重大装备形性一体数字孪生关键技术（上）

来源：PLM之神

作者：宋学官，郭东明等

随着“中国制造2025”、“互联网+”等先进制造发展战略的提出，实现“制造”向“智造”的升级转型成为我国工业发展的迫切目标[1,2]。其中，党的十九大指出“加快建设制造强国，加快发展先进制造业，要推动互联网、大数据、人工智能（Artificial Intelligence, AI）和实体经济的深度融合”，旨在完成实体经济升级转型，发展智能制造，利用互联网、大数据、人工智能、工业物联网等技术实现物理世界与信息世界的互联互通和智能运维[3–5]。

重大装备作为提升装备制造业的战略重点，不仅是衡量国家工业化水平的标志，而且是国家综合实力的集中体现[6]。其承载能力强、作业功率大、集成度高、技术含量高、附加值高，被广泛应用于不同领域以提升作业效率，降低运行成本与能源消耗，同时确保生产环境的安全性与绿色友好性。

例如，工程领域的大型起重机、矿用挖掘机、盾构机、海上钻井平台等，运输方面的飞机、船舶等重大装备。随着重大装备尺寸功率不断突破原有边界，其工作环境也日趋极端化、运行状态不断复杂化、连续作业时长也不断提高，这对重大装备本体结构造成巨大的威胁。每年，国内外因重大装备结构失效、整机失稳、磨损、疲劳断裂等原因导致的事故屡见不鲜[7–9]。

随着计算机软硬件技术的不断发展，为了确保重大装备的多样化性能要求以及安全性，在设计阶段通常采用先进的计算机建模与仿真方法，面向整机结构或关键零部件进行拟实工况下的安全性分析与评估，常用的手段有多体动力学（Multibody Dynamics, MBD）[10]、有限元分析（Finite Element Method, FEM）[11]等方法。在运维管理阶段，采用数据建模，通过传感数据对设备故障和健康状态进行动态感知，甚至预测装备性能退化及未来可靠性，形成了故障预测与健康管理（Prognositics and Health Management, PHM）新技术，有针对的进行管理与维护，提高装备系统安全性、完好性和任务成功性[12]。

经过几十年的发展，基于上述方法可以一定程度上获取装备在不同作业状态时的性能演变规律、故障发生概率以及性能退化程度等，但由于计算机模型与物理实体的联系不够紧密，不论是计算方法抑或是测量方法，都仍需进一步研究和探讨。这种没有利用大数据、人工智能、物联网等现代科学与技术的建模方法，给装备在不同阶段的实时性、动态性、关联性等需求带来很大限制。

如设计阶段的离线仿真方法，在某种程度上割裂了物理样机和虚拟仿真的联系，未完全考虑设备真实运行的时变因素，导致分析结果存在片面性、保真度较低、误差较大、可信度较低，频繁出现“仿而不全”、“仿而不真”的现象。运维阶段的传感监测手段，建立了物理样机与分析结果的动态关联，但该方法仅限于装备运维管理，未包含装备设计、制造等全生命周期的信息，从而形成信息孤岛，而且该方法严重依赖传感数量，常常存在“以点带面”、“以偏概全”的现象。

因此，面向未来重大装备的高效运行以及安全保障等难题，迫切需要一种更加科学合理、先进准确、高效高精度的建模方法与技术，能够准确刻画、描述甚至预测重大装备在极端复杂工况下的状态与性能。作为传统计算建模仿真方法和技术的进阶与升级，数字孪生技术近年来得到大力追捧，有望大幅度推动离线、单工况、静态建模仿真向实时在线、复杂工况、动态建模仿真发展，推动单学科单物理场向多学科多物理场发展，也从单一设计、制造或者运维领域到全生命周期发展。

         

数字孪生，可以简单概括为真实物理体的数字化镜像，然而其内涵和实现过程颇为复杂，包括多个层次。首先，需要采用机理模型、实时传感数据以及专家知识等信息，构建具有多学科、多尺度等耦合特性的实时“随动”孪生模型，能够在虚拟空间中实现真实物理体形态与性能的精确模拟与映射。空间上，孪生模型不仅反映真实物理体客观的外在行为，也可以呈现其内在的，甚至是难以观测到的客观行为与特征；时间上，该映射是在线的亦可是离线的，不但包括当前时刻的在线监测，也包括过往时刻的追溯复现，以及未来时刻的超前预测。然后，运用构建的孪生模型对真实物理体的镜像模拟、分析归纳与优化调控，辅助真实物理体实现智能化、最优化的操控与运行，也就是基于镜像模拟的优化调控，实现真实物理体的最优输出表现。

