美國空軍機體數字孿生計劃的回顧與啟示

李鵬 潘凱 劉小川

摘要：為了實現基于條件的維護策略和更可靠的結構完整性評估，美國空軍研究實驗室（AFRL）推出了飛機機體數字孿生（ADT）計劃，通過最新的概率分析方法來生成載荷譜，構建子模型，執行校準、傳播和更新不確定性，預測機體疲勞損傷擴展，做出維護決策等。演示結果表明，隨著時間的推移和狀態的不斷更新，數字孿生體可以越來越清楚地了解飛機狀況，更加準確地預測疲勞裂紋擴展，減少機體的維護檢查次數，從而降低整個機隊的維護成本并增加飛機的可用性。數字孿生的未來應用還面臨很多挑戰，給出了一些仍亟待解決的關鍵技術和發展方向。

關鍵詞：數字孿生；飛機維護；疲勞裂紋；概率方法；貝葉斯更新

中圖分類號：V215文獻標識碼：ADOI：10.19452/j.issn1007-5453.2020.09.001

基金項目：國家留學基金（201905270003）

下一代裝備/飛行器需要更輕的質量且面臨更高的負載、更嚴酷的使用環境、更長的服役周期。目前的驗證、管理和維護理念無法滿足下一代裝備的需求，因此美國空軍（USAF）提出了飛機機體數字孿生（ADT）計劃。在數字空間建立真實飛機模型，通過互聯傳感器實現與飛機真實狀態完全同步，每次飛行后，根據結構現有情況和過往載荷，及時分析評估其是否需要維修，能否承受下次的任務載荷等。目前，美國空軍正在F-15機翼組件上開展數字孿生測試，并在澳大利亞和加拿大機隊進行推廣應用，以節約機隊維護成本并提高結構可靠性。國內一些高校正在進行概念驗證及元件級測試工作，相比于飛機組件級或整機級測試和應用還有一定距離。通過回顧美國空軍近10年來的研究成果，對數字孿生的概念、關鍵技術和潛在優勢有更加深入的理解。

1發展歷程

美國空軍和美國國家航空航天局（NASA）對數字孿生的定義為：一種面向飛行器或系統的高集成度多物理場、多尺度、多概率的仿真模型，能夠利用物理模型、傳感器數據和歷史數據等反映與該模型對應實體的功能、實時狀態及演變趨勢。數字孿生可以幫助減少飛機認證測試的次數和持續時間、消除意外的裂紋和故障、減少結構維護檢查的次數和頻率等，可以與數字線索共同應用于飛機制造、測試、運營和支持、維護等各個階段，改變當前的飛機認證、管理和維護方法，從而滿足下一代裝備更輕的質量、更極端的服務條件、更長的服役時間等要求，實現前所未有的經濟性、安全性和可靠性。

2003年，美國密歇根大學教授Michael Grieves博士在產品生命周期管理（PLM）課程上提出，通過物理設備的數據，可以在虛擬（信息）空間構建一個可以表征該物理設備的虛擬實體和子系統，并且這種聯系不是單向和靜態的，而是在整個產品的生命周期中都聯系在一起，但當時還未將此概念明確為數字孿生。2003—2005年，Michael Grieves教授將這一概念模型稱為鏡像空間模型，2006—2010年，將其稱為信息鏡像模型。2011年，Michael Grieves與美國國家航空航天局John Vickers合著的《幾乎完美：通過PLM推動創新和精益產品》將其正式命名為數字孿生[1]。同年，美國空軍研究實驗室（AFRL）也明確提到了ADT計劃的目的是解決未來復雜服役環境下的飛行器維護及壽命預測問題。NASA也在同期開始關注數字孿生，并提出了“數字線索”的概念，旨在通過“數字線索”連接數字化數據與實體設備，實現對制造網絡實時可見、分析及優化。與此同時，美國通用電氣（GE）在為美國國防部（DOD）提供F-35聯合攻擊機解決方案的時候，也發現數字孿生是工業數字化過程中的有效工具，并開始利用數字孿生構建工業互聯網體系。F-35戰斗機的設計生產通過采用數字孿生和數字線索技術實現了前所未有的工程設計與制造的連接。由此可以看出，由于航空航天工業始終保持著相當高的自動化、數字化及仿真水平，因此數字孿生概念的產生和發展在過去很長一段時間都集中在航空航天領域，特別是利用數字孿生技術對飛行器進行故障預測和健康管理。而近幾年，隨著美國、歐盟、中國、日韓等世界主要國家和地區紛紛開始進行以智能制造為核心的制造業升級，以及云計算、大數據、人工智能、虛擬現實、物聯網和傳感器等信息技術的快速發展，數字孿生也逐步擴展到了包括設計、制造和服務在內的完整的產品周期階段，應用探索也逐漸向海洋工程[2-5]、復雜建筑[6-7]、機械裝備[8-9]、醫療[10]、制造車間等多領域輻射[11]。Gartner公司從2017年起連續三年將數字孿生技術列為十大戰略技術趨勢之一。數字孿生發展歷程如圖1所示。

