數字孿生在航空發動機運行維護中的應用

■ 劉魁 王潘 劉婷/ 中國航發研究院

隨著多領域建模綜合技術、新型信息技術的發展，數字孿生技術成為復雜裝備系統運行維護領域的研究熱點。航空發動機是典型的復雜裝備系統，通過融合模型驅動和數據驅動的方法，構建航空發動機運維數字孿生體，可實現對物理發動機的精準監測、故障預測、性能和控制優化，為數字孿生技術在航空發動機全生命周期的應用提供參考。

數字孿生技術的發展

數字孿生通過建立物理空間和數字空間之間的精準映射和反饋機制，可實現物理空間和數字空間數據/信息的實時交換，并在復雜系統演進過程中，捕捉物理空間環境和本體的變化，不斷更新數字空間的模型，預測和評估系統行為。

數字孿生模型被定義為三維模型[1]，包括：物理實體、數字實體及二者之間的連接。其中，物理實體包括物理環境和物理本體，數字實體包括數字本體和數字環境，二者之間數據雙向傳遞，物理實體向數字實體中傳遞傳感器等客觀的數據（data），數字實體利用數據對數字本體和數字環境建模仿真后，向物理實體傳遞具備描述、診斷、預測和優化等特征的信息（information），它們能實時指導物理實體的行為，并為系統運行提供輔助決策。數字孿生技術的應用得益于多領域建模綜合技術和新型信息技術的發展。

多領域建模綜合技術的發展

多領域建模綜合技術得益于基礎理論和數值仿真技術的發展，氣、固、熱、電磁、控制等多領域建模綜合技術的發展，使得對物理實體的機理認識更加透徹，具備解決多領域子模型之間的數據高效交換能力，因此能刻畫出跨時間、多尺度、高精度、高適應性的物理機理模型。

新型信息技術的發展

當前應用于發動機運行維護的算法包括：模型驅動的算法、數據驅動的算法和混合算法，其發展經歷了從基于模型的故障診斷預測，到基于專家系統的推理預測，再到數據驅動的智能診斷預測，現在發展為模型驅動與數據驅動的融合診斷預測。重點解決的問題包括：有限傳感器下的故障診斷與隔離，關鍵健康參數的估計及恢復，海量數據的趨勢分析，發動機自適應模型的精準建模，綜合利用設計、維修、試驗、飛行數據的推理等。

大數據應用技術的發展促進了數據共享和快速分析。其發展經歷了從基于數據統計的描述性分析，到利用歷史數據建立分析模型的規定性分析，再到使用大數據挖掘實現對未來狀態的預測性分析。大數據技術的應用大大提高了數據存儲和分析的能力，促進了復雜系統全生命周期的數據統一存儲和共享，為不同子系統提供統一的數據視角，使數據在不同子系統之間快速傳遞、交互、融合，實現了以功能應用為導向的跨系統數據挖掘分析。

傳感器和網絡技術的發展提升了復雜系統的感知能力。能承受極限溫度、壓力等環境條件的新型傳感技術的發展，為發動機更多核心部件精細化測量提供手段；具備故障自診斷、故障處理能力的控制系統傳感器提高了系統應對復雜環境和精確控制的能力。網絡技術的發展，提高了復雜系統數據實時交換的速度，促進了信息的及時分享和傳遞。

數字孿生技術綜合多領域建模綜合技術和新型信息技術，構建出可精確模擬物理實體的數字孿生體，能實現對復雜系統內涵的深入挖掘與拓展，實時預測系統行為，使研究由試驗分析、解析分析、仿真分析過渡至模型驅動和數據驅動的綜合分析。

數字孿生技術在航空發動機運行維護中具有重要意義

當前航空發動機預測與健康管理技術是解決航空發動機復雜裝備系統運行維護的主要手段，其技術主要包含在線狀態監測、故障診斷、性能退化和壽命預測、健康管理等，是由航空發動機在已知理想運行狀態下的監測數據和模型所驅動。由于航空發動機運行環境多變，其性能與設計、制造等過程緊密相關，隨著控制系統和傳感器技術的發展，監測數據量急劇增長，數據呈現出高速、多源、異構等典型特征，當前的技術難以滿足航空發動機在動態多變環境下的狀態實時評估、預測的高精度需求。多領域建模綜合技術和智能傳感、大數據、人工智能等新型信息技術的發展，使現代支撐技術朝著計算精準、分析智能、功能完備等方向發展，使高精度地模擬航空發動機復雜系統的行為特征成為可能，當前的技術體系逐漸演變為數字孿生技術體系。

數字孿生技術在數字空間構建了一個基于高精度物理模型、歷史數據、傳感器數據的數字實體模型，該模型能反應系統的物理特性和應對環境的多變特性，可實現發動機的性能評估、故障診斷、壽命預測等功能，同時可基于全生命周期多維反饋數據源，在行為狀態空間迅速學習和自主模擬，預測對安全事件的響應，并通過物理實體與數字實體的交互數據對比，及時發現問題，激活自修復機制，減輕損傷和退化，有效避免具有致命損傷的系統行為。

