航空机电系统是执行飞机飞行保障功能的系统，与飞机总体、动力系统和航空电子系统共同组成了飞机基本功能系统[1]，航空机电系统组成如图1所示。《世界航空指南》显示，航空机电产品供应商已突破1 270家，航空机电产业的产值比重达到整个航空产业的20%～30%。近五年，我国已跻身世界先进民用航空产业行列，未来20年，中国至少需要 6 630 余架新型民用飞机，商业价值高达9 500亿美元，航空机电产品的市场份额将超过2 000亿美元[2]。
航空机电产业是高附加值的高新科技产业，是技术创新和技术发明的重要领域，其专业面广，科技含量高、附加值大，易于向其他领域拓展，可以带动电子、先进材料、特种和精密加工、冶金、化工等技术和产业的发展，是各国尤其是欧美发达国家非常重视的产业。在“工业4.0”和“中国制造2025”的牵引和推动下，新的工业技术革命创新诞生了一系列新技术和新科技，如图2所示，推动制造业向自动化、网络化、数字化和智能化方向发展。在新兴工业技术的加持下，航空机电技术将突破瓶颈，跨越发展，达到引领我国机电行业发展的新高度。
图1 航空机电系统组成示意图
图2 我国新兴工业技术发展示意图
我国航空机电技术发展经历了测绘仿制到自主研发，机电设备水平已突飞猛进，但受制于工业基础，航空机电技术水平仍难以跻身世界航空强国行列。本文通过国内外文献综述形式，重点探讨了当下热门的人工智能和数字孪生技术在航空机电领域的应用前景，为航空机电创新发展提供理论参考。
1 人工智能技术
1.1 人工智能技术发展与应用
21世纪以来，“互联网+”的热潮渗透向各行各业，智能化需求日益提升，人工智能技术作为载体推动各领域数智化转型与应用创新。人工智能技术属于计算机科学的分支，是应用计算机技术来模拟和拓展认得智能的技术方法[3]，涉及到自然科学、社会学和心理学等众多领域，研究场景包括了机器人、语音和图像识别、专家系统等[4]。
人工智能技术的起源最早可以追溯到20世纪40年代，英国数学家图灵提出了“机器是否可以自主思考”这一核心命题，从而拉开了人工智能技术发展的序幕。在当时，人工智能这一想法从逻辑层面是合理而且值得探讨的，但在技术层面却是难以逾越的，因此人工智能技术的发展几经沉浮。图3描绘了人工智能技术坎坷的发展、衰退和突破路线。20世纪四五十年代，人工智能理论蓬勃发展，奠定了人工智能技术的基础理论架构。然而受制于计算能力，20世纪六七十年代，人工智能发展进入瓶颈，多数理论和想法无法通过高速运算实施，人工智能技术随之进入衰退期。20世纪80年代以来，随着计算能力的提升，人工智能技术再一次进入科技发展视野，改进理论和算法的提出、大数据和移动互联网产业的繁荣再一次推动了人工智能技术融合创新[5]。不久的将来，人工智能技术必将进入各行各业，深刻影响人们的生活。
图3 人工智能技术发展趋势示意图
当前，人工智能的应用尚处于初步智能阶段，即通过人类赋予的特定行为方式进行训练，进而在一定范围内实现智能。当前人工智能技术主要分为三类，即：数据挖掘与学习，基于知识和经验的智能管理与决策和人机交互，这三类技术为人工智能应用提供了技术基础。
面对海量数据需要分类和挖掘时，通常采用机器学习方法来实现智能化处理。机器学习是研究使用计算机模拟或实现人类的学习活动方法，从大规模的数据中进行学习，来完成对数据的分类、挖掘和预测[6]。机器学习方法包括决策树学习、强化学习、概率学习和深度学习等多种方法[7-9]。数据挖掘与学习技术往往用于识别和处理海量数据，常用于工业领域数据分析、图像识别等。
对于专业领域的知识处理和问题求解往往采用专家系统[6]，专家系统一般由知识库和推理机组成，通过建立知识库，对特定问题进行管理与决策，专家系统正逐渐成为智能管理和决策的重要工具和手段[10]。常用于农业种植决策、智慧医疗等特定专业支持的领域。