2研究背景

美國空軍提出ADT計劃的初衷是為了降低維護成本。美國空軍70%的日常開支用于飛機維護，以F-22為例，在2005年投入使用后，由于維護困難，飛行時間成本為6萬美元，這使其成為世界上最昂貴的飛機之一。維護的復雜性不僅限制了飛機的戰斗潛力，而且還導致了整個計劃的失敗。最初，美國空軍想購買750架F-22，一架飛機的成本約為1.5億美元，而其維護成本約5.5億美元（40年），最終，一架F-22戰斗機的價值不低于7億美元，甚至可能更多，因為隨著時間的推移，運營維護成本也會增加。這使得F-22生產提前終止，最終僅生產了187架，約占美國空軍所需新型戰斗機數量的1/4。因此，在未來的第六代戰斗機研發過程中，尤其是在國防預算縮減和舊飛機繼續運行的時代，美國國防部和美國空軍亟須一種預測性維護方法來減少停機維護時間及成本，并試圖通過更準確的壽命預測方法來延長舊飛機的服役周期。ADT的使用可以幫助實現這些目標。

從2009年起，美國空軍開始籌劃并投資ADT項目[13]。經過與范德比爾特大學名譽教授和AFRL前首席科學家T. A. Cruse以及康奈爾大學教授A. R. Ingraffea的廣泛討論， Eric J. Tuegel于2011年明確提出將數字孿生技術用于飛機結構壽命預測并確保其結構完整性[14]，如圖2所示，通過數據的不斷交互更新，實時估算飛機使用壽命和可靠性，從而可以按時間和預算執行維護、維修和更換計劃，在確保結構完整性的基礎上減少維護成本。

Tuegel討論了實現數字孿生過程所需要的技術和所面臨的挑戰，包括多物理場耦合建模、微觀-宏觀多尺度損傷建模、結構有限元和損傷模型的集成、不確定性的量化建模和控制、大型共享數據庫的操作、高分辨率結構分析功能等。因此，開發數字孿生必須克服許多挑戰，可能是一個涵蓋10年或更長時間的發展計劃。

在隨后的兩年內，AFRL一直在補充和完善ADT計劃的概念和想法，在2012—2013年發表了一系列文章[15-20]。AFRL指出，整個飛機的數字孿生模型應該包括電子設備、飛行控制、推進系統和其他子系統的子模型。但是ADT計劃只關注機身系統，具體來說，是金屬機身結構的疲勞壽命和維護計劃，但是機身就是飛機。ADT實際上是一系列模型的集成（見圖3），它與當前結構建模的主要區別在于子模型之間的集成度、子模型的保真度水平以及所有計算中的不確定性量化和更新。

為了驗證ADT方法的可行性，并找到具體實施過程中的技術差距，AFRL利用已有的某型機全機模型，嘗試了一個簡單的ADT過程。由于ADT需要虛擬飛行物理孿生體的每個航線，因此虛擬飛行了一個簡單的ADT?；贑FD模型和FEM模型開發了飛機的基本ADT框架（見圖4），設想的過程是使用飛行數據記錄和CFD模型生成空氣動力學飛行載荷，然后將其應用于FEM，以在關注位置創建應力連續時間歷史記錄，并分析損傷狀態。

在演示這個相對簡單的ADT示例時發現了許多技術空白，如CFD模擬所涉及的計算成本和工作量、數據存儲、高保真度的結構FEM模型和CFD模型、將CFD載荷映射到結構FEM模型等。總之，目前還不能完全實現數字孿生技術，在準確施加飛行載荷、不同模型之間的耦合、管理和減少ADT中的不確定性等方面還需要新的技術支撐。

