数字发动机技术现状、挑战及关键问题

来源：航空制造技术

作者：胡忠志 曹文宇等

关键词：航空发动机；数字工程；数字主线；数字孪生；基于模型的系统工程

航空发动机是多学科集成动力装置，需要满足诸多苛刻而又互相矛盾的综合指标要求，且长期处于严酷的工作环境，对技术研发和工程设计挑战巨大。为满足飞机日益提升的性能需求和技术革新要求，新的航空发动机构型和技术方案不断涌现，研发周期和成本提高，对航空发动机研发全流程都带来巨大的挑战。

航空发动机研发过程已形成贯彻系统工程理念的全生命周期流程并制定了相关规范，如美国SAE（美国工程师协会）《ARP4754A 民用飞机和系统开发指南》，我国《民用航空发动机产品发展阶段管理细则（试行）》规定等。航空发动机产品的全生命周期阶段分为需求分析与定义阶段、设计阶段、制造阶段和运维阶段等。航空发动机的协作性和多学科性质，以及集成大量组件和相关模型的需求，亟须推进数字化进程实现和使用先进的系统工程方法和工具，有效地管理产品的复杂性。

目前仿真已经成为研发流程的重要内容，无论是在设计研发阶段、制造实现阶段，还是集成验证阶段，仿真技术的引入成为缩短航空发动机研制周期的关键因素[1]。随着仿真技术和数字化技术的进一步发展，航空发动机设计仿真技术逐渐向综合化、集成化和融合化方向发展，同时伴随系统工程方法 论的进一步完善，整个航空发动机研发体系正在发生革命性变化。所有航发利益相关方正在急切地寻找基于模型的系统工程（ MBSE）、数字孪生（ Digital twin）和数字主线（ Digital thread）相关的解决方案。

本文面向航空发动机领域数字化进程，发展了数字发动机概念，深入分析航空发动机数字化发展现状、挑战、需求和关键技术问题，为我国赶上数字化、智能化浪潮，抓住航空发动机研发体系变革机遇提供支持。

学科仿真模型集成利用基于物理的分析能力，将相关学科模型进行集成，以便获得系统级功能和行为的方法，已经被广泛航空从业者认可。集成技术经过多年的发展，学科模型也已经从单一工具的集成阶段，发展到协同环境下跨工具的集成阶段。无论处在何种阶段，学科模型之间的信息交互始终是集成的关键问题。学科模型的信息交互，主要包括学科知识之间的交互、异构数据模型的交互、模型间的信息通讯等。对于航空发动机此类学科复杂度高、耦合性强的专业，如何使学科模型高效集成、重用和优化，始终是研究的重要方向。

为了提升厂商的学科模型最终集成和验收测试能力，及时发现学科模型中的缺陷，减少由于学科之间语义差异引起知识交互误解的概率，提升多学科模型之间有效传递的知识与信息，德国航空航天中心（ DLR）于 2005 年便开始开发允许任意数量的跨学科分析能力有效互联的技术——中心数据模型CPACS（Common parametric aircraft configuration scheme），该数据模型面向整个航空行业，利用通用的参数化技术对飞机构型方案进行高保真度的描述，如图6 所示[20]。在已有CPACS 及其关联工具展的基础上，为了促进参数化飞机构型方案（ CPACS）在发动机、空气动力学等专业与学科的应用，降低非标准化方式进行构型方案数据交换的不一致风险，促进跨学科知识与模型的集成和重用，Alder 等[21] 开发了CPACSLibrary 的软件库。软件库通过C++ 等基础编程语言完成了方法学的实现、测试驱动的开发、版本的控制、Python 的绑定以及数据可视化的策略等功能，进而加速CPACS生态的完善。

除了CPACS 此类面向行业的通用语言的研究与发展，在直接面向学科模型知识与信息传递方面，Sirin等[22] 提出了模型识别卡（ Model identity card: MIC）的方法，通过对产品知识及学科模型的抽象形成标准化术语，实现模型不同性质的陈述，提升学科模型集成的可靠性。