从信息流角度看，数字孪生是信息的“从实到虚”走向“以虚控实”，能够真实反映并深度参与、改进真实物理体全生命周期的闭环过程。图1所示为重大装备数字孪生与装备结构设计（确定目标性能）、加工制造（决定固有性能）、运维管理（体现使役性能）等全生命周期的关联关系。

在材料选择阶段，通过材料组织、密度、强度、疲劳等物理和力学参数，综合设计、制造和运维阶段的目标性能、固有性能与使役性能，选择属性满足各阶段需求的材料。同时，依据设计、制造和运维的反馈信息，在该阶段动态优化材料选择策略，使选取的材料最大程度满足后续阶段的功能需求和性能要求，构建全生命周期数据、信息、知识等驱动的持续优化、虚实共生迭代、动态调整自主决策的机制，为实现装备固有性能、目标性能和使役性能与终端客户期望性能的统一提供保障。

在结构设计阶段，数字孪生旨在通过集机械、液压、电气、控制、力学等多学科、以及流、固、热、光等多场多领域进行短周期、跨界的几何、结构协同优化设计。并对装备理想设计信息与物理空间的材料选择、加工制造、运维管理等信息进行一致表达，使设计的几何尺寸和结构特征不仅能够充分利用选定的材料，而且能更好地服务于加工制造和运维管理阶段。实现面向制造、功能和服务的全生命周期设计。

在加工制造阶段，数字孪生通过耦合物理空间速度、温度、位移、振动、结构、电磁等多物理场，从物理、几何、行为、规则等方面全流程、系统性、精确地反映物理设备真实实体。同时，高保真建模、高实时交互反馈、高可靠性预测等数字化手段将加工信息动态反馈到装备全生命周期各环节[13]，使加工制造的产品在几何形态和结构性能上与结构设计阶段的目标性能保持高度一致与吻合。建立各阶段间相互联系、相互制约的关系，避免形成上下游割裂的现状。

在运维管理阶段，数字孪生利用材料选择、结构设计、加工制造、设备运行等已有数据和信息与实时监测数据，融合物理模型进行自我学习，迅速、动态、全面地对装备的各运行参数和指标进行监测和评估。同时，对早期故障和部件性能退化信息进行深层次、多尺度、完整性反馈，并完成故障精确定位，实现更简单、智能、高效的健康管理[14]。此外，监测数据与诊断结果在线动态反馈到材料选择、结构设计与加工制造阶段，为各阶段进一步优化完善提供依据和参考。

上述材料选择、结构设计、加工制造和运维管理四个阶段的动态迭代、实时反馈和闭环关联建立了重大装备不同阶段信息与数据的高效挖掘与全要素流动，形成了重大装备的数字孪生体系。

然而，在实际工程应用中，如何将物理世界难以观测和分析的状态信息进行一致、同步、准确分析和可视化仍然是构建数字孪生的难点和热点问题。随着传感、高性能计算、大容量存储、高速通讯、仿真模拟等技术的快速发展，数字孪生相关理念和技术不断完善。同时，利用传感设备感知装备的状态，分析被监测件性能的方法已被广泛应用[15–18]。其中，传感数据隐含着研究对象在物理空间真实客观的时变信息，为装备性能分析的实现提供条件和依据。但冗长的分析周期以及有限的量化结果使传统分析手段很难适应于结构复杂的重大装备。因此，从复杂交叠的数据中挖掘重要信息，准确表征数据特征并进行高效、精准、快速、动态计算分析，成为构建重大装备数字孪生的关键。

鉴于此，本文通过回顾、分析数字孪生的发展历程和研究进展，深入解析了当前建立重大装备数字孪生所面临的诸多问题，面向几何形态和结构力学性能，详细阐述了应用于重大装备数字孪生的概念与内涵，提出了“算测融合、形性一体”的重大装备数字孪生框架，探索并给出了有望解决当前数字孪生构建所面临的难题和关键技术。结合典型案例详细描述了所提出框架的普适性和可行性，为数字孪生在重大装备中的落地实践与广泛应用提供了理论和技术参考。最后，总结展望了应用于重大装备的数字孪生的前景和有待突破的难点。