應該說，AFRL在這段時間的不斷探索，逐漸豐富了自己對ADT計劃的理解。AFRL認識到，除了結構的高保真物理模型外，ADT還需要集成機載健康管理（IVHM）系統的傳感器數據、維護歷史記錄、機隊使用數據以及使用數據挖掘和文本挖掘獲取的所有可用記錄，以反映其飛行實體雙胞胎的真實狀態。通過合并所有這些信息，ADT才能連續預測裝備或系統的健康狀況、剩余使用壽命以及任務成功的可能性。最后，ADT還需要通過激活自我修復機制或建議更改任務配置文件以減輕結構損壞或退化，從而增加使用壽命和任務成功的可能性，實現前所未有的安全性和可靠性。所以說，ADT是一個名副其實的多尺度、多物理場、概率性模擬，如圖5所示，需要使用飛行記錄數據、機載監測系統數據、機隊歷史數據等不斷更新最高保真度的物理模型，從而實現可預測性的故障診斷和疲勞演變等。

雖然ADT的實現面臨很多技術挑戰，但是不代表該方法不可行?？紤]到ADT可能帶來的潛在好處和遠期影響，AFRL決定集合各科研機構的現有最新技術，對ADT技術展開深入研究。2013年1月，AFRL在網上發布了競標公告，就Airframe Digital Twin：Spiral 1計劃展開競標，該計劃旨在整合現有的各種最新技術，并使用現有的美國空軍裝備組件（F-15全尺寸機翼作為測試平臺）來識別ADT的技術差距，進一步推動ADT技術走向實際應用。

3最新進展

3.1 ADT計劃的總體情況

在2013年上半年的競標中，最終有兩個團隊勝出并獲得了資助。團隊1包括通用電氣（GE）全球研究部、洛克希德-馬丁公司、Wyle航空公司、范德比爾特大學；團隊2包括諾斯羅普-格魯門航空系統（NGC）、得克薩斯大學圣安東尼奧分校（UTSA）。整個項目的領導者是“紅胡子”團隊，負責項目整體運行并提供指導，成員包括美國空軍結構高級領導人、ASIP經理、其他空軍適航與維護團隊領導人[21]。

ADT計劃的總目標是：開發和演示概率性的、基于風險的、逐個航線飛行的個體飛機跟蹤（individual aircraft tracking，IAT）框架，以替代當前的基準確定性IAT框架。該計劃旨在確定主要的不確定性驅動因素和有待進一步研究的潛在領域，并評估該方法應用于傳統舊機隊的可行性。

ADT計劃的重點是開發新的IAT框架。傳統的IAT系統（見圖6（a））無法準確評估高頻負載，這可能不足以完全解決關鍵位置的應力狀態。此外，由于零件制造和材料初始狀態的變化，可能無法確定關鍵位置的初始狀態，結構完整性評估的結果包含高度不確定性。因此需要通過管理和減少不確定性，來提高現役美國空軍個體飛機追蹤的結構診斷和預測能力，實現基于狀態/條件的維護決策。新的IAT框架被稱為預測和概率性個體飛機追蹤框架（prognostic and probabilistic individual aircraft tracking，P2IAT），如圖6（b）所示，從字面上可以看出，P2IAT比當前的IAT方法多了一些功能：概率性（或不確定性）、可診斷性和可預測性。P2IAT能夠集成異構信息和數據、量化和更新疲勞裂紋預測中的不確定性（包括輸入和輸出）、預測損傷狀態的演變、根據事件發生的可能性建立維護檢查間隔。P2IAT能夠輸出剩余使用壽命、裂紋尺寸、失效概率等的概率分布、置信范圍及其隨飛行時間的演變過程。P2IAT框架涉及的關鍵技術包括：不確定性量化、模型驗證、數據融合、機器學習、不確定性傳播、模型校準和更新、不確定性下的決策、特征提取、數據挖掘等。其中，不確定性的量化和更新構成了該框架的核心和基礎。

ADT計劃的實施分為三個階段，或稱為三個任務訂單（Task Order）。

（1）Task Order 1

開發P2IAT流程，涉及4個研究內容：概率載荷譜、P2IAT（概率性和預測性個體飛機跟蹤框架，具體指概率性的應力和裂紋增長以及剩余使用壽命）、統計更新、維護和檢查決策分析。

（2）Task Order 2

制訂試驗要求和計劃，包括疲勞載荷制定、控制點選擇、儀器設備、加載和檢查方案設計等，以演示Task Order 1中的P2IAT流程，以及準備兩個用于試驗演示的戰斗機機翼（由AFRL提供），為后續試驗做好準備工作。

（3）Task Order 3

通過全尺寸F-15外機翼試驗件演示整個P2IAT流程，評估P2IAT和ADT帶來的好處，確定研究差距和下一步的研發路線。團隊1和團隊2分別在機翼的右翼和左翼上進行試驗演示。

