航空发动机数字孪生工程：内涵与关键技术

图 1 航空发动机全生命周期数字工程18个能力需求^［1］

Fig.1 18 demands for digital engineering in aero-engines full lifecycle^［1］

1）设计阶段：为实现航空发动机正向设计，需集成表达设计参数与性能间高精度映射关系，缩短设计周期。因此，航空发动机在设计阶段需具备：① 跨地区跨阶段协同设计能力；② 多学科多领域耦合设计能力；③ 复用模型与经验知识融合驱动的高效设计能力。

2）制造阶段：为实现以性能为目标的定量、定域、定式的数字化、高性能制造模式^［12］，以提升加工质量及效率，航空发动机在制造阶段需具备：① 面向性能的制造工艺动态优化能力；② 制造过程精准调控能力；③ 产品质量全过程追溯能力。

3）试验测试验证阶段：为实现航空发动机多工况、多参数的试验测试验证，需借助数字手段解决物理试验测试验证数据获取难的问题。因此，航空发动机在试验测试验证阶段需具备：① 高效率数字试验测试验证能力；② 全方面多工况数字试验测试验证能力；③ 数字试验测试验证与物理试验测试验证融合与协同的能力。

4）交付阶段：为实现航空发动机“实体+数字”双交付新模式，便于航空发动机的管理，航空发动机在交付阶段需具备^［11］：① 数字发动机可迭代与更新能力；② 数字发动机可共享与集成能力；③ 数字发动机性能可追溯与管理能力。

5）运维阶段：为实现面向可靠性的航空发动机全要素、全过程的实时状态监测及精准管控，航空发动机在运维阶段需具备：① 运行状态实时监测与评估能力；② 故障精准诊断与预测能力；③ 快速响应与智慧决策能力。

6）维修&回收阶段：为实现航空发动机长时安全运行、提高资源回收利用率，航空发动机在维修&回收阶段需具备：① 主动预知性维修能力；② 维修方案评估与优化能力；③ 智慧拆解与再利用能力。

数字孪生作为一种在信息世界观察物理世界、认识物理世界、优化物理世界、改造物理世界的重要技术，为实现产业数字化转型和智能化升级提供了有效途径^［6］。当前，数字孪生被工业界和学术界广泛关注和研究，并在各大领域开展应用实践^［13-14］。随着数字孪生模型、数据和功能服务的不断积累、完善、规范，跨阶段数字孪生模型、孪生数据和服务逐步呈现出可兼容集成、可迁移演化、可动态融合等适用于复杂体系数字工程的重要特征。数字孪生工程将贯穿物理对象全生命周期和数字工程生态系统的数字孪生集成融合，赋能航空发动机设计、制造、试验测试验证、交付、运维、回收全生命周期各环节^［1］，系统性提升航空发动机数字工程能力，满足新一代航空发动机的研制目标与应用需求。

2 数字孪生在航空发动机生命周期中的研用现状

数字工程是在数字空间对物理系统的全要素、全业务、全过程的数字化映射、实时同步、分析优化、管理控制，从而实现全生命周期智慧管理的工程范式^［1］。数字孪生工程能够用于航空发动机设计研发、生产制造、试验测试验证、运行维护等全生命周期各阶段，以提升发动机设计效率与性能、提升制造质量、缩短试验周期和降低运行维护成本，助力数字工程的实现。因此本章从设计阶段、制造阶段、试验测试验证阶段、运维阶段，总结分析数字孪生在发动机生命周期各阶段研用及发展动态。

2.1 基于数字孪生的航空发动机设计

在设计阶段，作者团队围绕产品设计与再设计，提出了数字孪生驱动的设计总体理论与方法架构^［15-16］，通过集成设计、制造、运维等全生命周期各阶段数据和经验，为原型迭代设计及再设计优化、设计方案评估和虚拟验证等提供数字孪生模型及融合数据，以优化产品设计过程。因此，将数字孪生应用于航空发动机设计过程，有助于增强航空发动机设计阶段与制造、试验测试验证、运维等不同阶段间的信息交互与共享，从而实现设计方案的迭代优化，降低航空发动机性能与设计期望间的不一致性。当前国内外学者或机构已开展数字孪生及相关技术在航空发动机设计阶段的理论与应用研究^［17-34］，如表1所示^{［1，15-16，22-26，29-34］}。