“孪生”这一术语的提出可追溯到美国国家航空航天局（National Aeronautics and Space Administration，NASA）的阿波罗计划，该计划旨在建造两个以上相同的太空飞行器，其中留在地球上的飞行器被称为“孪生体”。在任务准备期间，“孪生体”被用于进行大量模拟训练，以便在任务执行阶段能够尽可能精确地反映太空中飞行器的状态[19]。

受限于当时的计算机技术，“孪生”的概念被局限于物理世界。近年来，随着仿真技术的发展，虚拟模型逐渐具备了替代物理部件的能力，为构建物理系统全生命周期的数字模型提供了可能，这种全生命周期的数字化“孪生体”可用来模拟和反映拟实运行条件下物理系统的实时行为。

关于数字化“孪生体”的研究，可追溯到Michael Grieves教授2003年在密歇根大学的产品生命周期管理高管课程，当时他提出了一个虚拟的、数字的、可等同于物理产品的概念，即数字孪生概念的雏形[20]。

在多年的发展中关于数字孪生术语的表达经历了从“镜像空间模型（Mirrored Spaces Model）” [21]、“信息镜像模型（Information Mirroring Model）” [22]到“数字孪生（Digital Twin）” [23]的转变，但其内涵却相当稳定，即由物理空间、虚拟空间、联系两个空间的数据和信息三部分定义。数字孪生通过建立物理空间和虚拟空间的实时交互映射，在虚拟空间实现对物理空间的高保真、全尺寸动态镜像，延伸和丰富物理实体的信息表达，从而为更高效合理的判断和决策奠定基础。

数字孪生概念诞生之初并未引起足够的重视，直到2010年“数字孪生”一词出现在NASA的综合技术路线图中[24–26]，有关数字孪生的研究开始大量涌现。NASA将数字孪生定义为“针对飞行器或系统的一种多物理、多尺度、概率性的集成仿真模拟，利用现有的最佳物理模型，传感器更新机群历史数据等反映飞行器全生命周期的状态”。

2015年，NASA进一步将建立可用于因空间辐射导致的宇航员健康退化、死亡的数字孪生提上日程，旨在以最小的不确定性评估宇航员暴露在空间辐射中产生的风险，从而改进近地轨道、深空、月球和火星任务执行的方式[27]。2020年，NASA发布了技术路线图的升级版本——《NASA技术分类》，再次肯定和强调了数字孪生在人类健康、仿真建模等领域的潜能[28]。

在这十年间，NASA和美国空军在航空航天领域展开了对数字孪生落地应用的探索。例如，2011年美国空军研究实验室Tuegel等基于数字孪生概念，设想通过构建飞行器超高保真度数字孪生体改进飞行器的寿命预测和管理能力，并介绍和讨论了构建飞行器结构寿命数字孪生所面临的困难和潜在可行技术方案[29]。

2012年，Tuegel提出了“机身数字孪生”概念，阐述了构建机身数字孪生存在的四项技术挑战，给出了相应的潜在解决方案，并利用数字孪生实现对机身性能的全生命周期跟踪，减少设计更改，最小化测试和检查频率，降低成本[30]。这些研究为数字孪生的后续发展提供了指引和方向。此外，针对未来飞行器轻量化、高负载以及极端环境下更长服役时间的需求，NASA和美国空军研究实验室合作并共同提出了未来飞行器的数字孪生体范例[31]。

2017年，美国空军为了提高轮胎着陆磨损的预测精度，建立并应用了飞机轮胎的数字孪生，详细推导了基于物理的轮胎磨损方程滑移磨损率，构建了基于高保真度试验数据的非线性着陆磨损响应模型[32]。综上可知，数字孪生的构建和应用已经成为了NASA和美国空军主要研究之一。

伴随着NASA和美国空军对数字孪生研究的不断深入以及计算机技术的快速发展，越来越多的学者和企业认识到数字孪生的价值所在。近几年关于数字孪生概念的研究呈井喷式增长，研究已从航空航天扩展到船舶、机械、建筑、医疗、能源等领域，广泛的应用前景和潜在的应用价值成为驱动数字孪生火热发展的强劲动力。尤其在机械领域，数字孪生的动态性、实时性、灵活性等特性，使其迅速引起了众多学者和研究单位的关注。

2017年，宾夕法尼亚州立大学Knapp等[33]建立了增材制造的数字孪生模块，并验证了该模块能够准确预测影响组件属性和结构冶炼参数的时空变化。同年该校DebRoy等[34]为降低成本、提高效率，提出了构建3D打印机组件的数字孪生体。

