來源：無人爭鋒
摘要
飛行器作為典型的高科技含量產品，對其物理實體進行行為、狀態復現與預測是一項具有較大挑戰性的工作。數字孿生技術作為物理世界與虛擬世界的紐帶，能夠在虛擬空間對飛行器進行高精度、高實時性、高集成度的表達，從而推進對飛行器的深入研究。本文探討了復雜產品模型建立技術、信息物理融合技術、數據收集與傳輸技術、大數據技術等數字孿生核心技術。重點討論了信息物理融合技術在數字孿生技術中的主要應用方式。在飛行器領域，數字孿生在飛行器全壽命周期中，如設計驗證、制造裝配、健康監測與維護等方面均有應用。最后對數字孿生技術目前面臨的困難進行了簡要分析。
飛行器廣泛應用于社會生產的各個方面，對飛行器的研究也愈發深入，因此在虛擬空間中分析飛行器的各種運動狀態也愈發重要。近年來提出的數字孿生概念能夠很好地滿足目前在虛擬空間對飛行器實體進行模擬的需求。
數字孿生是聯系物理空間與虛擬空間的紐帶，以復雜物理建模、實時數據采集與分析、大數據技術、信息物理融合技術為關鍵技術，構建物理實體在虛擬空間中的孿生體，并復現物理實體的所有狀態。數字孿生能夠以實時性、高保真性、高集成性地在虛擬空間模擬物理實體的狀態，從而分析飛行器的相關數據記錄，提前發現飛行器相關故障征候，輔助操作員進行決策，降低飛行器各類事故發生概率。
最早的孿生體概念是由美國航空航天局(National Aeronautics and Space Administration, NASA)提出用于空間飛行器，2003年，Grieves教授最早提出“與物理產品等價的虛擬數字化表達”的表述，推進了數字孿生的概念發展。在飛行器的全生命周期中，從設計過程中的模型驗證，制造裝配過程中的零件檢測，到運行過程中的輔助決策等，數字孿生技術都有著廣泛的應用空間。此外，在任務規劃方面，數字孿生技術可以幫助決策員進行任務分配與航跡規劃，提出高效低耗的任務執行方案，降低指揮與控制的復雜度與成本。
1 數字孿生概念及其發展
“孿生體”概念最早起源于美NASA的阿波羅計劃[1]，在該計劃中，NASA制作2個完全相同的空間飛行器。其中一個被稱為“孿生體”（twin），在空間飛行器執行任務期間留在地球上反映大氣層外的飛行器狀態。在飛行準備期間，孿生體全程參與訓練；在任務執行期間，對孿生體進行與本體一致的實驗操作，使之盡可能精確地反映飛行器在外太空的狀態，以便于決策人員在各種情況下做出最正確的決策。此時“孿生體”為實體樣機，目的是復現/模擬飛行器的實際狀態來輔助決策。
在2003年，美國密歇根大學的Grieves教授在其產品全壽命周期管理課程（Product Lifecycle Management, PLM）中提出數字孿生的“與物理產品等價的虛擬數字化表達”概念[2]。但是當初并未明確數字孿生體的名稱，而是在2003-2005年暫用名為“鏡像空間模型(mirrored spaced model, MLM)[3]”，在2006-2010年采用“信息鏡像模型(information mirroring model, IMM)[4]”的名稱。此時的數字孿生為狹義的數字孿生，其概念限定于產品及其全壽命周期的數字化表征。Grieves將數字孿生定義為全尺寸描述產品實體信息的虛擬信息結構。
相比于NASA阿波羅計劃中的“孿生體”，Grieves教授所提出的“數字孿生體”已經完成了從實體向數字模型的轉變，這也可以視為數字孿生的起源。
在2005年，Grieves教授[3]進一步提出數字孿生是2個空間之間的映射，建立了如圖1的2個空間之間的相互關系。并提出了通過這個映射，可以為執行詳細設計和實施的人員以及管理和批準項目的人員提供概念框架，使之對項目的實際狀態有大致的理解，便于后續項目的實施與管理。同時，Grieves也提出此時的數字孿生并未有明確標準和穩定的定義，在之后的研究中仍然需要深入發掘其概念。