表1 基于数字孪生的航空发动机设计研究现状

Table 1 State-of-the-art of digital twin-based aero-engine design

方法或系统	技术特征或优缺点	文献
数字孪生驱动的产品设计及再设计方法	集成设计、制造、运维等全生命周期各阶段数据和经验，为原型迭代设计及再设计优化、设计方案评估和虚拟验证等提供数字孪生模型及数据，以优化产品设计过程	［15-16］
航空发动机数字工程及“五协同”正向闭环研制方法	提出航空发动机数字工程概念，通过整合全生命周期内各阶段数据与模型，达到研制过程中多学科协同、局部整体协同、设计制造协同、虚实试验协同、多主体协同的“五协同”正向闭环研制模式	［1］
航空发动机总体设计数字表征及优化设计方法	对航空发动机系统的大小、外形、重量等参数进行虚拟仿真和优化。数值仿真和逆向设计为主要技术途径，但尚未建立设计参数与系统性能的有机联系	［22-23，29］
航空发动机气动设计数字表征及优化设计方法	基于数字孪生模型优化风扇、压气机、涡轮等零部件的气动性能，以满足航空发动机各部件系统的气动设计要求	［25，29，32-33］
航空发动机热力设计数字孪生模型构建方法	融合大数据和有限元分析等技术建立热力学数字孪生模型，跟踪燃烧结果和排放的实时测量值，以满足燃烧室热力学性能和排放合规性等设计要求	［30，34］
航空发动机可靠性设计虚实映射模型构建方法	建立可靠性数字孪生的虚实映射模型，预测和预防各种潜在故障和隐患，提高发动机的可靠性。但当前可靠性试验数据积累不够，仿真精度和置信度仍有待进一步提升	［24，31］
数字孪生工业平台Predix&虚拟引擎平台GTlab	基于数字主线整合所有发动机仿真过程中产生的数据、文件，形成统一的数字管理平台	［26，29］
基于VR的设计环境	沉浸式/交互式设计平台	［32-33］

在产业数字化转型发展趋势下，陶飞等^［1］基于数字工程“数智眼”体系架构，针对先进航空发动机的一体化、体系化、协同化发展需求，于2023年发表并探讨了航空发动机数字工程的概念，并提出通过整合设计、试验测试验证、制造等全生命周期内各阶段数据与模型，达到研制过程中多学科协同、局部整体协同、设计制造协同、虚实试验协同、多主体协同的“五协同”正向闭环研制模式。2024年黄维娜等^［17］系统阐述了航空发动机数字工程总体技术框架，并进一步介绍了数字工程在航空发动机全生命周期的应用场景。刘大响等^［18］从专业、学科、空间、时间、工具五个维度提出了航空发动机数值仿真技术的定义和内涵。胡忠志等^［19］在发展数字样机概念基础上，探讨了“数字发动机”概念，以实现发动机系统功能和行为高精度、高置信度刻画。结合我国航空发动机行业数字化建设基础及数字工程系统化发展趋势，王乐等^［20］介绍了罗罗公司提出的“智能发动机”愿景，希望借助数字孪生技术使发动机具有情境感知和理解能力。

为实现航空发动机的设计优化，尹泽勇等^［21］针对航空动力系统整机优化问题，提出了基于多学科设计优化的航空动力系统整机设计方法，以提升产品综合性能并缩短研制周期。针对航空发动机换气系统制造复杂度高、装配效率低的问题，Xu等^［22］探讨了数字孪生驱动的航空发动机优化方法，利用制造测量和性能测试的实时反馈数据，对航空发动机系统参数进行了虚拟仿真和设计优化。Ellis等^［23］提出了将发动机性能分析与广义预测相结合的方法，利用数字孪生技术建立耦合退化模型以更好地预测高压涡轮退化性能。刘魁等^［24］将航空发动机可靠性指标逐层分解为一系列设计指标，结合历史数据探究故障或薄弱环节产生的机理，以期通过数字孪生来预测航空发动机的潜在故障，提高航空发动机的可靠性。任祝寅等^［25］研究了基于数字孪生的航空发动机设计方案预先评估与优化方法，以大幅缩短燃烧室设计周期、降低成本。