3.2第一階段（Task Order 1）任務完成情況

在Task Order 1中，團隊1和團隊2的任務范圍是相同的，包括4個研究內容（概率載荷譜、開發P2IAT流程、統計更新、機隊維護和檢查決策）和一個計算模擬演示。兩個團隊都在2016年9月之前完成了第一階段的所有研究內容[22-25]：

（1）概率載荷譜

使用飛行記錄儀數據和飛行模擬器數據生成概率載荷譜[26]。概率載荷譜可以用于填充丟失的飛行數據或預測未來的使用情況。另外還生成了F-15外機翼上選定控制點（CP）處的應力歷史，作為全尺寸測試的基礎。

（2） P2IAT流程

開發了P2IAT流程，包括恢復FDR數據、確定不確定性的主要來源、評估當前飛機的概率應力狀態和裂紋狀態、預測未來狀態的裂紋分布、建議何時進行檢查等。P2IAT框架可以使用前面得到的概率載荷譜執行數據同化（即跟蹤）和預測任務，實現概率性應力和裂紋擴展分析?；谳d荷、幾何、材料、初始缺陷尺寸[27]等各種不確定性輸入，計算控制點處的應力強度因子，然后計算裂紋擴展模型，得到裂紋長度和剩余使用壽命的概率分布等。

（3）統計更新

開發了一種貝葉斯更新程序[28-30]，該方法結合了機載SHM傳感器，無損檢測（NDI）或無損評估（NDE）提供的裂紋狀態信息，將這些信息納入當前狀態評估和未來狀態預測中。當獲得新的檢查數據或機載傳感器數據時，會基于動態貝葉斯網絡（DBN）不斷更新裂紋的增長，同時考慮了模型和傳感器數據中的不確定性。

（4）維護和檢查決策分析

基于安全和經濟策略制定了機隊管理標準，并利用風險和成本的綜合評估制定了決策流程。通過計算得到裂紋長度、失效概率以及信息增益等數據，以最大化信息增益、最小化檢查成本為目標函數，以下一次檢查的時間、重復檢查的次數、檢查類型等為研究變量，從而確定最佳維護檢查計劃[31-32]。相比于目前的決策方法，P2IAT方法能夠提供更加準確的疲勞預測，并以此為基礎進行維護和檢查決策，以選擇最合適的維護或修復時間，最小化運營成本。

最后，兩個團隊分別在戰斗機機翼的某個控制點上（團隊1選擇了右翼外側部分的螺栓孔，團隊2選擇了左翼的NG4控制點）演示了各自的P2IAT框架，向AFRL進行了逐步證明，但是只包括模擬計算。建立了控制點處的概率輸入、應力歷史、疲勞裂紋增長模型等，然后使用P2IAT框架進行計算，得到了失效概率、剩余使用壽命、裂紋尺寸分布等概率輸出。演示結果表明，隨著時間的推移和狀態的不斷更新，該框架可以越來越清楚地了解飛機狀況，裂紋預測越來越準，而且檢查次數也相應減少，這顯示了檢查計劃的成本優勢。演示證明了P2IAT方法是可行的，并且與當前的損傷容限方法相比，提高了IAT的預測能力。ADT和P2IAT的演示已經清楚地證明了數字孿生對于美國國防部和美國空軍的優勢。

3.3第二階段（Task Order 2）任務完成情況

在Task Order 2中，團隊1和團隊2的任務范圍也是相同的，目的都是制訂全尺寸地面試驗的要求和計劃，以演示Task Order 1中開發的P2IAT框架，主要包括5個研究內容：選擇控制點（監測點）、機翼載荷應用、測試譜與飛行記錄儀數據的轉換、儀器設備和數據采集、創建檢查計劃。兩個團隊都在2017年上半年完成了第二階段的所有研究內容[33-34]。

（1）選擇控制點（CP）的位置

確定試驗期間要重點跟蹤監測的10個控制點位置。通過對機翼關鍵位置進行嚴格的全源分析來選擇控制點。團隊1與團隊2的控制點選擇有5個是相同的，如圖7所示。

（2）機翼載荷應用設計

描述了將機動載荷轉換為測試載荷的過程，分析了試驗測試過程中的作動器載荷、膠布帶布置和試驗夾具等，設計了試驗加載方案，以充分再現Task Order 1中概率載荷譜中的機動動作，并確保在整個測試過程中在選定的跟蹤位置獲得理想的疲勞裂紋，不會發生災難性的故障，以成功演示P2IAT框架。團隊1和團隊2的試驗件加載方案如圖8所示。

