數字樣機解決方案
一、背景
長久以來，“以紙質為核心的協同設計”是復雜裝備研發、設計、制造、試驗的主要手段。隨著新技術的發展，大型客機、重型運載火箭、高端郵輪、新能源汽車等裝備的設計面臨研制周期縮短，系統復雜度增加的挑戰，以紙質管理為中心，通過紙質傳遞開展協作的產品研制方式逐漸變得落后。
圖 1 復雜裝備研制過程中面臨的難題
美國國防部2018年正式對外發布《數字工程（Digital Engineering）戰略》，旨在推進裝備研發數字化轉型，將以往線性、以文檔為中心的采辦流程轉變為動態、以數字模型為中心的數字工程生態系統。面對新一輪的戰略競爭，以數字樣機技術為支撐的裝備數字化研發與交付在裝備研發中變得勢在必行，并為未來裝備基于數字孿生的運維奠定基礎。
二、 數字樣機構建與交付
按照國標GB/T26100-2010的定義：數字樣機是對產品整機或具有獨立功能的子系統的數字化描述。
面向裝備研發制造的不同階段，以CAD、CAE、CAM技術支撐的數字化技術把數字樣機大致可以分為幾何樣機、功能樣機、性能樣機、制造樣機等。
圖 2 數字樣機的分類
隨著復雜裝備對多學科協同設計、多物理場耦合分析、多專業工具一體化需求提高，以CAE技術為支撐，高保真度建模、高性能仿真為核心的裝備性能數字樣機創建與交付需求迫切。
面向飛行器、航空發動機等特定裝備與物理過程，采用現代軟件工程設計理念，構建性能數字樣機協同設計仿真平臺框架，將模型和不同學科的程序統一封裝為具有輸入、輸出和學科仿真能力的功能組件，融合行業知識和經驗形成數據庫，并集成到框架中，構建不同類型裝備性能數字樣機。
圖 3 性能數字樣機構建
基于上述理念國外研究機構研發了航空發動機性能數字樣機平臺NPSS、旋翼飛行器性能數字樣機平臺Helios等，提升了裝備研發能力，縮短了研發周期。
圖 4 航空發動機性能數字樣機
然而高保真性能數字樣機的交付存在困難，主要體現在兩方面：一方面系統復雜，無法實時響應；另一方面涉及工具大多，維護增加成本；因此基于驗證和確認的高置信度代理和降階模型的封裝是性能數字樣機交付的最佳方案。
圖 5 性能數字樣機的交付
三、數字樣機關鍵技術
性能數字樣機的創建涉及以下關鍵技術：
1）高保真仿真建模技術與工具
飛機、艦船、高鐵、新能源汽車等復雜裝備往往在復雜多物理場環境中服役，包括高溫、高壓、沖擊、噪聲、強過載和復雜電磁耦合等惡劣綜合環境。其力學性能的準確預測離不開以偏微分方程（PDE）數值模擬為核心的CAE建模技術與工具。前沿動力研發的工程力學綜合仿真設計平臺ADI.SimWork V6.0具備流體、結構、噪聲等學科仿真功能，并在工程實踐中得到應用。
圖 6 高性能仿真工具
2）高效、高可信度的降階模型構建
基于降階模型ROM實現對高保真度靜態或動態模型的簡化，可以在保留高保真模型的基本特征與主導效應同時，減少復雜模型的CPU計算時間和存儲空間，實現高效實時仿真。常用的降解建模方法有靜態的響應面分析法RSM、本征正交分解POD和循環神經網絡RNN。
(1) 響應面分析法RSM
響應面分析法是結合數學與統計的數據分析方法，建立自變量與因變量之間的數學模型，實現數據的靜態擬合，其創建流程如下：
圖 7 響應面分析法RSM流程和應用
(2) 本征正交分解POD
本征正交分解是一種基于數據驅動的動態降階建模方法，其原理是將原始數據（空間-時間）分解為空間上的多階模態及各階模態對應的時間演化序列，各階模態相互正交，通過模態截斷進行模型重構。其原理和應用如下：
圖 8 POD原理與應用
(3) 循環神經網絡RNN
循環神經網絡RNN是一種處理序列數據的神經網絡，其結構信息可以在網絡內部傳播從而捕捉到序列中的時間依賴關系，屬于動態建模。其原理和應用如下：
圖 9 RNN原理與應用
3）統一的數字化封裝集成平臺和web端部署
性能數字樣機涉及到工具、知識、流程、業務的異構封裝和3D動態可視化。
集成平臺基于CS/BS架構模式，開發形成數據中臺、業務中臺，利用HTTP協議傳輸數據，與數據庫對接。其中前端代碼選擇Vue；后端的代碼采用合.NetCore和Python代碼形式，其中Python部分負責復雜工程計算，通過Redis實現網絡緩存功能，利用RabbitMQ實現消息通訊和作業隊列，最后基于Web3D實現動態可視化。
圖 10 集成平臺架構
圖 11 Web端網絡部署
四、行業案例實踐
針對某單位客戶，開發了光源性能數字樣機，實現了光源系統與物理過程的“光、機、電、控、力、熱”一體化協同設計仿真。
圖 12 光源性能數字樣機
電 話：029-832 43686
郵 箱：adi@adicn.com
聯系地址：西安市高新區丈八六路融城東海A樓1101號