2010年，美國NASA發布了“建模、仿真、信息技術和處理”路線圖[5]，在該路線圖的仿真部分，數字孿生作為對載具或系統的綜合多物理場，多尺度仿真，集成了相關載具的所有可用數據。通過合并信息，數字孿生可以用于預測任務執行狀況、仿真實際飛行情況、分析潛在的災難性事件以及研究在設計階段未考慮的任務參數修改的影響。在該路線圖的引領下，數字孿生進入了大眾視野，在后續的幾年內有了比較大的發展。
2011年，Grieves教授在其著作Virtually perfect: driving innovative and lean products through product lifecycle management [6]中引用了合作者John Vickers用于描述該概念的名詞：數字孿生體，并提出了被廣泛接受的數字孿生體模型。該模型分為物理實體、虛擬樣機以及二者之間的交互接口3個部分。
同年，美國空軍實驗室[7]討論了三個問題：如何使用數字孿生預測飛行器結構壽命、如何確保其概念模型的結構完整性、以及開發和部署數字孿生的技術挑戰。他們計劃于2025年交付一架配備有數字孿生體模型的飛機，該孿生體在幾何細節（包括制造誤差）和材料細節（包括統計微觀結構級別）上都是超現實的。此外，該孿生體模型可以在虛擬空間進行同等時長的飛行，在飛行期間，孿生體會根據基于最佳物理學的概率模擬來累積使用損壞，并輸出大量與材料和結構性能相關的損壞數據，可以預測意外故障并反饋于現實飛機進行預防。
圖 1 數字孿生概念圖
Fig. 1 Digital Twin Conception
2012年，NASA與美國空軍實驗室提出未來飛行器數字孿生體范例[8]，在未來，飛行器需要更輕的質量、更高的承載能力、更久的服役時間與更為極端的服役環境，現有的基于歷史與經驗的飛行器生命周期的管理方式將會與實際情況出現較為嚴重的偏差，為了解決這些問題，數字孿生利用高精度的物理模型，更新的傳感器數據以及大量歷史數據等來形成對實體的超高保真度仿真模型來反映實體的實際狀態。
2013年，美國空軍實驗室提出了“機體數字孿生”[9]的概念，用于設計和維護機身，并對每一架飛機都制作專屬的維護保養計劃。在這種條件下，每架飛機都能夠用于收集大量數據，有助于之后飛機的設計與維護，改變現有的飛機生命周期管理方式，降低維護成本與模型的不確定性。
除了上述理論發展，許多研究機構也在探索數字孿生的實際應用，并推進數字孿生的發展。
2015年，通用公司推出Predix工業大數據平臺[10]，該平臺的核心功能是捕獲大型制造或工業運營中的數據并對其進行分析。通過分析收集到的大型制造或工業運營數據，可以幫助公司建立生產系統的數字孿生體，從而輔助公司管理層進行分析，決策層進行決策，推動制造業的進一步發展。
2017年，陶飛對數字孿生車間進行了探索，闡述了數字孿生車間的系統組成、運行機制、特點、關鍵技術等[11]，并探討了實現數字孿生車間信息物理融合的基礎理論與關鍵技術[12]。在其分析中，數字孿生成為了車間未來信息物理融合發展中的關鍵一環，作為信息物理融合的關鍵性技術，將會在未來車間發展中起到重要作用。2020年，江海凡[13]從車間現存問題和挑戰出發，提出了構建數字孿生車間的階段劃分及相關技術，為數字孿生車間的發展提供了參考。
2017年，莊存波[14]分析了現有數字孿生技術的發展狀況，基于產品數字孿生體與產品工藝模型、產品設計模型、產品制造/裝配模型、產品服務模型、產品報廢/回收模型之間的關系建立了產品數字孿生體的體系結構，并在此結構的基礎上，給出了未來產品數字孿生體的目標：虛實融合、閉環的產品全壽命周期數字化管理與全價值鏈協同。
2020年，董雷霆[15]面向疲勞壽命管理，給出了如圖2所示的飛機結構數字孿生基本框架，并根據該框架提出飛機結構數字孿生的5項關鍵建模仿真技術。在其分析中，數據獲取與分析、模型建立是數字孿生在飛機結構建模仿真中的關鍵技術。
圖 2 飛機結構數字孿生基本框架[15]
Fig. 2 Basic framework of digital twin for aircraft structure