人机交互是人工智能的新兴热点技术，其目标是确保人与机器交互的顺畅。人机交互不再是简单的机械式交互，而是采用虚拟现实、模式识别、3D技术等交互技术融合创新，提升人与机器的感知交互能力[11-12]。常用于VR、AR、语音识别和智能机器人等应用场景。
1.2 航空机电技术与人工智能
对于军事航空装备，由于其任务场景具有环境高复杂、博弈强对抗、响应高实时、信息不完整和边界不确定等特征，因此传统的人工智能技术无法直接移植应用到航空装备应用中[13]。世界军事强国通过投入大量研发资源，旨在提升武器装备在运行场景中感知、认知、决策和执行(OODA环)能力。国内学者总结了飞机不同运行层级的人工智能需求，如图4所示。在体系层，构建信息共享与协同的作战集群体系，协同认知，共同决策和联合攻防；在平台层，面向航空装备平台，综合与集成OODA环中人机交互的协同、控制与维护；在平台子系统层，提升感知自适应能力；在设备层，通过先进感知技术、认知算法和决策模型提升设备智能化水平[14]。
航空机电技术与人工智能结合主要集中在航空机电设备和子系统层，下文将从产品全生命周期的各个阶段论述人工智能技术与航空机电的融合创新。
图4 航空人工智能运行层级示意图
航空机电设备/子系统的智能优化：现有航空机电设备/子系统为满足飞机功能和性能需求，往往是按峰值功率进行设计，体系架构相对陈旧，功重比低，能量效率低，严重制约了航空装备发展。结合人工智能的群智能技术和机器学习技术，通过优化系统/设备参数分配，实现按负载周期进行能量优化和管理，可以大大提高能量效率。
航空机电设备/子系统的智能控制：未来多电飞机/能量优化飞机对机电系统提出了全新的要求，系统不再局限于满足传统的能量供给和作动等基本需求。机电设备/子系统工作模式复杂，工作模态繁多，模式切换导致控制参数需要在宽范围进行调节，对系统控制执行和鲁棒性提出了全新挑战，传统的经典控制理论已难以维持现有需求。通过机器学习等优化方法，采用神经网络等算法优化控制参数，解决多目标协同控制和非线性耦合控制中存在的诸多控制难题，从而实现任务执行过程中自适应管理与能量优化[15]。
航空机电设备/子系统的智能制造：航空机电产品是装备于民用/军用飞机的机电类产品，覆盖了机、电、软、液等多专业零组件，既有结构件的焊装，又有多腔体柔性线组的装配。同时由于总体需求量不高，生产规模相对较小，但对质量要求极高。将智能产线、智能精益制造、智能检验工艺等技术应用于航空机电产品的制造和检测过程，可以大大节约成本，快速提升产品质量。
航空机电设备/子系统的智能维护：航空机电设备属于传统的机电类产品，故障率相对较高，故障检测与维护问题突出，严重影响飞机出勤效率。利用人工智能技术，依托设备运行过程中的特征故障数据进行训练和表征，提供可自主诊断和管理的运维模式，实现由事后维修向自主诊断和提前预测方向转变，全面提升航空机电设备自主保障能力[16]。
2 数字孪生技术
2.1 数字孪生技术发展与应用
20世纪中叶，随着计算机技术的普及和应用，数字化制造技术经过阶段性发展，如图5所示[17]，在这一过程中，如何实现产品全生命周期中动态数据的有效融合与管理，提升产品研发优化能力成为亟待解决的问题，而数字孪生(Digital Twins)技术将为其提供可行的解决方案。
图5 数字化制造技术发展过程示意图