为了简化不同学科仿真系统动态模型的创建、存储、交换和重用，用于模型/ 软件/ 硬件在环仿真、信息物理系统和其他应用，由戴姆勒股份公司发起，在众多工业软件厂商、生产厂商及Modelica 协会的共同努力下，形成了一套学科交互接口标准——FMI（Functional mock-up interface）。FMI[23] 是一个工具无关的标准，支持使用XML 文件和C 代码（ 或者在 DLL/ 共享库中编译，或者在源代码中编译）的组合进行模型交换和动态模型的联合仿真。

在各类学科模型集成技术的不断发展中，航空业由于其工程的高度复杂性，使跨工程师、跨部门和跨厂商能够实现协同研发的需求愈发明显与紧迫。与之相应的，是不同来源的、不同质量的多学科模型协同开发的需求也亟须解决。由此，学科模型的集成也就逐步进入了协同环境下跨工具的集成阶段。在此种条件下，学科模型的集成除了面临学科本身的问题，还需要面对学科工作流程的定义，工作职责的划分，数据的存储、追溯、处理，学科模型的知识产权安全性等问题。为了缓解这些问题，欧盟通过资助的AGILE 项目，提出了RCE（远程组件环境）工具[24] ——由德国航空航天中心（ DLR）开发的开源应用程序。用户能够直观地集成学科工具，通过图形界面定义它们之间的依赖关系，并执行由此产生的多学科工程工作流。产生的所有数据都集中存储，用于溯源、后续分析和后处理。在一定程度上，RCE 使协作工程师可以很容易地将各自的学科工具贡献给多学科设计或分析，简化了工作流结果的分析。除了RCE，国内外还形成了众多跨工具的协同工作环境，如中船重工奥蓝托的Designer平台、索为公司的SYSWARE 平台等，该类平台均以图形化的学科模型集成为基础，融入了行业研发经验，形成了学科模型集成平台化、协同化、跨工具化和跨地域化的趋势。

系统模型可以被视为系统功能元素的战略组织，其布局使元素之间的角色、关系、依赖关系和接口能够被明确定义和理解[25]。目前，系统模型主要通过UML 和SysML 等系统建模语言以语义建模的形式，从全局视角描述产品的组成与关联关系，并不包含产品的全部详细定量信息，对于产品而言仍存在一定的不确定性，限制了系统模型对产品的预测能力[26]。为克服系统模型的不确定性问题，在系统建模过程中引入学科模型，利用定量的学科描述提升系统模型决策和预测的有效性，已经成为普遍认可的解决思路。系统模型中融入学科模型，除了提高自身模型的能力以外，还可为学科模型提供管理媒介[27]，从跨学科关系的视角来驱动或引导学科模型之间的集成与优化，为航空发动机此类学科复杂度高、耦合性强的产品提供新的学科模型集成思路。

要实现系统模型和学科模型的联合应用，模型之间信息的连通性是必须解决的关键问题。由于系统模型的语义不确定性与学科模型的描述精准性差异明显，除了要明确交互接口规范、数据类型和通讯规则等信息以外，还需要精心设计并定义各自模型中信息交互与存储的属性。

当前，对于系统模型与学科仿真模型的连通研究，很多借鉴了学科模型之间集成的思路，如Galisson 等[28]使用Arcadia 方法 论，利用Capella工具创建产品系统模型的过程中，借助模型识别卡（ MIC）的方法，在系统模型中引入新的Viewpoint 配置用于捕获学科仿真的需求与特征，最终形成面向学科建模与评估的MIC，实现系统模型与学科模型的交互。

对于仍以文档管理为中心的学科几何模型，已有很多团队开展研究，力图用系统模型来驱动和管理几何模型，提升查询和分析系统模型与学科几何模型的能力。Bajaj 等[29]在系统建模过程中，以参数化建模的方式将几何模型与需求相关联，将需求作为“种子”成为学科几何模型的起点，将系统级约束编码为几何或参数边界，在将系统需求可视化为几何图形的同时，也实现了动态计算几何模型是否违反约束的方法。此外，通过对学科几何模型不同阶段基线模型内系统属性的提取，又实现了工程分析和系统需求的自动化验证。经过在数字主线方向一系列的研究与应用，Bajaj 等[30] 的思想已经在美国Intercax 公司推出的Syndeia 平台中形成了系统生命周期处理程序（ SLH）的软件环境，通过连接从需求和系统架构到PLM/ 计算机辅助设计、制造和仿真模型到机器和传感器数据流的异构工件，提供构建、管理、查询和可视化数字主线的服务。Syndeia 利用STEP、REST/HTTP、OSLC 等开放标准，将源自各种软件仓库和工具的模型和数据结合起来，如SysML 工具、PLM 和ALM 环境、数据库、需求和项目管理系统、数据库和仿真工具等，并为各个仓库、工具、模型和数据等编制产品/ 系统的总体系统模型图提供可视化服务，在保证信息关联性、追溯性、交互通畅性的同时，最大限度降低工程师的学习与使用成本。