此外，部分研究关注于构建面向航空发动机设计阶段的数字孪生软件或平台。例如，GE^［26］公司开发了数字孪生工业云平台Predix，基于该平台开展了先进涡桨发动机的研制。俄罗斯联合航空制造集团^［27］通过打造统一的数字孪生平台，以整合所有产品和数学模拟过程中产生的数据、文件和专业化软件程序。罗罗公司^［28］建立了航空发动机各叶片的数字孪生模型，于2019年实现了“超扇”发动机设计方案的测试。Reitenbach等^［29］提出了虚拟引擎平台GTlab（燃气轮机实验室），并基于该平台进行航空发动机数字化设计，期望实现航空发动机部件几何描述和发动机性能的数字化表达。Guan等^［30］研究了面向航空发动机性能和排放的通用仿真优化平台，利用GT-Power软件建立了具有OPLVCR机制的航空发动机数字孪生模型，以优化发动机的油耗和NOx排放。Kraft和Kuntzagk^［31］设计了一种数字孪生驱动的航空发动机综合管理系统，通过综合考虑航空发动机实时状态与预期行为，以实现CFM56-5C发动机关键部件寿命的精准预测。Tadeja等^［32-33］将VR部署于航空发动机压缩机叶片的原型设计过程，以实现设计过程的可视化交互。

综上所述，基于数字孪生开展航空发动机正向设计，从而推动高性能、高可靠性、高效率航空发动机数字研发，是公认的未来发展趋势之一。虽然我国在基于数字孪生的航空发动机设计方面已开展初步探索，但由于系统性能实时映射机制不清、设计方案验证慢、一体化全局设计不准、多学科协同优化不足等一系列核心难题尚未得到实质性突破，限制了基于数字孪生的航空发动机正向设计落地与应用。

2.2 基于数字孪生的航空发动机制造

在制造阶段，作者团队提出了数字孪生车间概念及运行机制^［35］，并系统阐述数字孪生驱动的智能制造理念与方法^［36］，通过构建与物理车间对应的虚拟车间，并基于虚实车间的交互迭代，实现对生产要素的分析、评估与预测，以优化生产要素管理、生产活动计划、生产过程控制等制造过程。因此，将数字孪生应用于航空发动机制造过程，有助于实现航空发动机制造过程的实时监控与工艺调整，提高加工/装配质量，形成航空发动机高性能制造新模式。目前，国内外学者或机构已开展数字孪生及相关技术在航空发动机制造阶段的理论与应用研究^［35-52］，如表2所示^{［35-36，39，42-47，50-52］}。

表2 基于数字孪生的航空发动机制造研究现状

Table 2 State-of-the-art of digital twin-based aero-engine manufacturing

方法或系统	技术特征或优缺点	文献
数字孪生驱动的智能制造方法	通过构建与物理车间对应的虚拟车间，基于虚实车间的交互迭代，实现对生产要素的分析、评估与预测，以优化生产要素管理、生产活动计划、生产过程控制等制造过程	［35-36］
孪生数据驱动的航空发动机零件加工方法	加工工艺过程复杂、参数类型多、不确定性高，探索了测试与仿真结合的高保真数字孪生模型，但加工技术仍以几何量调控为主，尚未建立加工参数与发动机性能之间的映射关系	［39，45，47，50］
孪生数据驱动的发动机装配方法	测试数据和机理结合建立发动机关键零部件装配体数字孪生模型，并进行装配精度及性能分析等，但数字模型与装配过程的动态一致性、装配性能随机性等问题尚未有效解决	［42-44，51-52］
基于AR/VR/MR技术的虚拟制造方法	结合数据分析和可视化虚拟制造技术，引导真实加工装配，具有直观性强、辅助决策等特点，但目前尚未全面推广应用	［46］