2.1復雜產品模型建立技術
對于數字孿生而言，產品的模型建立是整個數字孿生體運行的基礎環節，而現有的飛行器產品，隨著科學技術的發展也呈現出復雜化、精細化的趨勢，因此復雜產品的模型建立的技術也愈發重要。目前的產品數字孿生模型可以分為通用模型與專用模型兩種，不同的研究人員針對其面對的問題也給出了相應的模型建立方法。
通用模型的研究早在2005年就開始了，Grieves教授在2005年[3]便提出了PLM/MSM兩種模型。PLM（Product Lifecycle Management）模型即為產品壽命周期管理模型，該模型具有功能集成，結構通用，可選的附加功能模塊與可提高效率的信息流等優點，但同時也存在模型僅僅是個雛形，概念較為模糊，不夠完整的弊端。為了理解PLM模型中的信息核心，提出了MSM（Mirrored Spaces Model）模型，即鏡像空間模型，該模型分為真實空間、虛擬空間以及二者之間的信息流三部分，有當前數字孿生通用模型的雛形。相較于PLM，MSM不以功能（材料、工藝、維護等）來進行組織，而是用關聯的物理對象來組織。
此后，許多研究人員也對通用模型進行了研究分析，例如Schroeder的交換數據模型[16]，于勇的產品構型數字孿生模型[17]等。而2018年，Zheng[18]針對當前車間的復雜情況進行了數字孿生建模。在其模型中，對車間按照典型的“實體空間、虛擬空間、信息傳遞層”進行分解，將車間的各部分分類歸入模型之中，實現了車間模型的全參數虛擬建模。在模型中，車間的物料流、信息流與控制流[13]在執行完相應任務后將數據進行融合分析，并以此為基礎建立數字孿生系統。
相較于通用模型，專用模型更具有針對性與實用性。相較于其他方向，飛行器所具有的高成本、高損耗等特性會導致其專用模型的迅速發展。迄今為止，與飛行器相關的模型有Li的機翼健康監測模型[19]、Seshadri的多物理場零件損傷控制模型[20]等。
2017年，Zakrajsek[21]建立了飛機輪胎損傷模型。由于飛機在著陸過程中的輪胎旋轉磨損問題十分復雜，故需結合大量歷史數據采用數字孿生方法進行分析。Zakrajsek基于易磨損率概念構筑數字孿生模型用于預測著陸磨損。該模型可以將預測結果與現場實際結果進行比對改進，從而使模型不斷迭代更新，更符合實際情況。
通用模型能夠包含領域中大部分產品的共通性特點，專用模型能夠針對特定型號的產品進行虛擬空間描述。在新產品進入虛擬空間，建立模型時，同領域的通用模型能夠快速建立模型基礎，而對專用模型的建立能夠完善通用模型中缺乏的細節。如何整合通用模型與專用模型，在新產品進入虛擬空間時能夠快速、準確地建立對應的虛擬模型，是后續需要探討的問題。
2.2信息物理融合技術
2017年，陶飛提出了數字孿生車間[11]的相關概念，在其文章中著重提到數字孿生所需求的信息物理融合技術。同年，陶飛對信息物理融合技術[12]進行了更為詳盡的闡釋，將其分為物理融合、模型融合、數據融合與服務融合4部分，而每一部分不僅是數字孿生車間的關鍵技術，同樣也是飛行器的關鍵技術。
物理融合：主要應用于飛行器的生產車間，為其余三種融合技術提供基礎數據支撐。該技術用于統籌實體物理空間中飛行器生產制造的各項設備，收集各項相關數據，作為數據融合的支撐。同時對人所下達的命令進行采集并響應，將收到的命令納入飛行器的生產計劃中，調整相應的生產情況。物理融合需求人機交互技術、智能分析技術，以便對人下達的指令進行分析理解，從而轉化成可以用于車間生產的計劃表。
模型融合：將飛行器的各部分模型進行整合，以實現對物理實體的真實完全映射。由于當前飛行器的模型存在尺度差距過大的問題，最小的鉚釘孔等零件的物理尺度為10-2m量級，而較大的機翼、梁等零件尺寸高達102m量級[15]，在如此巨大的量級差距下，不僅對于飛行器的模型建立有很高要求，對將其納入數字孿生中虛擬空間的模型融合技術更有要求。因此，復雜產品建模技術、CAD、CAE技術都是不可或缺的部分，在此基礎之上方可考慮飛行器的模型融合問題。