随着研究的深入，Heo等[35]通过数字孪生实现了数控机床转轴载荷和数控数据的同步，通过统一加工载荷，结合历史监测数据，确定了刀具以及机床的状态，优化机床加工过程。奥克兰大学Lu等[36]回顾了数字孪生在智能制造系统及过程中的发展，并分析了工业4.0背景下数字孪生驱动的智能制造的内涵、参考模型、使能技术、应用场景和研究问题。

数字孪生不仅被应用于制造，还在设备监测评估方面大放异彩。工厂是集设计、生产、规划、调度等为一体的复杂系统，设计基于数字孪生的智能工厂框架，构建生产线的数字孪生，结合大数据分析、人工智能、物联网等技术，可优化生产周期，提高生产效率，实现结果快速反馈和生产过程的动态可视化[37,38]。机械设备的运动状态感知和动态性能可视化为操作、维修、设计、优化等提供可靠指导，是实现设备智能化的关键环节之一。

在状态感知方面，Li等[39]利用动态贝叶斯网络构建了数字孪生模型，结合FEM计算疲劳裂纹扩展模型所需的应力强度因子，用于监测飞机机翼前缘的裂纹扩展。

Zhidchenko等[40]利用起重机动力学模型和运动学模型构建了其数字孪生，通过数字孪生模型估计了起重机的运动，并利用MATLAB/SIMULINK建立的高保真模型验证了其准确性。但该方法对起重机的简化程度相对较高，难以建立高保真数字孪生体。

Wang等[41]提出了一种基于转子动力学和有限元的旋转机械故障诊断数字孪生模型，并采用粒子群优化算法减小物理转子和数字转子的动态响应差异。

Gonzalez等[42]基于物理模型和预测算法构建了垂直运输系统的数字孪生，利用数字孪生体能够快速适应于不同监测场景的特性，实现了系统状态和潜在纠正措施的评估。

在性能预测方面，Haag和Anderl[43]利用悬臂梁阐述了机械结构性能监测和预测的数字孪生概念，基于虚拟模型，通过传感器输入信息，实时模拟悬臂梁的真实性能、状态和行为。虽然该案例对数字孪生进行形象说明，但悬臂梁结构简单，因此针对复杂设备的实时性，该方法仍需进一步验证。

Renganathan等[44]对飞机运行过程中的空气动力进行了研究，利用带有噪音的实测数据和确定性的数值模拟数据，构建了空气动力学数据融合的数字孪生框架，通过实例验证了该方法的有效性。

Magargle等[45]采用多学科仿真方法和降阶模型建立了基于仿真的数字孪生模型，进而获得大量的虚拟故障数据，以支持训练先进系统诊断的机器学习（machine learning, ML）算法，进行汽车制动系统的热监测和预测性维护。

Fotland等[46]对多种仿真方法进行了权衡改进，结合任意拉格朗日-欧拉（arbitrary Lagrangian-Eulerian，ALE）和绝对节点坐标公式（absolute nodal coordinate formulations, ANCF）的ALE-ANCF方法，构建了起重机滑轮和缆索的数字孪生，在综合考虑计算效率和精度情况下，该方法具有显著优势。

Moi等[47]通过特定的逆方法，构建了折臂起重机状态监测的数字孪生，采用应变片作为负载传感器和输入，计算得到起重机特定结构处的实时应力、应变和负载。

Guivarch等[48]提出利用多体仿真开发直升机动态系统的数字孪生，为了提高计算效率，对斜盘转子组件进行了较大的简化处理。

Farah等[49]建立了球轴承的数字孪生体，通过离散元方法实现了球轴承在流体弹性动力学润滑区域运动的逼真模拟，对比得到球轴承中润滑油的流体弹性力与现有文献的实验结果基本一致。

Kapteyn等[50]结合基于组件的降解模型库和贝叶斯状态估计，构建了物理的和数据融合驱动的飞行器结构数字孪生，该方法提高了飞行器结构数字孪生的可靠性和准确性。

Ganguli等[51]构建了一个单自由度动态系统的数字孪生，将所提出的数字孪生定义为双时间尺度模型，即在两个时间尺度上复刻物理系统的动力学过程。以系统的固有频率和响应为输入，分别讨论了单自由度动态系统仅质量变化、仅刚度变化以及质量和刚度一起变化时所构建数字孪生的预测精度。但考虑到实际测量和传输数据的不确定性导致的系统质量、阻尼、刚度变化产生不确定性。