高性能、高质量制造是航空发动机数字化制造的本质需求，郭东明^［12］以高端装备制造要求及技术现状为出发点，阐明了高性能制造的内涵和基础问题，给出了高性能制造的实现途径和关键技术。王登勇等^［37］开展了基于数字化技术的航空发动机关键零件加工技术研究，为新型航空发动机的研制和生产提供了重要的技术支撑。结合我国航空发动机行业数字化技术应用现状，赵罡等^［38］总结了航空发动机典型装配工艺与技术体系，探讨了航空发动机装配精密化、数字化、智能化的发展趋势。曹增义等^［39］提出了面向航空发动机研制过程的数字孪生应用架构，讨论了面向工艺设计、生产制造、产品装配、维护保障等环节的数字孪生要素与应用模式。孙惠斌等^［40］研究了数字孪生驱动的航空发动机装配技术，以提高航空发动机装配过程的智能性、主动性和预测性。Li等^［41］提出了数字孪生数据和知识双驱动的航空零部件智能工艺通用架构，以涡喷发动机整体叶盘工艺规划为例验证了所提方法的可行性。

针对如何构建航空发动机制造过程数字孪生模型这一难题，Zhang等^［42］提出了装配体接触特性的数字孪生模型构建方法，在此基础上，Zhao等^［43］融合了几何精度实时量测数据，以动态修正装配精度预测模型。吴法勇等^［44］研究了转子不平衡分布数字孪生模型的构建方法，为转子结构状态控制、动力响应预测奠定模型基础。

为优化航空发动机的制造过程，Lee等^［45］通过数字孪生分析航空发动机部件制造过程中的海量数据，为航空发动机部件性能精准预测提供数据基础。Cai等^［46］针对飞机制造过程中因制造误差、工装失误、人为因素、设计缺陷等因素导致的质量偏差问题，提出了基于数字孪生的质量偏差控制系统，通过该系统为装配现场提供实时指导，以降低装配质量偏差。Li等^［47］通过建立集成测量模型、设计模型、几何偏差分析模型、信息模型和数据库等模块的数字孪生平台，以实现航空发动机装配质量的分析与评估。石嵩等^［48］提出了基于数字孪生的航空发动机多级转子装配误差传递分析方法，以实现装配过程定向误差、定位误差和表面粗糙形貌的综合分析。吴腾云和唐松松^［49］研究了基于数字孪生的航空发动机工艺设计系统构架方法，以达到提高工艺规程合格率、降低传递至执行端时长的目标。

综上所述，以数字化建模、定域定量反求制造等为核心的高性能制造技术，逐渐引领我国航空发动机制造技术焦点由几何量向性能要求转变。数字孪生模型可作为航空发动机高性能制造的重要数据载体，但由于发动机性能受加工/装配多因素关联影响，发动机加工/装配参数存在典型不确定性，且发动机制造过程对建模效率及精度要求极高等问题，使当前系统层面研究比较多，产品性能数字孪生模型构建研究不足，尚未系统建立孪生数据与机理模型融合驱动的航空发动机高性能制造理论技术体系。

2.3 基于数字孪生的航空发动机试验测试验证

在试验测试验证阶段，作者团队提出了数字试验测试验证体系架构^［7］，通过在数字空间进行虚拟试验测试验证，不断优化实际试验测试验证方案，以获得全面、准确、可靠的试验测试验证结果。将数字孪生应用于航空发动机试验测试验证过程，有助于缩短航空发动机试验测试验证周期、降低航空发动机试验测试验证成本。目前，国内外学者或机构已开展数字孪生及相关理论在航空发动机试验测试验证阶段的应用研究^［53-64］，如表3所示^{［7，27，54，57-64］}。

表3 基于数字孪生的航空发动机试验测试验证研究现状

Table 3 State-of-the-art of digital twin-based aero-engine experiment， testing and validation