（3）測試譜與飛行記錄儀（FDR）數據的轉換

在2016年5月的一次研討會上，AFRL要求FDR數據應該是由事件驅動的，并且僅包含海拔、馬赫數、Nz等10個參數才能更真實地演示Task Order 3，因此承包商需要定義數據捕獲事件。介紹了如何生成整個概率載荷譜（1000次飛行）的FDR數據以及每個機動操縱的FDR數據。

（4）儀器和數據采集

確定整個試驗過程中監測機翼狀況所需的儀器，包括各種傳感器、接線和數據采集設備的靈敏度、信號調節要求、電源要求、如何連接結構、數據存儲要求和數據格式等，以確保在不中斷測試的情況下快速確定機翼的狀況。

（5）檢查計劃

為每個控制點選擇最佳的檢測方法至關重要，討論了如何選擇相應的NDI方法，如渦流法或超聲波方法。檢查計劃描述了應該如何檢查每個CP，確定了檢查頻率、NDI技術以及如何到達該位置，從而更好地監測疲勞裂紋擴展，將最有用的數據反饋到P2IAT框架中，以更新和驗證P2IAT中的概率模型。

為了確保試驗設計的成功，兩個團隊均為所有控制點完成了P2IAT框架計算。使用P2IAT框架對所有控制點執行初始裂紋擴展預測，提供了所有控制點的SFPOF和裂紋擴展圖，分別如圖9和圖10所示。

Task Order 2的上述所有成就，為機翼的全尺寸試驗做好準備，保障Task Order 3可以在全尺寸機翼測試中充分演示P2IAT框架，以確定P2IAT是否能夠確保當前流程的安全性，是否減少了飛機壽命期內NDI的數量和頻率，以及所跟蹤位置的損傷狀態的不確定性是否保持在可接受的水平。Task Order 3的演示試驗從2017年開始，目前仍在進行中。雖然Task Order 3的試驗結果還沒有完全出來，還不能定量數字孿生技術對結構完整性和維護成本的收效，但是該ADT計劃是將數字孿生技術推向實際應用的一次偉大嘗試。美國《航空周刊》曾經做過這樣一個預測：2035年，當航空公司接收一架飛機的時候，將同時收到一套數字飛機。這套數字飛機包含真實飛機的每一個部件、每一個結構，并且伴隨著真實飛機的每一次飛行而老化。如果飛機有任何問題，都可以在數字孿生系統中被預先感知到，從而將航空安全邁向新的臺階。這種雄心勃勃的愿景不太可能在短時間內達到成熟，因此需要一系列中間步驟，而AFRL的ADT spiral 1計劃就是這一系列中間步驟之一，相信后續還會有spiral 2和spiral 3等系列計劃。

4關鍵技術分析

ADT計劃引起了很多公司和機構的廣泛關注。2017年，空客公司討論了通過數字孿生將飛機疲勞分析納入數字時代的策略，這可能會給飛機運營商帶來更多好處。2018年，ANSYS發布了ANSYS 19.1軟件，推出了首款針對數字孿生體的產品軟件包——ANSYS Twin Builder，進一步推動了數字孿生與仿真技術的融合應用。2019年，加拿大國家研究委員會（NRC）與AFRL和澳大利亞國防科學技術小組（DST）一起，審查和評估了ADT框架對加拿大皇家空軍（RCAF）機隊的潛在適用性[35]。NRC研究了ADT框架對于CF-188“大黃蜂”、CP-140Aurora和CC-130 Hercules等機型的可行性和適用性，并采用CF-188的內側前緣襟翼進行了試驗演示（見圖11）。NRC的審查和評估表明，美國空軍的ADT框架可以進行調整以支持RCAF機隊。關于ADT計劃的未來，還有很多關鍵技術有待研究，主要的挑戰包括以下幾個方面。

（1）更廣泛更真實的多尺度和多物理場模擬

除了機械疲勞以外，還有許多破壞模式需要納入ADT模型[36]，如熱疲勞、聲疲勞、腐蝕、蠕變、氧化、微動和磨損等。這些破壞模式需要改進的裂紋擴展和斷裂模型（如應力腐蝕裂紋）以及相關的隨機變量，甚至需要包括晶粒微塑性等微觀結構影響。一些學者已經研究了7075-T651的微觀材料尺度的裂紋成形過程[37-38]，但是對于其他破壞模式和其他材料（如復合材料）需要開發相似的物理模型。