Chakraborty等[52]进一步将高斯过程（Gaussian process，GP）应用于单自由度动态系统数字孪生的数据处理过程中，并探索了在数字孪生中稀疏和带噪音数据所带来的不确定性问题。

同时，Chakraborty和Adhikari[53]为了跟踪退化函数的多时间尺度性质，提出了使用多组混合专家（Mixture of experts，MOE）的概念，通过在MOE框架内使用GP作为混合专家模型（ME-GP），得到了构建单自由度动态系统数字孪生可以放缓真实动态系统的物理过程，有助于从连续测量数据中确定关键的系统参数，合理预测未来时间步长的结论。

除此之外，数字孪生在工业界也引起广泛的反响与追捧。众多国际著名企业基于自身长期储备的技术基础以及未来业务发展需求，融合自己对数字孪生的理解，开展了数字孪生在产品设计、制造和服务等方面的探索。表1所示为当前部分国外企业在数字孪生领域的研究成果。

显而易见，国外著名工业或软件企业紧跟潮头，分别通过不同的方式探索了数字孪生概念与应用场景，进而借助数字孪生概念的多维可解释性，赋予数字孪生更多含义和功能，在数字世界中实现产品物理空间难以甚至无法完成的任务，使其产品进一步向灵活、安全、便捷和智能化方向发展。同时，从诸多企业的竞相追逐中也不难看出，数字孪生具有深厚的发展潜力和广阔的应用前景。尤其是在当前数字化、网络化和智能化高速发展的背景下，深入开展数字孪生的基础研究与应用研究意义非凡、迫不及待。

虽然国内对数字孪生的研究相对较晚，但研究发展速度快、理论研究成果多。从数字孪生的理念、框架、模型构建，逐渐到对物理世界和信息世界联通的探索，各研究从不同角度对数字孪生的内涵、意义、技术、应用等进行拓展、完善和丰富。

在数字孪生理念框架探讨方面，北京航空航天大学陶飞等[54–57]从数据、建模、团队以及孪生体的联系分析了数字孪生的构建，并提出了数字孪生五维模型和数字孪生车间模式，从物理、模型、数据和服务融合四个维度，系统地阐述了实现数字孪生车间信息物理融合的基础理论与关键技术。

西北工业大学张映锋等[58]提出了一种基于代理和信息物理系统的自组织自适应智能车间，进一步探索了多元化的数字孪生车间模式。

广东工业大学刘强等[59]提出了一种数字孪生中空玻璃生产线快速个性化设计方法，融合了基于物理的系统建模和分布式实时过程数据，开发了分析解耦框架，为设计优化提供指导。

北京理工大学刘检华等[60]提出了产品数字孪生体的内涵和体系结构，对产品数字孪生体的内涵进行了系统阐述，给出了产品数字孪生体在设计、制造和服务阶段的实施途径。

上海交通大学ZHENG等[61]提出了一种数字孪生应用框架，从广义和狭义两方面对数字孪生的概念和特征进行了解释，提出了适用于产品生命周期管理的数字孪生应用框架。

北京航空航天大学董雷霆等[62]系统阐述了构建飞机数字孪生的关键技术，提出了飞机结构数字孪生的5项关键技术，详细探讨了该技术的研究现状与发展方向。

数字孪生理念框架为数字孪生的构建、应用、拓展等提供参考和理论支撑。随着研究的深入，进行虚实映射和实时虚拟可视化成为数字孪生的关键，建立物理与信息世界的双向互通和动态流动是实现数字孪生落地的必要条件。

山东大学胡天亮等[63]提出了一种基于数字孪生的多域统一建模方法，探索了物理空间与数字世界的映射策略。该方法可优化数控机床的运行模式，降低突发性故障概率，提高数控机床的稳定性。

中国航空制造技术研究院郭飞燕等[64]基于制造过程中的全数字量协调传递方式，提出了航空产品装配工艺优化-反馈-改进循环机制的数字孪生模型，通过仿真、分析和预测物理实体真实的演化进程和状态，实现了产品研发生产中各种活动的优化决策，有助于提升产品的制造精度，拓展基于模型的制造技术内涵。

太原理工大学谢嘉成等[65]提出了一种基于数字孪生理念的液压支架虚拟监测方法，利用信息融合算法对液压支架的姿态进行监测，并结合虚拟数字模型对实际液压支架进行了仿真，实现了液压支架全生命周期管理与连接过程的数字化、模块化。