數據融合：通過大數據理論，對飛行器生產維護過程中收集到的各項數據信息進行處理，經過處理后，形成對該物理實體的統計、反映、預測、建議等，輔助決策人員進行決策。經過數據處理，可以預測飛行器在何時需求維護保養與維修等，也可以及時預測飛行器運行過程中的隱患，以輔助人員進行預處理，降低飛行器事故發生概率。因此對于大量、多元的數據進行分析與處理的技術是不可或缺的，只有對獲取的數據進行準確、適當的處理，才能夠做出合理、有效的預測與規劃。
服務融合：對飛行器運行過程中的維護、保養等服務進行管控，是基于前三者的融合體現。通過數據處理給出的結果，對飛行器的各項服務進行安排與實施，不僅對物理實體進行服務，也對網絡空間中的數字孿生體進行服務性的模型修正。修正后的模型進入下次實驗，以貼合物理實體在實際任務執行中的狀態，經過試驗給出任務執行情況的預測。在任務執行結束后，將結果與預測進行比對、迭代，積累經驗，經由深度學習、機器學習、人工智能等相關技術的應用，使得數字孿生體能夠更為貼合實際任務執行過程中遇到的情況，給出更為合理的服務需求。
2.3數據收集與傳輸技術
數字孿生技術的實現是建立在信息采集與數據傳輸的基礎之上的[22-23]，并借此來實現數字孿生體對物理實體的準確映射，對于數據的準確度與時效性有著很高的需求，尤其對于數據的時效性要求更高。基于高精度、低延遲的大量數據，數字孿生的雙空間映射才有了意義，否則過久的延時與過大的誤差都會導致整個數字孿生系統的失能甚至失效，無法實現既定的映射能力。
數字孿生體所利用的數據來源于物理空間實體的傳感器采集，對于傳感器的敏感度與精度也有很高的要求。在物理實體中，合理的傳感器網絡布置能夠獲取更為準確、不需處理的數據。而物理實體內高兼容性、大容量、能夠預處理部分數據的數據傳輸網絡，也能夠提升數據收集與傳輸效率。此外，如何通過更少的傳感器來獲取更多的數據信息，如何搭建更為高效的數據傳輸網絡，也是亟待研究應用的技術。
通過過射頻識別 (Radio Frequency Identification, RFID)技術[24]進行產品識別，以在網絡空間中建立與之相對應的獨特模型，收集到的數據可以直接鏈接到相應的數字孿生體，這些數字孿生體在物理實體的數據支持之下進行相應的演變（例如磨損、維護、保養等）。現有的傳感器與網絡通信技術可以獲取來自于真實系統的實時觀測數據[25-26]，通過這些數據，網絡空間中的模型得以不斷迭代更新，更為貼近物理空間的實體狀態。
2.4大數據技術
航空器系統自身就具有大數據基因[27]，在數字孿生支持下的飛行器系統本身就具備了大量的數據[28]，同時，在系統的運行過程中，規模龐大、成分復雜的數據產生并被收集，這些數據超出了目前數據的處理能力[29]。按照Tao[30]的觀點，數據一旦產生并被收集，就存在著如何分析、處理并利用數據的問題。大量數據只有在經過分析、篩選、清洗、預處理并提取特征后才能夠被利用。因此如何利用采集到的大量數據，并為數字孿生提供支持，需要大數據技術處理、分析數據的能力。
根據李仁旺等人[31]的分解，可以將大數據為數字孿生提供的支持分為大數據收集層、大數據處理層、大數據分析層以及最終的應用服務層。大數據收集層對飛行器各個環節中收集的數據進行分類、轉換、儲存，航空發動機在1次飛行過程中就會產生1 TB的數據量[28]，因此對于數據的預處理是十分必要的，否則冗雜的數據會對大數據處理層造成不必要的負擔。
大數據收集層提供數據處理與分析的相關技術，將收集層預處理過的數據進行降噪、降維和可視化處理，為分析層提供有效數據。經過大數據處理層的處理，先前復雜、多維、強噪聲的數據轉換為可以被分析層直接使用的有效數據，同時可以根據目標應用層與大數據分析層的反饋修正數據處理方法，以提高大數據處理層的有效程度。