孪生体概念最早要追溯到1972年美国NASA的阿波罗项目[18]，在该项目中，NASA采用地面孪生体的形式反映飞行器真实运行情况。随着网络化制造时代的来临，人们对产品全生命周期管理的概念认识的越来越深刻。2003年，美国学者Grieves提出了“虚拟数字化表现”的概念，即采用数字复制品来抽象表达真实装置，用以表达真实装置的实时信息，这一概念被认为是后来数字孪生的雏形[19]。在后续的发展中，Grieves相继又提出了空间镜像模型(2005)[20]和信息镜像模型(2010)[21]的概念，进一步丰富了未来数字孪生的基本概念和组成。
在这一背景下数字孪生的出现水到渠成，2011年，Grieves与Vickers在合著中首次提出了数字孪生的概念[22]，明确了其内涵和基本组成。随后，在美国巨头企业的推动下，数字孪生技术进入了蓬勃发展的黄金期。2011年，美国空军研究实验室(AFRL)率先提出以数字孪生技术来解决复杂环境飞行器维护和寿命预测的问题[23]。2012年，AFRL以飞行器为对象，提出了机体数字孪生的概念，用以对任务条件进行模拟判断[24]。2012年，美国航空航天局(NASA)在其仿真发展规划中将数字孪生技术作为重点发展技术编入规划[25]。2015年，美国通用电气公司(GE)拟基于数字孪生技术，对发动机数据进行实时监控和健康管理[26]。2016年，西门子(SIEMENS)开始尝试采用数字孪生技术来作为工业4.0的重要抓手。2017年，国内学者淘飞提出数字孪生车间的概念，即以数字孪生技术来推进智能工厂的发展应用[27]。
在各国先进制造战略(德国工业4.0、美国工业互联网和中国制造2025)的推动下，大数据、物联网和云计算等新一代信息与通信技术快速普及应用，数字孪生的概念随着新兴技术的发展也得到了深化。
数字孪生技术连续三年(2017—2019)被Gartner评为当年十大战略科技发展技术[28]，NASA、GE、SIEMENS等多家公司和机构对数字孪生技术进行了解读[29]，如表1所示。数字孪生技术可以在产品研发、装备制造、智慧车间、供应链管理和维护与预测等诸多方向发挥重要作用，在能源、农业、通信、环境及军事等领域具备广阔的应用前景(图6)。通过与数字纽带技术的融合，进一步提升了信息访问、整合和转换能力[30]；通过与信息物理技术的融合，实时感知、动态控制和深度协作成为可能[31]。未来，5G、量子通信、增强现实(AR)等新技术推动下的数字孪生技术前途将不可限量。
表1 国外公司/机构对数字孪生的理解与定义
机构数字孪生应用概念NASA利用当前物理模型、更新的传感器数据和历史数据等来反映与该模型对应的飞行实体的状态。GE通过物理机械和分析技术的集成,在虚拟环境中进行测试,调试和优化。Gartner数字孪生为实体对象的虚拟副本,意味着它可以是产品、结构、设施或系统。PTC产品生命周期管理流程延伸,以创建闭环产品设计流程,并帮助实现产品的预测性维护。SIEMENS基于产品生命周期各个方面一致的数据模型,可以准确,真实地模拟一些实际操作。甲骨文通过设备和产品的虚拟模型,模拟物体实体的实际复杂性,并投射到应用过程中。ANSYS将出色的仿真功能与强大的数据分析功能结合,帮助企业获得战略洞察力。达索通过3D体验平台,设计师和客户可以在产品设计或制造过程中与产品进行交互。SAP通过构建数字化模型,基于实时数据采集和分析促进产品开发和创新。Altair借助领先的虚拟仿真技术,创建叠加多种物理属性的虚拟模型,使产品具有更好的特性。