华南理工大学Xu等[66]提出了基于深度迁移学习的数字孪生辅助故障诊断方法，在保证诊断准确性的前提下，充分缩减了诊断时间。

以汽车车身生产线为例，验证了所提出数字孪生的优越性和可行性。北京工业大学Liu等[67–69]分别深入研究了基于数字孪生和人工智能的预应力索智能张拉和预应力钢结构安全评估，并提出了基于数字孪生的预应力索力学参数灵敏度智能判别方法，提高了钢结构和绳索结构安全分析的准确性。

大连理工大学宋学官等[70]提出了一种基于多模型融合的“形性”一体化数字孪生（shape-performance integrated digital twin, SPI-DT）框架，并以臂式起重机为例介绍了复杂重型装备结构分析的SPI-DT设计流程。

浙江大学谭建荣等[71]基于混合集成经验模态分解和贝叶斯优化的长短时记忆神经网络（Bayesian optimization long short-term memory, BO-LSTM）的时序预测构建了数字孪生。

北京航空航天大学肖文磊等[72]研发了面向数控加工的GrapeSim数字孪生系统，从感知、理解、推理和服务四个方面提升了数控加工的智能化水平，并将该系统成功应用于商飞生产现场。

从当前国内外的研究进展和成果来看，数字孪生已经从最初的一个概念模型逐渐发展拓展为一种多领域和多学科交叉的科学方法与工程技术的集成模型，其在智能工厂、智慧城市等方面取得了成功应用。然而，在产品级的数字孪生，尤其是重大装备的数字孪生方面，仍然缺乏深入的研究以及成功的应用案例。已有的研究大多聚焦于面向几何形貌、形态的数字孪生，很少涉及到面向结构力学性能的数字孪生。尤其是随着当前各种高新技术的快速发展，测量精度、通信速度、计算能力不断提高，数据体量和丰富度呈指数级增长，使数字孪生在重大装备上的落地应用，在可见的未来变得充满可能。

其中，通信速度和计算能力是数字孪生实时性和准确性的保障，测量精度、数据体量和数据丰富度可为数字孪生的高保真、全尺寸表征提供支持。这些技术为实现面向结构力学性能的数字孪生提供了便利条件。同时，它们在一定程度上又成为数字孪生发展的短板与瓶颈，特别是对于重大装备这种结构复杂的设备，建立面向几何形态和结构力学性能的数字孪生主要面临如图2所示的六个主要问题与难点，具体阐述如下。

（1）算不了：重大装备作业范围广、功率大，具有性能多学科、系统跨领域、结构多尺度耦合的特征。其中，整机、部件、零件等几何尺寸经常表现为横跨一个或者多个量级，性能评估表现为热、流、固、磁等多物理场并存。

现阶段的建模仿真软件大多旨在对同一量级几何尺寸的装备进行单一学科或者类物理场的分析，忽略或理想化其他因素的影响，未完全考虑装备真实空间特征，导致无法构建具有多物理场强耦合、多尺度并存的性能模型，难以有效获取装备或者关键零部件的参量与参数、参数与性能之间的关联关系。因此面向装备的几何形态和结构力学性能，探索精准、高效、完整的多学科、多物理场模型构建方法，结合装备实测多源数据，实现物理装备的高保真度模型构建，进而实现实时计算分析是提高数字孪生可信度的首要环节。

（2）算不快：重大装备结构复杂、体积庞大，其性能计算往往面临高维设计变量、强非线性、大规模计算等问题，导致计算效率异常缓慢。此外，重大装备的性能分析具有多学科和多尺度耦合、运动学和动力学并存的特点，导致计算量庞大，对硬件提出更高的要求。

现阶段，计算效率的提升可分为硬件和软件两方面。虽然当前高性能计算服务器、GPU（Graphics Processing Unit）等硬件技术发展迅速，但受制于“摩尔定律”，以及资金费用等限制，仅依靠硬件，仍然难以满足重大装备高精度、快速计算需求，故需要借助云边协同、多核并行等不同的计算模式进一步提升计算效率。软件方面提升计算效率多依赖于高效算法的开发和改进，该方法高效、便捷、灵活。所以寻找并开发合适的算法，结合相应的硬件设施完成数字孪生的实时计算，是实现重大装备数字孪生落地应用的基础保障。

（3）算不准：重大装备结构具备多物理、多模块、多功能的综合性，具有材料多属性、结构尺寸公差、载荷不确定性、环境不确定性等多重不确定性或不稳定性因素，致使建模和反正面临一系列的工程难题。举例来说，在建模过程中，将复杂物理问题或工程问题抽象为数学表达时，需进行多种假设和简化，认知和方法的局限使建立能够完整表征物理系统本质的计算模型变得异常困难。

