研究署提出“海军平台数字孪生”（NDT）模型框架。该框架基于分布式分析、机器学习、数字传感器网络、多物理计算、多目标优化等技术，整合了船厂传感器实时与历史数据（装备结构、状态数据等），通过输出预测信息，可用于舰艇结构寿命预测和作战效能优化等。理论研究方面：2020年美国南卡罗莱纳大学在海军资助下，提出一种基于数字孪生的舰艇电力电子变换器实时健康管理方法。该方法可实时监测系统状态和故障、预测潜在风险，并快速响应危险行为，提升设备完备率，延长使用寿命。实践应用方面。2016年起，美海军海上系统司令部在西海岸诺福克海军基地的“中太平洋地区维修中心”开展试点工作，将激光雷达与传感器相结合，先后扫描并构建了航母、驱逐舰、核潜艇等装备的整体或局部数字孪生模型。利用该模型，可实时监测初始异常，提前预测故障以进行主动维护。除预测性维修外，数字孪生技术亦可用于舰艇常规维修。
3.3 舰艇装备关键系统测试领域2008年起，美海军全面推动舰艇作战系统的数字化转型，以解决系统建设周期长、成本高、体系能力形成困难等问题，现已建立多个系统的数字孪生模型。俄罗斯、新加坡等国起步较晚，现聚焦舰艇动力系统、人员训练系统等。
作战系统方面：美海军面向航母信息系统、“宙斯盾”作战系统和潜艇作战系统等，开发了“数字林肯”、“虚拟宙斯盾”、“虚拟潜艇作战控制系统”等数字化系统。这些系统包含作战系统全部软件代码，可执行全部功能，其技术优势在于：一是可构建现实世界难以实现的虚拟场景，全面测试软件性能，及时发现潜在缺陷；二是利用虚实结合环境缩短系统软件迭代升级的测试、分析和认证流程，缩短新能力上艇周期。动力系统方面：2020年，俄罗斯在“先进军事技术论坛-2020”上研讨了数字孪生技术在舰艇研发、制造和测试等环节的应用，提出利用数字孪生模型，缩短装备开发和生产周期的思路，现阶段聚焦于舰艇动力系统的数字化升级。训练系统方面：2022年，新加坡海军推出潜艇综合训练系统，包含“无敌”级潜艇数字孪生模型、指挥和潜水模拟器、维护训练器等模块，可缩短人员资格认证时间高达25%，释放潜艇执行其他任务。
4 数字孪生技术的应用前景与挑战数字孪生技术可为舰艇装备全寿期提供及时、快捷、智能的信息服务，提供具有成本效益的解决方案，提升预测性维修的效率和质量，尤其是在容错率较低的作战控制、动力、电力等关键系统上，其重要性愈发凸显。
4.1 可降低舰艇装备研制成本美国将装备研发模式从“设计-制造-测试”向“模型-分析-制造”转变，并逐步引入数字孪生技术，使装备的数字孪生在设计阶段便得以应用。相较传统“设计-制造-测试”模式需对装备物理原型进行循环设计审查、更改、测试、再审查的流程，数字孪生技术驱动的“模型-分析-制造”模式可在对装备原型进行物理更改前，通过收集传感器数据，尽可能地进行更多场景的测试，达到创建较少物理原型、准确获得目标原型的目的，从而显著降低装备研制成本。
4.2 可优化舰艇装备后保效率引入数字孪生技术的舰艇装备，能够持续将物理实体数据与数字孪生模型交互传输，借助大数据、人工智能和机器学习等技术，可预测舰艇装备关键系统或设备的未来故障或错误，并尽早确定问题来源。随着数字孪生驱动的装备故障预测精确性提升，一方面有利于后勤保障人员在适当时机准备好需要修理或更换的零部件，提高保障效率，缩短维修周期；另一方面有助于灵活地管理备件库存，实现按需供应，降低保障成本。
4.3 可提升舰艇装备安全性与寿命通过将舰艇装备动力、电力电子等系统的数字孪生模型与实时/近实时监控和预测分析系统相结合，有望预先获得关键部件状态，降低关键系统状态不确定性，提高系统使用安全性。同时，操作人员可直观、及时地了解在役装备关键系统的使用情况。随着数字孪生模型所积累的装备使用信息在不断丰富，有利于维修人员提高对装备或部件的实际维修能力，并借助预测性维修技术，最大限度地提升装备的可用性和服役时间。
4.4 大规模上艇仍存在诸多挑战美海军认为数字孪生在提升舰艇结构安全性、减少系统状态的不确定性、加速关键系统交付、缩短装备维修周期等方面潜力巨大，正推进其应用于武器装备。但若想在庞杂的海军内部高效地施行数字孪生技术，需重点克服以下的挑战：1）战略层面，海军需有明确的数字孪生发展策略，自上而下统筹其发展路线；2）组织管理层面，数字孪生本身是一项庞大而复杂的系统工程，需进行顶层规划，阶段推进，才能逐步落地并发挥作用；3）人员层面，一方面要提升相关人员对技术本义的理解，另一方面要培养决策者面对海量数据时保持清晰认知的能力；4）技术层面，数字孪生对当前网络和处理系统，以及人工智能、机器学习等技术的能力要求较高，大规模推行前需克服这些技术的局限性。
5 结 语随着大数据、人工智能、机器学习等技术进步，数字孪生技术将不断吸纳其技术优势，实现物理世界与虚拟空间的实时交互与融合，并在自我学习和迭代过程中，持续提升模拟的精度和速度。通过在舰艇装备全寿期引入数字孪生技术，可为相关人员提供远程实时健康监测、预测性维修、按需供应等全新能力，以便更好地支持装备研发、维护、升级改造等全流程，满足装备作战能力快速生成或提升的现实需求。
| [1] |
吴文豪, 陈国兵, 杨自春. 数字孪生技术在船舶装备运维中的应用及挑战[J]. 舰船科学技术, 2022, 44(8): 139-144. WU Wenhao, CHEN Guobing, YANG Zichun. The application and challenge of digital twin technology in ship equipment[J]. Ship Science and Technology, 2022, 44(8): 139-144. DOI:10.3404/j.issn.1672-7649.2022.08.029 |
| [2] |
GELERNTER D. Mirror worlds: Or the day software puts the universe in a shoebox. How it will happen and what it will mean[M]. Oxford University Press, 1993.