在数字孪生技术应用层面，2012年，为满足飞行器轻质化、大载荷和极端工作的要求，NASA与AFRL合作提出了未来飞行器的数字孪生体范例[32]。2015年，GE公司利用自身搭建的云服务平台Predix，实现了对发动机的实时监控、检查和预测性维护[28]。PTC公司将数字孪生与数字纽带融合，为客户提供高效的产品售后服务与支持[33]。达索公司构建了基于数字孪生技术的3D体验平台，并将该技术用于雷达数据共享与数据优化[34]。世界最大的轴承制造商斯凯孚已经将数字孪生模型应用到分销网络中，使得供应链中的管理人员可以通过可视化模型和视图进行全球化供应链管理决策[35]。新加坡采用数字孪生技术，构建了城市运行的仿真系统CityScope，实现城市优化决策功能，西班牙采用数据驱动的智慧城市管理平台的方式，感知城市环境、交通等情况，初步形成了数字孪生城市的雏形[36]。
图6 数字孪生技术应用领域及应用场景示意图
目前，数字孪生技术发展尚处于萌芽期，技术成功应用的案例尚少，仅局限于特定的企业与行业，但在数字化技术需求的加持以及新兴信息技术的推动下，数字孪生技术应用前景广阔，将在各行各业中发挥巨大能量，推动数字化制造蓬勃发展。
2.2 航空机电技术与数字孪生
数字孪生与航空技术渊源颇深，最早数字孪生技术就是应用于航空领域的维护与寿命预测[26]。航空机电领域涉及了航空设备/产品的全生命周期管理，包括设计研发、生产制造、产品供应、运行使用、维护与健康管理等多个环节，在航空机电设备全生命周期管理的各个阶段，数字孪生都能起到重要的作用。
限于篇幅，下文将从机电产品全生命周期中几个典型发展阶段对航空机电技术与数字孪生的协同应用进行解读，如图7所示。
图7 数字孪生技术在航空机电领域的应用示意图
航空机电设计领域：航空机电产品的设计过程是串行的，复杂产品的设计往往需要多轮的迭代与修正，大大增加了研发周期和设计成本，同时复杂设计过程中涉及结构、热流、机械、电子和控制等多学科模型协同处理，设计不确定性和复杂管理问题突出，严重制约了航空机电产业向智能化产业转型升级。领域建模和数字仿真将为航空机电产品设计发挥重要作用。数字孪生技术的出现将为复杂机电设备的理想设计信息和实际运行状态的一致表达提供有效途径，随着计算机技术的高速发展，通过增强计算资源和计算精度来提升模型准确性成为可能，尤其是有限元分析结果将越来越接近真实。数字孪生将设计和仿真协同考虑，不再割裂成单独的个体，设计和仿真的双向循环将更快地提升产品设计流程，采用数字孪生多学科协同设计建模方法，对复杂产品的设计建模、仿真优化、实例化验证、运行测试以及持续改进等多个阶段逐步完善。
航空机电制造与装配领域：航空机电产品是飞机重要机械/电气组成部分，其结构复杂，装配过程十分繁琐，制造成本高昂，使用传统的制造装配工艺已经无法满足快速发展需求。航空机电产品多采用多品种小批量生产模式，零件的几何外形和尺寸差异性较大，涉及的工艺门类、材料种类也多种多样。一方面，航空机电产品本身的复杂性使审查人员难以快速、直观地了解精准的设计信息；另一方面，审查过程多基于非实时的生产能力进行评判，从而降低了审查结果的准确性。通过综合应用数字孪生技术和VR/AR等技术，使审查人员能快速精准获取待审查信息，同时基于工艺性审查数字孪生模型，实现基于实时工况的工艺性自动审查，最终提升工艺性审查的质量和效率。在数控加工过程中，几何仿真与现场实际工况有一定的差异，造成数控加工编程反复迭代情况严重；另一方面，在数控程序的执行阶段，工艺及编程人员无法动态获取程序执行过程中的质量及效率信息，从而给数控加工程序的迭代和优化带来障碍。基于数字孪生技术，使数控加工编程人员在编程阶段即能基于实际工况信息进行参数设定和仿真验证，提升程序的质量，为后续的程序优化提供依据。航空机电产品类型多，覆盖机、电、软、液等多专业零组件的装配。当前航空机电产品装配工艺设计过程中，缺乏有效的数字化仿真验证手段，工艺校验效率低下，校验成本高，迭代周期长，且装配工艺质量普遍不高。基于数字孪生技术，协助工艺人员在工艺设计阶段及时发现工艺问题，并生成可交互操作的装配工艺可视化作业指导书，提升装配工艺的执行质量，降低对现场人员操作水平的依赖，为后续实现自动化装配提供支撑。