方法	技术特征或优缺点	文献
基于数字孪生的试验测试验证方法	研究了覆盖测试前、测试中、测试后三阶段的航空发动机性能数字测试系统性方法，并强调数实融合试验测试验证思想	［7］
航空发动机关键参量数字化测试方法	为了提供航空发动机性能相关关键基础数据，物理测试与仿真相结合建立数字化测试模型，但数字空间与物理空间融合、数字驱动的样本空间扩展、多特征参量集成等关键技术尚未有效解决	［57-59］
航空发动机热力特性数字化试验方法	探索了物理与数据融合的发动机性能数字化试验技术，但发动机气动、热力状态等性能测试目前以拟实测试为主，传感器数量和安装位置局限性、测试成本等因素决定了难以获得全景性能数据	［27，54，60］
基于数字孪生的航空发动机监测与分析方法	发动机试车或者运行过程中数据量大、有效信息提取较难，初步开展了监测和历史数据结合辅助分析，相关技术有待进一步深入探索	［61-64］

为实现航空发动机在服役过程中的性能测试、追踪与预测，陶飞等^［1］研究了航空发动机性能数字测试系统性方法，并尝试探讨了测试前、测试中、测试后三阶段的航空发动机性能数字测试流程。张志博等^［27］探索了数字孪生应用于航空发动机试验测试验证过程的可行性方法，以期通过虚实融合试验达成提升试验测试验证效能、降低试验测试验证风险、缩短试验测试验证周期的目标。王乐等^［20］探讨了将数字孪生技术应用于航空发动机试验测试验证的意义，提出可通过一系列可重复、可变参数、可加速的数字试验来提前验证航空发动机在不同工况和外部条件下的性能状态。

针对航空发动机试验测试验证的关键技术研究，Segalman等^［53］搭建了多种连接结构力学特性试验平台，开展了航空发动机连接力学特性机理研究。刘宁和陶智^［54］开展了航空发动机高温旋转部件的流体换热测试研究，通过实验数据验证大涡模拟预测的准确性，形成数据驱动的气动及换热综合分析体系。葛向东等^［55］研究了基于航空发动机动力学试验的振动特征溯源方法，通过一系列转子特性和模态试验，揭示航空发动机典型振动特征的变化规律。漆琪等^［56］研究了工业机器人辅助的航空发动机机匣内腔轮廓精准测量方法，通过优化工业机器人位姿及路径，以期满足复杂腔体测量角度要求。Sun等^［57］开展了面向航空发动机装配过程的螺栓预紧力测量研究，基于声弹性效应建立了考虑理论与测量误差的测量模型，以期提升预紧力测量精度。

综上所述，数字试验测试验证是研发新一代航空发动机的必备手段，具备增强设计方案定型、制造工艺验证、产品质量检验、动态性能评估、剩余寿命预测等能力，从而为航空发动机设计、制造、运维等各阶段提供技术保障。然而，目前航空发动机试验测试验证的研究与应用尚处于起步阶段，亟需突破模型快速构建与重构技术、多域异构数据实时同步传输技术、多层级数模融合技术、数实一致性评估技术、大模型与智能分析决策技术、试验测试验证通用基础库构建技术等一系列关键技术，实现多重任务场景下航空发动机全生命周期性能的精准测试与评估，充分发挥数字孪生在航空发动机研制中的应用价值。

2.4 基于数字孪生的航空发动机运维

在运行维护阶段，作者团队在国际上首次提出了复杂装备故障预测与健康管理方法^［65］，通过构建与物理装备特征动态一致的装备数字孪生模型，并融合模型仿真数据与物理装备数据，实现故障预测并据此制定维修策略。将数字孪生应用于航空发动机运维过程，有助于全面监测航空发动机的运行状态、评估航空发动机性能、动态优化航空发动机控制策略，从而实现早期故障预警、性能预测和维护决策，以提高航空发动机的可靠性与安全性。目前，国内外学者或机构已开展了数字孪生及相关技术在航空发动机运维阶段的理论与应用研究，如表4所示^{［65，70，72，75，78］}。