大數據分析層在接收到大數據處理層所傳遞到的有效數據后，進行進一步的數據挖掘與決策方案生成，對飛行器所需要的服務進行決策，以避免可能產生的事故或飛行任務中可能出現的故障。應用服務層是整個大數據分析的目標，為飛行器提供實際的服務執行，修正飛行器狀態，以保證飛行器在執行任務過程中的穩定運行[32]。
3.1飛行器設計驗證
飛行器在設計驗證的過程中需要利用模型或物理產品進行各個系統的可行性試驗，系統集成試驗以及適航性試驗等多種試驗。現有的需求實物的試驗模式導致一些挑戰[33-34]：（1）試驗需求實物，因此在試驗過程中出現的問題無法快速反饋迭代，需求大量時間與成本來修正設計階段的錯誤；（2）模擬試驗中條件有限，很難測試到飛行過程中可能遇到的所有狀態（3）隨著系統耦合復雜程度的增加，綜合試驗難度也在加大，部分試驗甚至可能呈現高危性[35]。
采用數字孿生技術，根據技術指標需求、總體方案框架、詳細設計等部分在虛擬空間建設高精度，多系統，高復雜度的飛行器虛擬樣機用于試驗。相較于傳統的設計-樣品-試驗流程，在虛擬空間進行的試驗可以在飛行器設計之初即投入使用，可以實現“邊設計，邊試驗，邊修正”，從而避免試驗滯后設計而導致的高時間成本與高經濟成本的返工。
數字孿生技術可以收集飛行器飛行過程中的數據從而構建出實際的環境狀況，用來設計驗證新型飛行器進行試驗時可以采用這些構建出的環境。相較于試驗場較為單一的環境，虛擬環境的多樣性能夠更貼合飛行包線之中的各種飛行狀況，尤其是試驗場相對穩定的氣候所不能實現的飛行狀況。復雜性更強的試驗自然也能夠得出置信度更高的試驗結果，使得飛行器運行過程中的任務執行能力和安全飛行能力更高。
隨著科技發展，飛行器的結構、系統復雜度與各系統之間的耦合度不斷增加，導致綜合實驗難度增加，難以構建令人滿意的試驗環境。同時為了進行試驗，必然需要極端條件，多個極端條件所構成的極端環境在試驗場上可能具有高危性，同時需要消耗較高的成本。因此數字孿生所構建的虛擬環境在此類需求下就能夠貼合需求，通過虛擬環境進行試驗可以避免上述問題，同時能夠快速修改試驗條件，快速得出試驗結果修正飛行器狀態。
在設計新的飛行器型號時，前型號的飛行器的飛行數據可以用于為新型號的數字孿生體進行模擬試驗，降低試驗成本。此外，可以將試驗同時在新舊型號的飛行器數字孿生體上進行，方便得出對比性結論，推進新型號飛行器研制工作。
3.2飛行器制造裝配
在完成飛行器設計驗證工作后，進入生產裝配過程中，數字孿生可以作為伴隨性的技術來輔助飛行器的生產過程。
通過飛行器生產線的數字孿生體構建，可以跟蹤飛行器生產狀況，合理配置資源，提高生產效率，降低成本。以F-35戰斗機為例，洛克希德·馬丁公司[36]通過數字孿生技術對生產制造數據的實時反饋，提高了F-35戰機的生產速度，預計將每架飛機22個月的生產時間降低到17個月，同時將生產成本從9460萬美元降低至8500萬美元，極大提高了生產效率。
通過數字孿生技術，可以實時監測零件加工狀態，將次品零件及時進行處理，降低了次品零件進入裝配階段的可能性。數字孿生技術使得“加工-檢測-下一步加工”的工藝流程更為簡便，對公差、粗糙度等指標可以進行后續工序修正，對于尺寸誤差、形狀誤差等問題，可以進行次品零件處理，降低成本，提高生產效率。諾斯羅普·格魯曼公司[37]利用數字孿生技術改進了F-35零件生產過程中的次品決策問題，將次品處理決策時間降低了三分之一。
完成零件加工階段后，RFID技術、傳感器技術等為飛行器數字孿生體的構建創造了基本條件，在裝配階段，飛行器數字孿生體伴隨著飛行器物理實體的裝配而搭建，為飛行器在運行階段的數據收集、任務執行、維護保養等做準備。孫萌萌[38]對飛行器的總裝生產線進行了可視化建模，并對飛行器總裝生產線進行了可視化平臺的設計與實現。該平臺能夠實時顯示總裝生產線的狀態與飛行器的裝配進度，同時采集裝配過程中的數據，并將其傳輸至服務器中用于后續的維護。
裝配階段中，由于不同零件的公差、粗糙度等均不相同，需要針對性進行模型修正，從而保證虛擬空間中的孿生體能夠匹配特定產品的實際狀態。孿生體基于歷史數據進行狀態監控與預測，根據裝配體的實際工況進行分析，給出產品維護與維修的輔助決策，降低維護的時間與經濟成本。