故仅使用计算分析难以实现装备性能的准确分析与预测。因此，构建考虑瞬态、时变因素、多尺度、多物理场、多部件耦合的模型，将计算分析数据与测量数据相融合，赋予计算分析数据更多物理可解释性，提高装备性能分析精度，实现面向几何形态和结构力学性能的数字孪生，是决定重大装备数字孪生是否能够落地的重中之重。

（4）测不了：一方面，重大装备大功率特性使其在运行过程中多伴随巨大载荷，传感器量程的限制导致这些载荷很难被直接测得甚至无法完整获取。另一方面，重大装备结构复杂，零件众多，导致部分关键测点难以安装传感器，无法获取所需的信息。

此外，对于某些测量中要求结构无损的高精密装备和部件而言，受环境、测量精度等因素的限制，无法采用无损测量，从而导致所需参量难以获取。甚至装备的部分关键参量在现有测量技术水平下根本无法通过实验手段获得。在这种测量数据有限的情况下，问题的解决不仅需要装备零部件设计、制造的优化和传感技术的进一步发展，还应该在数据处理方面提出合适的方法，间接高效获取所需的参量信息。

（5）测不全：重大装备体积庞大、零部件多、工况复杂、组件性能各异，其运行数据表现为体量庞大、种类繁多、信息密度低。考虑经济成本、可行性、便捷性等因素，无法覆盖装备所有零部件进行全域传感布置，导致部分信息无法获取，使监测数据仅反映装备局部特征。

同时，装备各部件几何尺寸在空间上存在相互联接，结构性能在时间上存在相互干涉，这使得难以在有限的时间内获取相关高密度数据，影响监测数据的完整性。因此，分析装备实际运行工况，结合其机理信息，探索行之有效的数据获取策略，采用有限的传感设备，获取能够准确、完整表征装备时间域、空间域特征的完备信息是确保重大装备数字孪生有效性的关键。

（6）测不准：重大装备具备结构、工艺以及工况、环境复杂的特点，在材料性质、几何特性、测量偏差等方面存在不确定性且相互耦合，影响测量结果的准确性。对运行的重大装备进行监测时，一方面，由于传感器自身构造、材料属性以及外部环境等因素的影响，使传感信号附带一定噪音；另一方面，重大装备的多部位振动、温升等对测量信息产生干扰，导致有用信息被淹没，测量信号难以直接应用。

因此，针对已有数据和在线监测数据特性，开发高效的数据处理和清洗算法，识别并剔除测量数据中的不可用信息，确保监测信息的完整性、准确性和有效性，是构建能够准确表征重大装备真实状态数字孪生的必要条件。

面向重大装备几何形态和结构力学性能，构建“算测融合、形性一体”的数字孪生，本质是通过不同学科之间相互交叉与融合，将数字化、信息化和智能化技术渗透于重大装备全生命周期，集成多源数据、多学科方法、多领域建模技术，实现从设计、制造、测试、服役、运维等阶段对重大装备的建模、监测、分析、预测、评估等。通过总结国内外关于重大装备数字孪生的相关研究成果，结合当前数字孪生理念的发展趋势和现实需求，本文提出了如图3所示的重大装备形性一体化数字孪生内涵与构成。

重大装备形性一体化数字孪生内涵主要包括内容、特征、功能表现和目的四部分。其中，内容部分包含“算测融合”和“形性一体”两方面，是重大装备数字孪生的核心；特征部分对重大装备数字孪生进行定义，用特定“标签”对其进行刻画；功能表现部分给予重大装备数字孪生价值和应用；目的部分赋予重大装备数字孪生现实意义。

为了构建“算测融合、形性一体”的重大装备数字孪生，在建模阶段，需对统计模型、机理模型等多类型模型和几何数据、测量数据等多种数据进行融合，建立与物理空间生产制造、运维信息关联的多维度、全要素互联、可实时动态反馈交互的机制，使模型具有虚实融合的特性，如图3内容部分所示。

所谓“算测融合”，是指在数字孪生中融合传感器获取的测量数据和基于机理和统计模型的计算数据。如图4所示，这种融合的优势可从信息完整性、经济性、时效性、数据量、保真度五大维度进行分析与评估。对测量数据和计算数据相互取长补短，为构建更加真实准确的数字孪生提供有效数据。

