崔玉福 刘质加 王靖

(航天东方红卫星有限公司，北京 100094)

近年来，卫星研制及发射成为发射数量最多、应用最广、发展最快的航天产业，其发展特点呈现出低成本、功能多样化、智能化、批生产批部署、用户广泛化等多维态势。在快速发展的同时，卫星也面临着打造高性能与低成本兼顾的卫星产品、实现面向批量的卫星产品研制高效率以及高质量、实现更智慧的在轨自主运维、评估、寿命预测与延寿等发展问题。

随着新技术的发展，如数字孪生、新IT(New IT)技术、大数据、智能互联等，为解决上述问题实现提供了可期的解决途径。其中，数字孪生技术应用于航天器研制受到了学术界、工程界以及应用服务领域的最广泛关注。数字孪生技术与卫星的结合与应用，会具备独特发展优势，数字孪生也会成为卫星领域迅速发展的“指增器”(带来以指数级别增长的效益)[1-6]。

1 数字孪生技术的发展

“孪生”的概念最早出现于1969年美国的阿波罗项目中，美国国家航空航天局(NASA)通过制造两个完全相同的航天器，形成“物理孪生”，借助留在地面的航天器一定程度上反映和预测在地外空间执行任务的航天器的状态，进而进行任务训练、实体实验并辅助任务分析和决策[7]。随着计算机信息技术的发展，Michael W. Grieves 教授在2003年提出了“数字孪生”的概念。随后，NASA于2010 年提出将数字孪生技术应用于未来航天器的设计与优化、伴飞监测以及故障评估中。2011年，美国空军研究实验室提出在未来飞行器中利用数字孪生实现状态监测、寿命预测与健康管理等功能[8]。自此，数字孪生引发了广泛关注，并拓展到各个领域，在2017—2020年连续4年成为十大新兴技术之一。

数字孪生技术自提出以来，多个国家的知名大学、企业都积极开展了积极研究。数字孪生技术的应用已经拓展到了各个领域，包括航空航天、电力、交通、能源、医疗等。国内应用比较深入的是汽车行业：通过产品数字化，制造商可对产品进行数字化设计、仿真和验证，该数据可构建产品的数字孪生体；利用产品的数字孪生体，制造商可规划和研制生产过程，构建生产的数字孪生体；通过现场制造运营管理系统收集的信息，可分析和评估实际生产及真实产品性能，分析结果可持续反馈至产品和生产的数字孪生体。国外的军工行业中，洛克希德·马丁空间系统公司(Lockheed Martin Space Systems Company, LMT)借助数字孪生技术实现对F-35战机生产全流程中的数据与模型的充分利用，显著提高F-35战机的生产效率；美空军与波音合作构建了F-15C机体数字孪生模型，实现在役飞行器的数字孪生及实时数据动态交互，实现了多尺度孪生体映射、结构完整性诊断、综合预测结构寿命期限、优化维保周期。

当前，航天行业的数字化工程建设需求旺盛，构建数字孪生卫星将是其中一个解决问题的有益探索。本文对数字孪生卫星的内涵和关键技术进行了初步的论述，并选择了2个典型的应用案例，来介绍数字孪生卫星的应用模式。

2 数字孪生技术的特点

数字孪生技术的基本特征是虚实映射，通过对物理实体构建数字孪生模型，实现物理模型和数字孪生模型的双向映射，基于模型驱动、数据驱动以实现数字孪生模型的分析与优化，来改善其对应的物理实体的性能和运行绩效。对比于传统数字化技术，数字孪生技术具有如下特点。

(1)高度融合，数据完整：深入到产品设计、制造、验证、运维及全生命周期管理中，而非单一阶段，同时全面记录虚实数据，孪生体成为了整个产品周期的蕴涵巨大价值的数字资产。

(2)双向映射，数据共通：通过物理与数字模型的数据共通和实时反馈，不断迭代与修正物理模型，进而优化设计流程，提高设计效率、提升产品运维能力。

(3)多场耦合，数据创效：借助大数据与深度机器学习技术，能够处理多维、多场、跨时域、跨空域的历史数据与实时数据，实现对产品全生命周期的管理与监测，精确预测物理产品状态，实现最优策略、提质延寿、隐患规避、为用户带来巨大的附加效益。