航空發動機運維數字孿生模型包含的要素

從全生命周期角度看，數字孿生技術可應用于航空發動機的設計研發、生產制造、運行維護等各階段。在設計研發階段，數字孿生技術可將歷史發動機的全生命周期數據，如設計周期、研發成本、主要性能指標、運行維修等重要數據，反饋至研發人員，研發人員依據幾何模型、性能模型、需求指標、歷史產品數據構建數字孿生體，并不斷迭代優化實現設計目標；在生產制造階段，數字孿生技術可將生產系統和發動機零部件數字化，形成數字生產線和數字本體，實時采集制造和裝配過程信息，實現對發動機制造裝配過程的實時監控、修正；在運行維護階段，數字孿生技術可對發動機運行環境和發動機實體建模，形成數字運行環境和數字運行本體，全面監測和評估發動機性能，結合運行環境信息優化發動機控制，實現早期故障預警和性能退化預測。

數字孿生技術在發動機運行維護中的應用落地場景如圖1所示，以應用為導向，主要解決發動機運行維護中的氣路故障診斷、整機性能預測、控制優化等問題。在航空發動機全生命周期不同的階段，數字孿生模型解決問題的側重點不同，因此模型包含的內容也有所差異。依據數字孿生模型的定義，航空發動機運維數字孿生模型包含了物理空間中的實際運行環境和發動機實體、數字空間中的數字環境和數字實體、物理空間和數字空間的數據/信息雙向交換。

物理空間中有實際運行環境和發動機實體，實際運行環境是指飛行包線和飛機運行狀態，發動機實體是包含控制系統的物理發動機本體。在物理空間中，物理發動機本體和運行環境相互影響，運行環境直接影響發動機的進氣條件和控制狀態，發動機輸出的推力及其性能變化影響飛機運行狀態。

數字空間中的數字環境和數字實體，是運行環境和發動機實體的數字孿生體，融合模型驅動和數據驅動方法建立的環境模型和發動機模型，構成了多維度、跨時間、高精度的可表征物理空間實體行為的孿生體。

圖1 數字孿生技術在航空發動機運行維護中的應用落地場景圖

物理空間向數字空間傳遞的數據包括實時數據和離線數據，其中，實時數據是指傳感器數據，離線數據是指歷史飛行數據、出廠數據、維修/故障數據等，這些數據支撐了數字空間中數字環境和數字實體的構建和更新。數字空間向物理空間傳遞的信息是包含行為指導意義的數據，是數字孿生體的行為特征，可對發動機行為精準監測、故障診斷、性能預測和控制優化。

在航空發動機運維數字孿生模型中，運維數字孿生體是物理空間和數字空間的雙向精準映射的基礎。基于發動機原理構建的多領域物理基準模型，并融合不同的數據建立精細化模型形成運維數字孿生體，可針對航空發動機運維中的不同場景提供預測和指導。

航空發動機運維數字孿生體的構建

航空發動機運維數字孿生體的構建采用模型驅動和數據驅動融合的方法。首先，基于發動機原理采用模型驅動的方法構建了多維度、跨時間的數字孿生體初始模型；其次，基于初始模型并融合不同的數據，如實時傳感器數據、故障數據、歷史飛行數據等，實時修正初始模型，使其具備精準監測、故障診斷、性能預測和控制優化的行為特征，進而形成運維數字孿生體。

模型驅動的數字孿生體初始模型構建

在數字空間中，利用模型驅動的方法基于發動機原理構建的同一物理實體多尺度、跨時間的初始孿生模型，包括能反映內部流動機理的物理模型、利用部件法建立能反應容腔效應的發動機實時性能模型、專用于控制系統設計和優化的局部線性化模型等，3種模型是同一物理發動機在不同時間尺度和精度上的表示，如圖2所示。3種模型之間是遞進關系，具體表現為：在確定幾何模型后，利用多領域綜合建模技術得到高精度的物理模型，但高精度模型的時間迭代周期很長，無法快速預測性能；因此，可基于高精度的物理模型，利用維度縮放技術獲取精確的部件特性，通過部件法建立低維度性能模型，該模型在時間尺度上具有優勢，能與發動機實時仿真，可應用于故障診斷和性能預測；進一步，可基于發動機低維度性能模型聯合飛行狀態在具體工作點處線性化建立局部線性模型，應用于控制優化。

模型驅動與數據驅動相融合的動態演化數字孿生體構建

以數字孿生體初始模型為基礎，結合物理空間向數字空間傳遞的數據，構建動態演化的運維數字孿生體。初始模型與物理空間中傳遞的不同數據相結合，使其具備所要求的行為特征，形成航空發動機運維數字孿生體，如圖3所示。

將實時傳感器數據與性能模型結合，隨運行環境變化和物理發動機性能的衰減，構建出的自適應模型，可精準監測發動機的部件和整機性能；將歷史維修數據中的故障模式注入三維物理模型和性能模型，構建出故障模型，可應用于故障診斷和預測；將歷史飛行數據與性能模型結合并融合數據驅動的方法，構建出性能預測模型，預測整機性能和剩余壽命；將局部線性化模型與飛機運行狀態環境模型融合并構建控制優化模型，可實現發動機控制性能尋優，使發動機在飛行過程中發揮更好的性能。這些模型聯合刻畫出一個具有多種行為特征的數字發動機，并向物理空間傳遞在特定場景下所呈現的行為信息，實現對物理發動機的精準監測、故障診斷、性能預測和控制優化。