（2）向全生命周期的延伸

ADT除了可以用于運營與支持階段（飛機檢查、維護維修、更換等）以外，還可以用于預先獲?。≒re-MDD）、物料解決方案分析（MSA）、技術成熟與降低風險（TMRR）、工程與制造開發（EMD）、生產與部署以及廢棄處置等多個階段[39-40]。如在工程與制造開發（EMD）階段，ADT模型的仿真和分析可以用于優化完善詳細設計，在設計初期就系統地降低設計風險，或者用于解釋制造和裝配對疲勞裂紋行為的影響等，實時反饋來“調整”增材制造過程，從而構造最佳結構，有望在性能上實現重大飛躍。此外，ADT可以與數字系統模型和數字線索等新興數字概念互相結合，可能會加速技術數據、軟件、信息和知識的相互作用，使決策者能夠在系統的全生命周期中訪問和集成不同的數據并轉換為可操作的信息。

（3）與各種新IT技術的結合

數字孿生的實現和落地應用離不開新IT技術的支持[11]，這些新IT技術包括物聯網、虛擬現實（VR）技術、邊緣計算、云計算、5G技術、大數據、區塊鏈、人工智能等。如物聯網可以為ADT提供實時全面的數據采集以及有效互聯互通；云計算和大數據可以提高ADT的計算效率，實現復雜模型和系統的計算能力；ADT還可以與VR技術結合使用，非常直觀地觀察產品的運行狀況及健康指標。例如，圖12中藍綠色表示運行狀況在合理范圍，紅色表示運行狀況正在迅速降低，這可以幫助操作員安排維護時間表[41]。

（4）進一步推進ADT的實際應用

假設所有的技術層面都能實現，最后還需要考慮如何應用以及在哪里應用ADT技術，例如，推進實現基于條件的維護和結構完整性計劃（CBM + SI），通過整合使其變得與常規結構分析手段一樣普及，并且能夠以負擔得起的、方便無須拆卸的、可靠的方式來收集損傷狀態和使用情況數據[42-43]，同時還要保護個人隱私、數據安全和知識產權等。

5結束語

本文完整回顧了美國空軍近10年來的飛機機體數字孿生計劃，對其關鍵進展及未來挑戰進行了綜述，可為國內航空領域的數字孿生技術發展應用提供參考。

數字孿生通過概率分析方法將各種不確定性來源納入機體疲勞預測，并融合了使用數據和檢查數據來更新和減少這些不確定性，從而提高飛機結構診斷和預測的準確性，以便做出更好的機隊維護決策。美國空軍前期階段的演示已經清楚地證明了數字孿生在節約飛機維護成本和保證結構完整性方面的優勢，目前正在進行戰斗機機翼組件級測試和推廣應用。

數字孿生的未來發展還面臨很多挑戰，如更廣泛更真實的多尺度和多物理場模擬、向全生命周期的延伸、與各種新IT技術的結合、保護個人隱私和數據安全等，期待可以給飛行器結構帶來前所未有的經濟性、安全性和可靠性。

參考文獻

[1]郭亮，張煜.數字孿生在制造中的應用進展綜述[J].機械科學與技術，2020，39（4）：590-598. Guo Liang， Zhang Yu.Review on the application of digital twin in manufacturing [J]. Mechanical Science and Technology， 2020，39（4）：590-598.（in Chinese）

[2]Tygesen U T，Jepsen M S，Vestermark J，et al. The true digital twin concept for fatigue re-assessment of marine structures[C]// ASME 2018 37th International Conference on Ocean，Offshore andArctic Engineering，2018.

[3]Knezevic D，Fakas E，Riber H J. Predictive digital twins for structural integrity management and asset life extension-jip concept and results[C]//SPE Offshore Europe Conference and Exhibition，2019.

[4]Pedersen E B，J？rgensen D，Riber H J，et al. True fatigue life calculation using digital twin concept and operational modal analysis[C]//The 29th International Ocean and Polar Engineering Conference，2019.

[5]Bhowmik S. Digital twin of subsea pipelines：conceptual design integrating IoT，machine learning and data analytics[C]//Offshore Technology Conference，2019.

[6]Ye C，Butler L，Bartek C，et al. A digital twin of bridges for structural health monitoring[C]//12th International Workshop on Structural Health Monitoring 2019，2019.

[7]Dang N S，Kang H R，Lon S，et al. 3D digital twin models for bridge maintenance[C]// Proceedings of 10th International Conference on Short and Medium Span Bridges，2018.

[8]Zhidchenko V，Handroos H，Kovartsev A. On-line calculation of fatigue in hydraulically actuated heavy equipment using IoT and digital twin concepts[C]//Proceedings of the V International Conference on Information Technology and Nanotechnology（ITNT-2019），2019.