3 数字孪生卫星的定义及内涵

为使数字孪生技术在卫星研制领域进一步落地应用，航天东方红卫星有限公司的数字孪生卫星研究团队在前期研究的基础上创造性提出了数字孪生卫星的定义：

数字孪生卫星是与实体卫星相对应，将实体卫星的研制和运行的全生命周期状态在数字空间的全要素实时数字化映射，是在卫星系统、分系统、设备、元器件等多个层级集成的多学科、多物理、多尺度、超写实、动态概率的孪生模型，是和实体卫星同源产生、数据共享、协同进化、实时互动、天地同步、超期生存的数字模型集合。用于实时反映实体卫星在现实环境中的形成过程、状态和行为，更可在数字空间超越实体卫星限制实现预测、评估、优化的效益倍增，是卫星产品全生命周期和全价值链的孪生资产及效能指增器。

数字孪生卫星的构建是一个系统工程，其组织模式应与实体卫星系统工程组织模式相匹配，由单机至系统分层级建立，按问题域分颗粒度应用；其技术难点应聚焦于多学科、多物理、多尺度、模型描述多样、接口多样、融合难、协调难问题的理论与实践突破，不断发展模型通用接口、模型耦合、代理模型等技术；虚实卫星的演化模式应覆盖同源产生、数据共享、协同进化、实时互动、天地同步、超期生存6方面。

同时，航天东方红卫星有限公司的数字孪生团队在北京航空航天大学的五维数字孪生模型[9]的基础进行数字孪生卫星的五维模型(见图1)的扩展，并基于多年卫星工程研制经验，首次提出了数字孪生卫星的五维数据(见图2)、微观数字孪生卫星与宏观数字孪生卫星双技术路线。

图1 数字孪生卫星的五维模型

图2 数字孪生卫星的五维数据

数字孪生卫星五维模型包括卫星物理实体(R-Sat)、卫星孪生体(DT-Sat)、孪生数据(DT-Data)、服务系统(DT-App)以及连接五个维度。卫星物理实体不但包含卫星本身还包含卫星研制全生命周期的各类信息，用于全面测量与记录在物理环境中的真实运行状态；卫星孪生体是基于数字化技术，根据几何模型、物理模型、行为模型以及规则模型构建的能够准确映射物理实体的数字化模型，并根据物理实体的变化同步演进；孪生数据接收物理实体、孪生体、服务系统运行的海量数据，并利用数据技术进行数据清理、数据分析等工作后对物理实体、孪生体、服务系统驱动；服务系统是通过孪生数据实现对各类设计、制造、维护、评估、预测的应用；连接可认为是物理实体、孪生体以及服务系统之间的接口，保持数据共通与同步，实现实时交互。

数字孪生卫星五维数据主要包括卫星的实时数据、纵向数据、横向数据、仿真数据、融合数据。其中实时数据是指通过传感器实时获得的卫星地面及在轨的实测数据；纵向数据是指针对目标卫星，在其生产、总装、测试、环试、在轨运行过程中获得的数据，纵向数据强调研制过程的测量，与强调传感特点的实时数据共同构成卫星研制及运行过程的实测数据总集；横向数据是针对目标卫星的同类或相似卫星的数据，一般为相似卫星产品的数据记录，可对目标卫星的状态提供有效的参考、对比；仿真数据是指目标卫星设计研制过程中利用数字仿真手段获得的各类机、电、力、热、磁分析数据；融合数据是指在对前4种数据的分集或总集进行整合、筛选、分析、重构等融合操作的基础上形成的数据，更具备优化、全面的数据特征。以上五维数据构成数字孪生卫星贯穿现实、历史、数字空间、物理空间的数据全集。