表4 基于数字孪生的航空发动机运维研究现状

Table 4 State-of-the-art of digital twin-based aero-engine maintenance

方法或系统	技术特征或优缺点	文献
基于数字孪生的复杂装备故障预测与健康管理方法	基于高保真装备数字孪生模型，通过融合模型生成数据与物理装备数据，为故障预测提供支撑，以实现复杂装备故障预测并据此制定维修策略	［65］
基于数字孪生的发动机剩余寿命预测方法	基于在线和离线数据进行剩余寿命预测	［75］
基于数字孪生的航空发动机故障诊断方法	探究发动机数字孪生故障诊断概念及模式等，但系统架构有待于进一步完善，一系列关键技术有待于深入研究	［70，78］
航空发动机运维数字孪生系统	探索了基于数字孪生的运行及维护系统架构技术，但仍难满足航空发动机高效、高精度故障特征提取及预警需求	［72］

为指导数字孪生在航空发动机运维过程的实施，曹建国^［66］探讨了数字孪生是数字化转型下航空发动机仿真技术的发展机遇之一，将数字孪生应用于航空发动机运行维护过程有助于提升航空发动机的健康管理水平，以实现基于虚实交互的运行维护。Grieves和Vickers^［67］分析了面向航空发动机运维过程的数字孪生模型组成要素，并进一步构建了多维度、多尺度、跨时域的航空发动机数字模型。刘魁等^［68］构建了面向航空发动机运维过程的数字孪生体，以支持航空发动机的精准检测、故障预测、性能/控制优化等功能。吴雄等^［69］提出了航空发动机数字孪生与健康管理技术相结合的方法，为舰载机发动机实时状态监测、故障诊断预警、寿命管理评估与远程维修决策等功能提供支撑。曹明等^［70］提出了基于数字孪生模型的航空发动机故障诊断与预测、维护/维修决策的通用流程，以提升基于数字孪生的航空发动机健康管理能力。

在航空发动机的故障诊断方面，Ezhilarasu和Jennions^［71］通过构建电力系统数字孪生体进行航空发动机和燃油系统的故障检测。Peng和Chen^［72］开发了基于数字孪生的航空发动机在线诊断系统，以实现TFE-731涡扇发动机的故障诊断。王诗彬等^［73］建立了航空发动机可解释性智能监测诊断网络，以提升涡扇发动机故障诊断的有效性。Stoumpos和Theotokatos^［74］结合功能控制和数据驱动模型，提出了发动机健康管理方法，并利用数字孪生进行了验证。

在航空发动机的剩余寿命预测方面，Mosallam等^［75］提出了基于贝叶斯模型的剩余使用寿命预测方法，利用NASA数据库对涡轮风扇发动机退化模拟数据进行了验证。Xiong等^［76］提出了数字孪生驱动的航空发动机预测维护架构，开发了隐式数字孪生模型对航空发动机剩余使用寿命进行了预测。付洋等^［77］通过构建涡轮盘性能退化数字孪生模型，以在线预测涡轮盘的剩余寿命。

综上所述，当前数字孪生已成为发动机故障诊断、寿命预测、精准维护等方面的研究热点，但发动机运行工况环境极端复杂，当前技术仍难以满足航空发动机在动态多变环境下的状态实时评估、预测、管控的高精度需求，因此需从以下几方面进一步发展：① 在模型与数据融合驱动下，建立多维度、多尺度、跨时间的航空发动机运维数字孪生模型，形成数字孪生驱动的航空发动机整机及部件预测性维护体系；② 结合深度学习、大模型等方法以提升模型的准确率、鲁棒性、可解释性；③ 建立健壮的数字孪生航空发动机运维系统平台和完善机制，保证及时、可靠和安全的非在线、少数据、强时变、瘦客户等复杂环境下运维服务。

2.5 航空发动机数字孪生研究现状小结

1）基础理论与技术体系不健全：国内目前在数字孪生通用理论和技术，如数字孪生模型构建、孪生数据融合处理、连接交互等基础理论和关键技术，有大量创新研究，初步形成了理论与技术体系。但针对航空发动机生命周期需求，在发动机数字孪生相关基础理论及技术方面，当前研究比较分散，国内外均处于起步阶段，亟需突破系统表达航空发动机运行机理、物理规律、性能演化等航空发动机数字孪生理论架构及技术体系。