航空机电维护与保障领域：机电产品种类繁多，且需要维修的期限各不相同，产品质量也各有差别，这样使得维修和故障频率较高，很多时候都是出现了故障才进行维修，而且有时由于故障定位不明确，飞机上应用的条件及状况不能复现，从而导致维修困难、无从下手、维修周期长，使飞机维护停场时间较长，维修工作量大。基于数字孪生，可以对机电产品参数与虚拟仿真参数的一致性进行判断；根据二者的一致/不一致性，可分别对渐发性与突发性故障进行预测与识别；最后，根据故障原因及动态仿真验证进行维修策略、维修工作、维修工序、故障定位等问题的设计。此外，数字孪生技术可大大提升PHM方法的准确性与有效性。
3 结论
1) 受制于设计经验匮乏以及工业基础薄弱，我国航空机电产品距离国际领先水平尚有差距。为了快速提升水平，必须要依靠人工智能、数字孪生和5G技术等先进技术，支撑航空机电技术弯道超车，赶超一流国际水平。
2) 航空领域的人工智能技术已经成为重要发展方向。利用人工智能技术，在航空机电设计、加工和维护等全生命周期阶段加以充分应用，必将带来航空机电领域重大变革。
3) 数字孪生技术的出现为航空机电技术发展提供了更好的方法和途径，目前数字孪生技术仍处于初级阶段。
4) 在航空机电领域，人工智能与数字孪生的深度融合将推动航空机电设计、优化、制造与维护全生命周期创新发展。人工智能技术将为数字孪生提供切实有效的实施途径，以数据驱动的人工智能技术和智能制造技术等前沿技术将为数字孪生提供重要技术支撑。
[1] 郭生荣.航空机电系统综合技术发展[J].航空精密制造技术，2016(1):1-6.
[2] 郭鹏.民用航空机电系统的现状与发展探析[J].机电信息，2019(15)：153-154.
[3] 安强强，刘汉烨，刘红霞.计算机人工智能技术的发展及其应用分析[J].电子世界，2017(17)：104.
[4] 程晓楠.计算机人工智能技术的发展及其应用分析[J].科学技术创新，2019(17)：94-95.
[5] 贺倩.人工智能技术的发展与应用[J].电力信息与通信技术，2017，15(9)：32-36.
[6] 贺倩.人工智能技术发展研究[J].现代电信科技，2016，46(2)：18-21.
[7] 何清，李宁，罗文娟，等.大数据下的机器学习算法综述[J].模式识别与人工智能，2014，27(4)：32-36.
[8] 朱军，胡文波.贝叶斯机器学习前沿进展综述[J].计算机研究与发展，2015，52(1)：16-26.
[9] 万赞.从图灵测试到深度学习：人工智能60年[J].科技导报.2016，34(7):26-33.
[10] 张煜东，吴乐南，王水花.专家系统发展综述[J].计算机工程与应用，2010，46(19)：43-47.
[11] 黄进，韩东奇，陈毅能，等.混合现实中的人机交互综述[J].计算机辅助设计与图形学学报，2016，28(6)：869-880.
[12] 管业鹏.复杂人机交互场景下的指势用户对象识别[J].电子学报，2014，42(11)：2135-2141.
[13] GOZTEPE K.Artificial intelligence applications，do army need it[J].Journal of Military and Information Science Editorial，2014，2(2):20-21.
[14] 雷宏杰，姚呈康.面向军事应用的航空人工智能技术架构研究[J].导航定位与授时，2020，7(1)：1-11.