|
| [3] |
GRIEVES M, VICKERS J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems[J]. Transdisciplinary Perspectives on Complex Systems: New Findings and Approaches, 2017: 85−113.
|
| [4] |
WHITE M, ELLINGTON S. Adoption of digital twin within the department of the navy[D]. Acquisition Research Program, 2022.
|
| [5] |
GRIEVES, M. Digital twin: Manufacturing excellence through virtual factory replication[R]. White Paper, 2015: 1−7.
|
| [6] |
SHAFTO M, CONROY M, DOYLE R, et al. Modeling, simulation, information technology and processing roadmap[M]. NASA, 2010.
|
| [7] |
BROWN S. Machine learning explained[EB]. MIT Sloan School of Management, Cambridge, 2021.
|
| [8] |
SHAFTO M, CONROY M, DOYLE R, et al. Draft modeling, simulation, information technology & processing roadmap[J]. Technology area, 2010(11): 1-32. |
| [9] |
JONES D, SNIDER C, NASSEHI A, et al. Characterising the digital twin: A systematic literature review[J]. CIRP Journal of Manufacturing Science and Technology, 2020, 29: 36-52. DOI:10.1016/j.cirpj.2020.02.002 |
| [10] |
刘婷, 张建超, 刘魁. 基于数字孪生的航空发动机全生命周期管理[J]. 航空动力, 2018(1): 52-59. |
| [11] |
刘大同, 郭凯, 王本宽, 等. 数字孪生技术综述与展望[J]. 仪器仪表学报, 2018, 39(11): 1-10. LIU Datong, GUO Kai, WANG Benkuan, et al. Summary and perspective survey on digital twin technology[J]. Chinese Journal of Scientific Instrument, 2018, 39(11): 1-10. |
| [12] |
GLAESSGEN E, STARGEL D. The digital twin paradigm for future NASA and US Air Force vehicles[C]//53rd AIAA/ASME/ASCE/AHS/ASC structures, structural dynamics and materials conference 20th AIAA/ASME/AHS adaptive structures conference 14th AIAA. 2012: 1−18.
|
| [13] |
MARR B. Amazing examples of digital twin technology in practice[J]. Forbes, 2019.
|
| [14] |
WRIGHT L, DAVIDSON S. How to tell the difference between a model and a digital twin[J]. Advanced Modeling and Simulation in Engineering Sciences, 2020, 7: 1-13. |
| [15] |
Office of the Deputy Assistant Secretary of Defense for Systems Engineering. Department of defense digital engineering strategy[R]. 2018.
|
| [16] |
陶飞, 刘蔚然, 张萌, 等. 数字孪生五维模型及十大领域应用[J]. 计算机集成制造系统, 2019, 25(1): 1-18. |
| [17] |
李凯, 钱浩, 龚梦瑶, 等. 基于数字孪生技术的数字化舰船及其应用探索[J]. 船舶, 2018, 29(6): 101-108. |
| [18] |
庞宇, 黄文焘, 吴骏, 等. 数字孪生技术在船舶综合电力系统中的应用前景与关键技术[J]. 电网技术, 2022(7): 2456-2471. |
| [19] |
BUI K Q, PERERA L P. Advanced data analytics for ship performance monitoring under localized operational conditions[J]. Ocean Engineering, 2021, 235: 109392. DOI:10.1016/j.oceaneng.2021.109392 |
| [20] |
ZHAO Y, MACKINNON D. Leverage AI to learn, optimize, and wargame (LAILOW) for strategic laydown and dispersal (SLD) of the operating forces of the US Navy[J]. Naval Engineers Journal, 2023, 135(4): 85-91. |
| [21] |
CHOI J, MOON S, MIN S. Digital twin simulation modeling process with system dynamics: An application to naval ship operation[J]. International Journal of Robust and Nonlinear Control, 2023, 33(16): 10136-10150. DOI:10.1002/rnc.6893 |
| [22] |
FERRENO G S, MUNIN D A, GONZÁLEZ M M, et al. Digital twins for warship systems: technologies, applications and challenges[J]. IoT for Defense and National Security, 2022: 97−114.
|