[9]Zhidchenko V V，Handroos H，Kovartsev A N. Fatigue life estimation of hydraulically actuated mobile working machines using Internet of Things and Digital Twin concepts[J].Journal of Physics，2019，1368（4）：042025.

[10]FDA. Computational human heart modeling software and services[R]. Solicitation FDA-RFI-1215586，2019.

[11]陶飛，張賀，戚慶林，等.數字孿生十問：分析與思考[J].計算機集成制造系統，2020，26（1）：1-17. Tao Fei， Zhang He， Qi Qinglin， et al. Ten questions towards digital twin： analysis and thinking [J]. Computer Integrated Manufacturing System，2020，26 （1）： 1-17.（in Chinese）

[12]李欣，劉秀，萬欣欣.數字孿生應用及安全發展綜述[J].系統仿真學報， 2019， 31（3）： 385-392. Li Xin， Liu Xiu， Wan Xinxin. Overview of digital twins application and safe development [J]. Journal of System Simulation， 2019， 31 （3）： 385-392.（in Chinese）

[13]Kobryn P A. The digital twin concept[C]//Frontiers of Engineering：Reports on Leading-Edge Engineering from the 2019 Symposium，2020.

[14]Tuegel E J，Ingraffea A R，Eason T G，et al. Reengineering aircraft structural life prediction using a digital twin[R]. Air Force Research Lab Wright-Patterson AFB OH Air Vehicles Directorate，2011.

[15]Tuegel E. The airframe digital twin：some challenges to realization[C]]//53rd AIAA/ASME/ASCE/AHS/ASC Structures，Structural Dynamics and Materials Conference，20th AIAA/ ASME/AHSAdaptive Structures Conference，14thAIAA. 2012.

[16]Gockel B，Tudor A，Brandyberry M，et al. Challenges with structural life forecasting using realistic mission profiles[C]// 53rd AIAA/ASME/ASCE/AHS/ASC Structures，Structural Dynamics and Materials Conference，20th AIAA/ASME/AHS Adaptive Structures Conference，14thAIAA，2012.

[17]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，14thAIAA，2012.

[18]Penmetsa R，Gockel B，John R. Sensitivity analysis of structurallifepredictionmodelsinamultiaxialfatigue environment[C]//53rd AIAA/ASME/ASCE/AHS/ASC Structures，Structural Dynamics and Materials Conference，20th AIAA/ ASME/AHSAdaptive Structures Conference，14thAIAA，2012.

[19]Hollkamp J J，Ohara P J. Modeling damage within a reducedorder model framework：an application[C]//54th AIAA/ASME/ ASCE/AHS/ASCStructures，StructuralDynamics，and Materials Conference，2013.

[20]Ohara P J，Hollkamp J J. A coupled approach for modeling damage within a reduced-ordermodel framework[C]//54th AIAA/ASME/ASCE/AHS/ASC Structures，Structural Dynamics and Materials Conference，2013.

[21]Tuegel E J，Kobryn P A，Henderson D. The airframe digital twin spiral 1 program[C]//2016 Aircraft Airworthiness and Sustainment Conference，2016.

[22]Anagnostou E，Engel S. Airframe digital twin（ADT），delivery order 0001：prognostic and probabilistic individual aircraft tracking（P2IAT），volume 1[R]. Northrop Grumman Corporation，2016.

[23]Wang L，Asher I，Ryan K，et al. Airframe digital twin（ADT）delivery order 0001：scalable，accurate，flexible，efficient，robust，prognostic and probabilistic individual aircraft tracking（SAFER-P2IAT），volume 1[R]. The General Electric Company，2016.

[24]Wang Liping. The Ps in P2IAT-achieving airframe digital twins vision for IAT[C]//2016 Aircraft Airworthiness and Sustainment Conference，2016.

[25]Anagnostou E，Engel S，Madsen J，et al. Developing the airframe digital twin prognostic & probabilistic individual aircraft tracking paradigm[C]//2016 Aircraft Airworthiness and Sustainment Conference，2016.

[26]Asher I，Wang L，Khan G，et al. Developing a probabilistic load spectrum for fatigue modeling[C]//19th AIAA NonDeterministicApproaches Conference，2017.

[27]Asher I，Khan G，Wang L，et al. Calibrating an equivalent initial flaw size distribution from da/dN and SN data[C]//58th AIAA/ASCE/AHS/ASC Structures，Structural Dynamics and Materials Conference，2017.

[28]Li C，Mahadevan S，Ling Y，et al. Dynamic Bayesian network for aircraft wing health monitoring digital twin[J]. AIAAJournal，2017，55（3）：930-941.