在卫星数字孪生五维模型的基础上，数字孪生卫星的构建又需要分为微观数字孪生卫星与宏观数字孪生卫星。其中，微观数字孪生卫星指构建无限接近于物理卫星本体几何、物理、行为及规则逻辑的孪生体，其构建是庞大的系统工程，需要解决多学科、多物理、多尺度、超写实、动态概率的各类问题，但一旦构建，相当于拥有了一颗虚拟的真实卫星，能发挥巨大的效益(突破实体限制的强大复制及被试验能力)；宏观数字孪生卫星指构建卫星全生命过程的孪生，包括数字孪生设计、数字孪生总装、数字孪生测试、数字孪生验证、数字孪生运维、数字孪生工程系统等，此时卫星本体变成了过程的组成部分。宏观微观的卫星数字孪生构建层级不同、颗粒度不同、解决的问题也不同，需要依据真实需求进行构建以提高孪生模型的构建效率，充分考虑模型的轻量化问题，减少不必要的细节、工作量，减轻计算量。

4 数字孪生卫星关键技术

卫星工程技术体系庞大且复杂，构建数字孪生卫星更是不亚于实体卫星研制的浩大工程，其关键技术众多，大致可分为4类，包括：数字孪生通用技术、智能组装、集成和测试(Assembly, Integration and Test, AIT)技术、在轨卫星与网络管控技术、设计与验证技术。各类技术又包含众多具体的子项技术，如图3所示。

图3 数字孪生卫星技术总览

数字孪生通用技术能够支持构建、维护、使用数字孪生的技术，相关技术在卫星工程全生命周期通用，当前的技术难点在于数字孪生卫星的模型构建技术、数字孪生模型更新/管理技术、孪生数据清理/分析与挖掘技术等。

设计与验证技术在卫星总体设计和卫星详细设计阶段，用于与数字孪生集成融合并辅助相关设计与验证的技术。当前的技术难点在于多学科多系统协同仿真优化技术、超真实空间环境仿真技术、基于海量地面数据及有限在轨数据的可靠性分析验证技术等。

智能AIT技术在卫星生产制造AIT阶段，用于支撑该阶段数字孪生功能实现，当前的技术难点在于AIT过程智能物联技术、AIT精确信息化管理技术以及虚拟测量与测试技术等。

在轨卫星与网络管控技术在卫星在轨管控和运维阶段，支撑数字孪生功能实现和数字孪生集成融合，当前的技术难点在于基于数字孪生的交互式多源数据虚实融合的卫星健康状态监测与诊断技术、基于数字孪生的大数据复杂环境下健康状态评估与可靠寿命预测方法等。

5 应用实例

5.1 太阳翼子系统数字孪生应用

基于数字孪生系统架构，结合卫星太阳翼子系统的实际应用，本文将按照如图4所示的太阳翼数字孪生模型搭建对应的数字孪生设计平台，以验证所提出数字孪生通用架构的有效性。

图4中，在虚拟太阳翼子系统部分，分别考虑单元级和系统级模型，具体涉及结构模型、物理模型、行为模型和规则模型，相关模型分别基于Magicdraw，Creo，Simulink等商用软件建立。物理太阳翼子系统分别围绕供电系统及信号控制部分、压紧释放系统部分和阵面及其展开部分，实时采集数字孪生所需要的感知数据(如指令发出时间、电压、电流、锁定到位时间、温度等)和制造数据(如电缆长度、线阻、零部件误差等)等信息。应用服务和底层服务构成了太阳翼数字孪生数据交互与管理平台的两个不同层级，两者可分别为太阳翼数字孪生提供状态监控、数据传输、数据分析与融合、自适应/自驱动迭代、数据安全等方面的支撑能力和系统设计优化、模型校准、应用情况监测、参数优化、设计工艺变更监测、故障预测与评估、可视化三维作业指导、质量管控等方面的应用能力。数字孪生数据交互与管理平台负责实现虚拟太阳翼子系统和物理太阳翼子系统之间实际采集数据与数字模型及其参数的数据融合，并通过建立在该平台基础上构造的各类服务为卫星太阳翼子系统的功能性能评估和设计改进提供参考依据。

图4 卫星太阳翼展开机构的数字孪生模型

系统界面如图5所示，用于获取并分解太阳翼产品指标，进而对太阳翼的解锁和展开过程开展数字孪生设计。整个过程主要是通过建立控制系统逻辑模型、合金丝电性能模型以及太阳翼动力学模型，搭建太阳翼展开机构的总体数字模型，进而与实物形成太阳翼孪生体；在此基础上，将机电耦合仿真结果与实测数据对比，验证太阳翼的展开过程，形成最佳设计方案。