[15] 毛昱天，杨明，张锐.异构多导弹系统自适应分布式协同制导[J].导航定位与授时，2017，4(3)：39-45.
[16] YEPEZ P，ALSAYYED B，AHMAD R.Intelligent assisted maintenance plan generation for corrective maintenance[J].Manufacturing Letters，2019，21：7-11.
[17] ROSEN R，VON WICHERT G，LO G，et al.About the importance of autonomy and digital twins for the future of manufacturing[J].IFAC-Papers on Line，2015，48(3):567-572.
[18] 庄存波，刘检华，熊辉，等.产品数字孪生体的内涵、体系结构及其发展趋势[J].计算机集成制造系统，2017，23(4):753-768.
[19] GRIEVES M.Digital twin:manufacturing excellence through virtual factory replication[EB/OL].2016.12.20.http://www.apriso.com/library/Whitepaper-Dr-Grieves-Digital Twin-ManufacturingExcellence.php.2014.
[20] GRIEVESM.Product lifecycle management:the new paradigm for enterprises[J].International Journal of Product Development，2005，2(1):71-84.
[21] GRIEVES M.Product lifecycle management:driving the next generation of lean thinking[M].New York:McGraw-Hill，2006.
[22] GRIEVES M.Virtually perfect:driving innovative and lean products through product lifecycle management[M].Cocoa Beach，Fla.，USA:Space Coast Press，2011.
[23] TUEGEL E J，INGRAFFEA A R，EASON T G，et al.Re-engineering aircraft structural life prediction using a digital twin[J].International Journal of Aerospace Engineering，2011.DOI:10.1155/2011/154798.
[24] TUEGEL，E J.The airframe digital twin:some challenges to realization[C]//Proceedings of the 53 rd AIAA/ASME/ASCE/AHS/ASC Structures，Structural Dynamics and Materials Conference.Reston，Va.，USA:AIAA，2012:1812.
[25] SHAFTO M，CONROY M，DOYLE R，et al.Modeling，simulation，information technology & processing road map[R].Washington，D.C.，USA:NASA，2012.
[26] WARWICK G.GE advances analytical maintenance with digital twins[N].Aviation Week & Space Technology，2015-10-19.
[27] 陶飞，张萌，程江峰，等.数字孪生车间—— 一种未来车间运行新模式[J].计算机集成制造系统，2017，23(1)：1-9.
[28] KRAFT E M.HPCMP CRETETM-AV and the airforce digital thread[C]//Proceedings of the 53rd AIAA Aerospace Sciences Meeting.Reston，Va.，USA:AIAA，2015:No.0042.
[29] 周济.智能制造-中国制造2025的主攻方向[J].中国机械工程，2015，26(17):2273-2284.
[30] MUKHERJEE T，DEBROY T.A digital twin for rapid qualification of 3D printed metallic components[J].Applied Materials Today，2019(4):59-65.
[31] 李欣，刘秀，万欣欣.数字孪生应用及安全发展综述[J].系统仿真学报.2019，31(3):385-392.
[32] 张永建，安鲁陵，谭昌柏，等.基于MBD和多Agent的飞机构建工装协同设计系统开发[J].航空制造技术，2017(11):87-92.
[33] PARDO N.Digital and physical come together at PTC live global[EB/OL].http://blogs.ptc.com/2015/06/08/digital-and-physical-come-together-at-ptc-live-global/，2015.
[34] FOURGEAU E，GOMEZ E，ADLI H，et al.System engineering workbench for multi-views systems methodology with 3D experience platform.The Aircraft RADAR Use Case[M]//ComplexSystems Design & Management Asia.Springer International Publishing，2016.
[35] CORONADO P D U，LYNN R，LOUHICHI W，et al.Part data integration in the shop floor digital twin:mobile and cloud technologies to enable a manufacturing execution system[J].Journal of Manufacturing Systems，2018，48:25-33.
[36] 张冰，李欣，万欣欣.从数字孪生到数字工程建模仿真迈入新时代[J].系统仿真学报，2019，31(3):369-376.