圖2 不同模型在計算精度速度上的比較

圖3 航空發動機運維數字孿生

圖4 精準監測功能

圖5 故障診斷功能

精準監測特征是解決發動機衰減后，模型無法實時準確估計整機性能參數的問題。發動機出廠時，數字空間中的發動機性能模型是額定性能模型，長時間運行后，由于部件磨損、葉片變形、外來物損傷、葉尖間隙超差等原因，性能發生退化，數字空間中發動機性能模型的輸出值與物理空間中發動機真實傳感器測量值出現偏差，整機性能參數（如推力、耗油率等）無法精確估計，為實現精準監測的目標，可利用傳感器偏差數據對基準模型中的性能模型實時修正，建立精準監測整機性能參數的自適應模型如圖4所示。具體實現方法如下：通過物理空間真實發動機的傳感器測量值與數字空間發動機性能模型的輸出值偏差，利用卡爾曼濾波器估計性能模型的變化程度，并在包線范圍內利用神經網絡算法對基準模型修正，準確估計和修正部件特性退化，使模型輸出與真實發動機輸出保持一致。

故障診斷將同批次發動機的維修、故障數據記錄分析形成故障模式，注入到初始模型，在實際運行中不斷與發動機測量數據比較，提取相似的故障模式預測故障。數字空間中的發動機性能模型與故障數據融合可生成故障診斷模型以實現發動機故障預測，發動機故障類型眾多，包括氣路、振動、滑油等，監控系統可對發動機的主要工作參數，例如轉速、壓比、排氣溫度、燃油流量、滑油量、滑油壓差等，進行監控。超過閾值時，對系統報警。此外，將歷史同批次發動機的故障模式融入模型中，系統測量參數超過閾值報警的同時，將測量參數與故障模式匹配，進行故障診斷，具體如圖5所示。

圖6 性能預測功能

圖7 控制優化功能

性能預測特征可記錄同批次發動機的運行歷史數據，融合基準模型進行性能預測。發動機長時間運行后性能下降，為準確評估性能下降的程度，需利用實時傳感器數據和歷史飛行數據對發動機進行性能預測。根據物理空間中同批次發動機多次飛行數據，建立性能預測模型的具體實現途徑如圖6所示。性能預測模型的構建包括評估參數選擇、樣本構建、指標定義、性能預測等4個步驟。其中，評估參數選擇是從飛行數據中選出對發動機性能衰退有影響的測量參數，主要包括機場條件、氣路參數、發動機運行參數、其他參數等多個因素；樣本構建是在每個飛行架次中選取特定狀態評估參數的測量數據形成評估樣本；指標定義是指通過觀測變量定量衡量發動機的衰退程度；性能預測是采用數據驅動的方法結合傳感器測量的實時數據預測發動機性能。性能預測模型解決了物理空間中真實發動機性能度量和預測問題，同時為視情維修提供手段。

控制優化特征解決了飛機和發動機綜合控制過程中發動機控制優化的問題。發動機和飛機設計初期作為單獨系統設計，發動機在有限的約束指標下完成特定目標，并未考慮不同飛行環境條件下的控制優化，即發動機工作在最差工作條件下仍能達到目標，該設計原則導致發動機未發揮最佳性能，在實際運行過程中控制系統尚有較大優化空間。將發動機飛行環境與基準模型相融合，構建控制優化模型，實現在不同飛行條件下，自適應調整控制系統整體優化發動機性能。根據環境因素平衡任務要求，以犧牲發動機部分喘振裕度為代價，在爬升階段提高推力、在巡航階段降低耗油率以及在提供滿足飛機推力的情況下降低渦輪前溫度，提高發動機性能、可操作性和可靠性，延長發動機壽命，降低發動機使用維護成本，實現途徑如圖7所示。

融合模型驅動和數字驅動的方法構建航空發動機運維數字孿生體：首先利用模型驅動的方法構建了多維度、跨時間的數字孿生體初始模型；然后基于初始模型并融合實時數據和離線數據進一步構建了具備精準監測、故障診斷、性能預測和控制優化等行為特征的航空發動機運維數字孿生體。該數字孿生體具有開放的特征，隨著對物理發動機認識的深入，可刻畫出更多的行為特征，通過模型擴展的方式，使數字孿生體的行為特征更加豐富。

結束語

本文簡要論述了數字孿生技術的發展和主要驅動技術，闡述了在航空發動機運行維護中的重要意義；基于數字孿生模型的三維模型定義，詳細描述了航空發動機運維數字孿生模型的包含要素；融合模型驅動和數據驅動的方法，在運維階段構建了多維度、多尺度、跨時間的數字發動機模型，并以此形成航空發動機運維數字孿生體。