[29]Li C. Sensitivity analysis and uncertainty integration for system diagnosis and prognosis[D]. Vanderbilt University，2016.

[30]Asher I，Ling Y，Wang L. Improving SIR with constrained resampling for dynamic bayesian network applications[C]// 2018AIAANon-DeterministicApproaches Conference，2018.

[31]Ling Y，Asher I，Wang L，et al. Information gain-based inspection scheduling for fatigued aircraft components[C]// 19thAIAANon-DeterministicApproaches Conference，2017.

[32]Karve P M，Guo Y，Kapusuzoglu B，et al. Digital twin approachfordamage-tolerantmissionplanningunder uncertainty[J]. Engineering Fracture Mechanics，2020，225：106766.

[33]Anagnostou E，Engel S. Airframe digital twin（ADT）delivery order 0002：demonstration of prognostic and probabilistic individual aircraft tracking（P2IAT）final report and appendices A（test requirements document）and B（instrumentation plan）[R]. Nothrup Grumman Corporation，2017.

[34]Wang L，Asher I，Ryan K，et al. Airframe digital twin spiral 1. Task order 0002：Scalable accurate flexible efficient robustprognosticandprobabilisticindividualaircrafttracking（SAFER-P2IAT）fullscalewingexperimentplans，requirements，and development[R]. GE Global Research Center，2017.

[35]Liao M，Renaud G，Bombardier Y. Airframe digital twin technologyadaptabilityassessmentandtechnology demonstration[J]. Engineering Fracture Mechanics，2020，225：106793.

[36]Millwater H，Ocampo J，Crosby N. Probabilistic methods for riskassessmentofairframedigitaltwinstructures[J]. Engineering Fracture Mechanics，2019，221：106674.

[37]Yeratapally S R，Leser P E，Hochhalter J D，et al. A digital twin feasibility study（Part I）：Non-deterministic predictions of fatigue life in aluminum alloy 7075-T651 using a microstructure-based multi-scale model[J]. Engineering Fracture Mechanics，2020，228：106888.

[38]Leser P E，Warner J E，Leser W P，et al. A digital twin feasibility study（Part II）：Non-deterministic predictions of fatigue life using in-situ diagnostics and prognostics[J]. Engineering Fracture Mechanics，2020，229：106903.

[39]Kobryn P，Tuegel E，Zweber J，et al. Digital thread and twin for systems engineering：EMD to disposal[C]//Proceedings of the 55thAIAAAerospace Sciences Meeting，2017.

[40]Zweber J，Kolonay R，Kobryn P，et al. Digital thread and twin for systems engineering：pre-MDD through TMRR[C]// AIAA SciTech Forum，55th AIAA Aerospace Sciences Meeting，2017.

[41]Khalil M，Bergs C，Papadopoulos T，et al. IIoT-based fatigue life indication using augmented reality[C]//2019 IEEE 17th International Conference on Industrial Informatics（INDIN）. IEEE，2019.

[42]Hochhalter J，Leser W P，Newman J A，et al. Coupling damage-sensing particles to the digitial twin concept[Z]. 2014.

[43]Bielefeldt B，Hochhalter J，Hartl D. Computationally efficient analysis of SMA sensory particles embedded in complex aerostructures using a substructure approach[C]//ASME 2015 Conference on Smart Materials，Adaptive Structures and IntelligentSystems，AmericanSocietyofMechanical Engineers Digital Collection，2015.（責任編輯陳東曉）

作者簡介

李鵬（1989-）男，碩士，工程師。主要研究方向：振動疲勞與振動控制。

Tel：029-88268257E-mail：55131668@qq.com

Retrospect and Enlightenment of the AFRLAirframe Digital Twin Program

Li Peng*，Pan Kai，Liu Xiaochuan

Aircraft Strength Research Institute，Xian 710065，China

Abstract： In order to achieve condition-based maintenance strategies and more reliable structural integrity assessment， the Air Force Research Laboratory（AFRL） has launched the airframe digital twin（ADT） program， which used the latest probability analysis methods to generate load spectra， construct sub-models， perform calibration， propagate and update the uncertainty， predict the growth of the fatigue damage， and make maintenance decisions. The demonstration results showed that， as time going by and the status updating continuously， the airframe digital twin can understand the aircraft conditions more and more clearly by predicting fatigue crack growth more accurately and reducing the number of maintenance inspections significantly， which can reduce the maintenance cost of the entire fleet and increase aircraft availability. The future application of digital twin still faces many challenges that trigger some key technologies and development directions that still need to be resolved.

Key Words： digital twin； aircraft maintenance； fatigue crack； probabilistic method； Bayesian update