3.3飛行器健康監測與維護
當前飛行器任務執行的過程中，主要的延誤來源于預測之外的維護時間[39]，其原因主要在于對飛行器額外的磨損預測不足，需要執行額外的維護項目。因此由數字孿生所建立的預測性維護模型，可以極大地避免以上情況的發生。基于歷史經驗數據，構建飛行器模型以預測關鍵組件壽命，在關鍵組件壽命不足以支撐后續任務執行時，輔助決策者進行預測性維護的決策下達，從而降低飛行器在任務執行過程中的故障發生概率。
當前檢測技術需求很高的維護時間，例如拆卸飛機、檢查零件與維修[40]。這些操作的主要依據是類似機型的飛行器在類似環境下的運行經驗[41]，事實證明這可以有效減少飛機結構故障的事故數量，但是不可避免的維護過程中產生的意外情況也會導致其他復雜狀況。
以飛行器的機翼[42]為例，通過數字孿生進行結構損壞的檢測和監視是一項實用性十分重要的應用。最近，已經提出了一種利用嵌入飛機結構中的形狀記憶合金(Shape Memory Alloy, SMA)顆粒的轉變響應來檢測疲勞裂紋的方法。通過檢測嵌入粒子的機械和/或電磁響應的變化，操作員可以檢測到這些粒子附近疲勞裂紋的發生。數字孿生概念的一個重要方面是監視飛機的結構健康，尤其是疲勞裂紋形成所造成的損害。這些信息將用于更新多物理數字孿生模型。通過每架飛機的獨有數字孿生體，結合SMA的響應結果來反映機翼實際狀況，進行相應的維護保養。這種技術可以大大降低維護飛行器狀態的時間與經濟成本，提高效率，減少任務執行延誤的時間。
而飛行器另一重要部件，航空發動機[43]，也可使用數字孿生技術進行預測性維護。通過對航空發動機進行數字孿生建模，并對每個獨立的實體進行數據采集與運行分析，來實時監測發動機運行狀態。結合收集的歷史數據，對發動機運行狀態進行預測，在發動機產生故障征候的時候及時給出警告，有效避免在執行任務期間飛行器出現故障。同時收集到的數據可以納入發動機大數據系統，使數字孿生體能夠給出更貼合實際狀況的結果。
3.4飛行器任務規劃
飛行器在執行任務之前，需要進行飛行任務規劃，以尋求最為合理的任務分配方式與飛行器航跡規劃。尤其是在以無人機為代表的無人飛行器執行任務的過程中，良好的任務規劃能夠使飛行時間最短、效率最高；針對多無人機編隊執行任務，任務規劃也能夠將飛行任務進行合理分配，從而高效率地完成任務。針對飛行器的任務規劃，現在已經有多種較為成熟的任務路徑規劃方式，例如楊健等[44]提出的基于分層優化法的多協作無人機任務規劃方法，李瑞陽等[45]提出的基于列生成算法的無人機任務規劃方法，楊晨等[46]對多無人機協同任務規劃研究等，這些方法都進行過仿真驗證，具有實際實現意義。
如果能夠在基于數字孿生的虛擬空間中進行任務規劃，現有的任務規劃方法可以得到更好的仿真環境，同時能夠將各種突發狀況添加到算法中進行預演，從而提高規劃方法的可信度，推動實現任務規劃從平臺到體系的演變[47-49]。對無人機編隊協同任務執行進行任務規劃，具有高保真性的數字孿生技術能夠提高求解最優方案的效率，提高任務執行效率，降低任務執行時間，以更低的成本更好地完成飛行任務，降低指揮與控制的難度。另外，由于數字孿生能夠實時監測飛行器狀態，可以在任務實際執行的過程中對任務規劃進行實時修正，對飛行器進行實時指揮與控制，使飛行器能夠更好地執行任務。
本文從概念發展、關鍵技術以及在飛行器領域的應用來探討數字孿生在飛行器領域的應用現狀。隨著數字孿生技術的不斷成熟，其中主要的技術瓶頸正在被突破，但仍然存在許多需要解決的問題，例如以飛行器專用軟件平臺為代表的軟件平臺的缺失問題，以傳感器精度與布置方式為代表的數據采集與處理問題，以中間層實現為代表的信息物理融合問題等。上述問題都有很大的發展空間，解決這些問題后，數字孿生技術將會獲得更大的發展與應用。
原文鏈接：https://mp.weixin.qq.com/s/dUR6PX1X4pjedPUFobOWEA