图5 卫星太阳翼数字孪生系统平台界面

使用可驱动Creo软件中的机构动力学分析功能模拟太阳翼展开动作，并综合考虑插拔机构、限位机构、扭簧弹力、簧片弹力、太阳翼质量等实测参数，输出解锁位移时间曲线和太阳翼旋转位移时间曲线等结果，将结果与太阳翼产品实体数据开展对比分析，实现太阳翼展开过程的数字孪生。

5.2 卫星热试验数字孪生应用

空间热控技术是影响航天器在轨工作的关键技术问题，需要实时监测设备温度，但是小卫星测温资源紧张，可通过地面热试验数据与热控模型分析数据相融合、训练，利用机器学习等方法，形成代理模型(例如神经网络模型)，其效益在于一方面可以通过数字孪生的方法节省星上资源，另一方面也可以充分利用在轨实测数据，充分评估无测温点设备在轨温度。其技术路径如图6所示。

图6 热试验数字孪生典型应用技术路线

式(1)所示是卫星内的温度场是外热流与内热源综合作用的结果，每个设备与周围设备和环境通过辐射换热和导热进行热交换，热交换带来了温度的变化。利用热阻-热容网络法，将卫星各部分划分成呈网络形式的数个微单元，每个微单元几何中心都有一个假想节点，包含了温度和热容两个热属性信息，从而得到在轨卫星换热的状态方程：

∑Dij(Tj-Ti)+qin+qout

(1)

式中：节点i和节点j为随机假想节点；ci为节点i的比热容；Mi为节点i的质量；Ti为节点i的当前温度；t为时间；Eij为节点i和节点j之间的角系数；Dij为节点i和节点j之间的接触传热系数；qin为星内热耗；qout为外热流。

通过多层前馈(back propagation, BP)神经网络，以热敏电阻温度数据为输入，无测温点设备上的热电偶温度数据为输出，训练神经网络，建立起卫星的估测神经网络。当在轨飞行时，以遥测的热敏电阻温度数据为输入，去估测无测温点设备的温度。建立的星上无测温点设备温度估测神经网络如图7所示[10]。

图7 温度估测神经网络结构

实际应用过程中，建立了BP神经网络模型进行训练，在热试验中样本数据共采集了8397 min，每分钟记录一组28个设备的温度值，所以共有8397组有效数据。将样本数据分为两部分，一部分为训练集，一部分为测试集。采用利用训练集数据训练后的神经网络估测了热试验数据6001～8397 min无热敏的设备的温度，并把估测值和测试集中的试验值进行了对比。表1中列出了10个对温度较为敏感的设备估测值和试验值误差分别在小于1 ℃，1～2 ℃，大于2 ℃以上的百分比。

表1 不同设备试验值与估测值温度误差

从表1可以看出估测值和试验值误差很小，绝大部分都是小于1 ℃，有2个设备不到1%比例的估测误差。结果表明所建立的神经网络估测精度小于1 ℃，应用效果较好，可以作为在轨飞行的热控评估代理模型，提高实时评估能力。

6 结束语

本文对数字孪生技术的发展及技术特点进行了总结，提出了数字孪生卫星的定义并对其内涵进行了理论探索，同时创造性提出了数字孪生卫星五维模型、五维数据以及微观宏观数字双技术路线。数字孪生卫星的构建是庞大的系统工程，是数字化信息化物联网等技术充分发展的产物，涉及技术种类多，技术难度大，其理论不是一朝成形，其实现更不会一蹴而就。但高难度才意味着高效益，数字孪生与卫星的结合及有效落地势必将成为发挥出巨大作用、促进卫星行业效益指数级增长的数字资产利器。期望本文能对数字孪生理论、技术和工程应用研究提供启发及参考，早日实现卫星的数字孪生。

致谢

感谢北京航空航天大学陶飞教授及其团队在本文撰写过程中提供的帮助。