如图4，与仿真数据相比，测量数据在信息完整性、经济性和时效性方面效果较低。对信息完整性而言，一方面，传感器受安装、测量、空间等因素的影响，导致仅通过有限传感器难以在空间上获取完备的测量数据以反映物理实体的状态和行为，这降低了测量数据信息完整性；另一方面，由于部分测量具有破坏性、测量技术条件不足、测量周期长、费用高等多方面原因，故完全依赖测量使获取的装备信息完整性难以保障。相对于测量数据，仿真计算可提供更为充足的数据表征装备性能。

如有限元等数值模拟方法，随着网格数量的增多，所获取到的空间信息完整性也越高。实验测量一般会消耗大量的人力、物力进行传感器、采集设备等硬件的安装与布置。而数值仿真只需要计算机硬件和软件的支持，并且可以重复使用，因此相对于仿真计算而言，测量经济成本较高，经济性较低。对于重大装备某些物理过程（冲蚀、磨损、疲劳等）而言，有时会需要几个月甚至多年的测量才能得到预期的数据，这无形中增加了测量时间与成本，降低测量的时效性，在同样的实验和效果下，其耗时远远超出了仿真模拟的时间。

但测量数据在数据量和保真度方面具备显著优势。随着传感器类型和采样频率的提升，在装备实际运行中易于获得体量庞大的数据（如振动、位移、速度等信息）。特别是对于具备多种工况的重大装备而言，通过仿真模拟实现装备在多种工况下的性能分析，需要耗费大量的时间和资源，而传感器能够相对容易地获取到测点在不同工况下的数据，使得测量所能获取的数据量远大于仿真计算。此外，在实际应用中，相对于仿真计算得到的数据而言，传感器数据包含更多装备真实状态和行为的时变信息，能够更加客观反应设备真实状态，故认为仿真计算得到的数据保真度低于测量数据。

“形性一体”旨在阐述数字孪生不仅要实时映射出物理实体的固有形态、瞬时形态，同时还应反映物理实体的宏观和微观结构力学性能，如表2所示。

“形”主要包含结构设计及加工制造阶段形成的固有形态和运维管理阶段表现的瞬时形态等易于感受的物理量；

“性”主要包括重大装备健康运维阶段表现出的使役性能信息和受载条件下反映的结构力学性能信息等难以直观感受，但对重大装备来说至关重要、必须精确量化与保障的隐含信息。

这两种特征驱动的数字孪生不仅拥有面向装备几何形态的功能，还能实现面向使役与力学性能的分析。同时，该结果不仅为操作人员执行科学正确的决策提供指导和参考，而且为进一步实现装备自身的闭环控制、智能决策提供必要条件。

为了更加清晰地阐述装备“形性一体”，图5展示了部分装备对应的数字孪生体。构建的数字孪生模型融合“形”、“性”特征，实现对物理装备在几何、位姿、性能等方面全方位、多角度的实时映射。如图5所示，对于不同类型的重大装备，其系统构成与关键零部件各异，要做到按需建设，重点受益，即根据需求建立整机或部分零部件的“形性一体”数字孪生。

图中挖掘机的数字孪生只对铲斗和挖掘臂两个关键部件进行了几何形态和结构力学性能建模。在“形性一体”数字孪生中，就形态特征而言，几何数据和坐标转换可实现对物理装备形态的精确刻画和位姿的动态描述；对于结构力学性能而言，特别是重大装备结构力学性能的实时分析与预测，不仅需要机理模型提供可解释的分析结果，还需辅助机器学习或者统计模型快速给出量化结果，降低计算量与延时，实现实时、动态的预测。

面向几何形态和结构力学性能，建立“算测融合、形性一体”的重大装备数字孪生，其本质是采用计算与测量融合的科学手段，通过调节可行参量使数字化三维模型的形态与性能无限逼近真实物理装备。针对复杂的重大装备，这种逼近可表述如下：

这些特征的充分考量使建立的虚拟模型可以动态、实时、忠实、唯一地表征对应的物理装备。真正实现数字孪生所要求的“虚”“实”融合、以“虚”映“实”，并通过迭代优化使虚拟模型具有更好的鲁棒性、更强的泛化能力和更高的准确性，进而实现以“虚”控“实”，为操作者和维护人员决策提供指导。同时，这种虚实融合的方式部署在装备的全生命周期，收集装备从设计到报废的数据，为下代产品的优化改良提供指导，实现以“实”修“虚”，最终达成“提质、增效、降本、减耗、安全、可靠”的根本目的。（由于全文较长，本文分为上下两篇）