Vosgien 等[2] 通过对学科几何模型的深入研究，引入了多学科数字集成链的概念，多学科数字集成链是多级设计– 仿真回路，将子系统模型和数据（ 潜在来自多个学科）集成在一起，以预测全局系统行为，从而验证系统性能是否符合预期。在数字化集成链的背景下，提出了可用作大型装配有限元模型的数字样机转换方法，使系统模型可应用于学科几何模型的行为仿真中。

在现有研究的基础上，欧洲资助的AGILE 4.0 项目也将目光聚焦在了系统模型与学科模型集成上，希望可以在实现系统方案权衡和需求追溯的同时，加速系统模型与学科模型之间相互转化的效率[31]。通过研究与实践，形成了一个联合MBSE 和MDAO的开发框架[32]。在此框架下，整合了一系列系统模型开发与验证工具、学科模型开发与分析工具和用于支持系统模型与学科模型转换的数据规范等成果[33]，并在某型无人机认证[34] 和某型号大飞机供应链管理[35] 等方面开展应用。

产品生命周期中的多个阶段向数字主线提供信息，可以用来在未来的设计中做出明智的选择，以及减少设计参数和工艺成本的不确定性。此外，这些信息可能揭示更有效的操作策略。执行设计决策为产品生命周期添加了新的信息，改变了数字主线的状态。这一过程可以用数据驱动的设计方法和不确定性下的决策问题进行数学描述。如利用贝叶斯推理和决策理论的工具，对其进行数学描述[36]。

针对航空发动机数字孪生建模问题，早期主要有机理性建模、数据驱动建模，以及机理/ 数据混合模型3 类方法。机理性建模方法从航空发动机的机理出发，基于通用理论模型，应用航空发动机循环的热力学公式对进气道、压气机、燃烧室、涡轮和尾喷管进行建模，考虑热力循环过程中的流量方程、压气机中的压缩方程、燃烧室中的热平衡方程、换热方程等建立航空发动机数字孪生模型。机理性建模的不足是缺乏与航空发动机实测数据的结合，因而难以准确描述和预测航空发动机全寿命周期性能特性。

近年来，随着数据驱动建模理论，包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及机器学习等基本理论的发展，国外学者也发展了大量基于设备的运行数据，直接辨识/ 训练成高精度的数字孪生模型，例如通过ARMAX 辨识方法可以在时域和频域分别对航空发动机进行分参数分析，确定模型阶数并对航空发动机进行建模，进一步提高了建模方法的精确性。数据驱动建模目前主流是神经网络类方法，因此其强大的映射能力可实现多变量、强耦合、非线性的系统建模。数据驱动建模选取大量的样本数据，采用神经网络算法进行训练，可以得到更好的仿真效果，计算结果通常能够与实测数据精确吻合。数据驱动建模的不足是忽略了对设备物理特性的描述，难以对结果给出机理性的解释。

对于航空发动机数字孪生仿真建模来说，使用场景对其置信度要求极高时，单一的建模方法显然无法在全包线、全状态范围内精确反映航空发动机甚至飞机整体性能；另一方面，从整个数字孪生的高保真度要求来看，工业需求不仅追求发动机本身的热力性能信息，同时也关注其结构和内部三维流动，甚至全生命周期或各类故障下的表现情况，传统的单学科仿真难以满足数字孪生在航空发动机上的应用需求，多专业间匹配开始成为数字孪生的标配，因此其建模方法趋向多学科，跨专业，需要通过模型降阶技术、通用接口模型设计和统一仿真架构设计，将航空发动机气动、结构和系统等各类专业模型、有限元仿真模型进行有效集成，实现系统级的多学科联合仿真模型，涉及的建模技术包括：建模规范构建、多学科系统建模、有限元模型降阶、异构模型集成、模型修正与更新、虚实交互接口开发和模型实时化等技术。