2）数据/模型组织与协作机制不明确：当前国内航发领域的高校、研究所、企业等机构已积累了一定的设计、仿真、实验、运行相关模型与数据，然而由于各机构间的模型/数据组织与协作机制不清，导致仍存在分散孤立等系统性问题，使得各机构协作难。而国外罗罗等企业已基本形成了贯穿全产业链的数字主线，因此亟需建立合理的数据/模型组织与共享机制，打通航空发动机的设计、制造、试验测试验证与运维数据链，从而促进航空发动机的高效协同研发。

3）专业软件与工业平台不完备：在发动机数字孪生专业软件与系统方面，国外已建立以Twin Builder、3DExperience、Simcenter等为代表的数字孪生相关软件平台，具有数据集成、数字孪生及集成运用能力，国内也开展数字孪生通用工业软件平台的设计研发，如makeTwin数字孪生工业软件平台^［5］，并已开始工业落地实践应用。但尚未建立面向航空发动机全生命周期的数字孪生专用工业软件，使各信息化系统平台接口集成、交叉互联、虚实联动非常复杂，难以支撑航空发动机数字孪生的实施应用。

4）行业标准与相关规范不完善：为促进数字孪生在航空发动机领域大规模推广应用，需具备完善的标准与参考规范，从而加强行业人员对航空发动机数字孪生的理解与认识，指导航空发动机数字孪生的实施应用。当前虽已初步建立数字孪生通用标准体系^［6］，且国内外已有数字孪生相关标准陆续发布，但大多集中在制造与城市领域，尚缺少航空发动机领域的相关标准。

3 航空发动机数字孪生工程概念与关键技术

3.1 航空发动机数字孪生工程概念与体系架构

随着航空发动机服役要求及性能指标的不断提升，其系统复杂性也日益增加，传统研制模式已难以满足当今研发需求^［79］。数字孪生可突破物理世界的时空局限，助力航空发动机研制过程加速增效提质，近年来数字孪生愈发受到航空发动机行业的关注与青睐。然而，航空发动机数字孪生研究大多关注于单一对象、单一环节、单一功能，缺乏从全生命周期视角出发的系统性、全局性、协同性地深入研究与应用。在此背景下，本文尝试探索航空发动机数字孪生工程的概念，即面向航空发动机全生命周期需求，研究建设航空发动机生命线程、模型线程、数据线程、服务线程^［1，80］，实现航空发动机生命周期工程、航空发动机数字孪生模型工程、航空发动机孪生数据工程、航空发动机软件与应用服务工程以及航空发动机数实迭代交互融合工程，支撑提升航空发动机正向协同设计、高性能加工制造、试验测试验证、智能运维管控等能力，满足新一代航空发动机的研制需求。

为进一步阐述航空发动机数字孪生工程内涵，明确航空发动机工程各要素组成、职能与协作关系，基于作者团队前期提出的数字工程“数智眼”体系架构^［1］与数字孪生五维模型理论^［2］，进一步探讨航空发动机数字孪生工程系统架构^［1-2］，如图2所示。

图 2

图 2 航空发动机数字孪生工程体系架构^［1-2］

Fig.2 Architecture for aero-engine digital twin engineering^［1-2］

1）航空发动机生命周期工程：“设计-制造-试验测试验证-交付-运维-回收”

航空发动机生命周期工程是指物理航空发动机设计、制造、试验测试验证、交付、运维、回收等的实现过程。航空发动机生命周期工程利用生命线程将不同阶段、不同型号、不同版本、不同用途、不同性能特征的物理航空发动机进行汇聚集成，形成具备各类研发经验和航空发动机演化知识的航空发动机产品簇，支撑新一代航空发动机从无到有的研制全过程和现有型号航空发动机的优化迭代，最终实现航空发动机研制设计即所需、设计即所得、所得即所用的理想目标。

2）航空发动机数字孪生模型工程：“建-组-融-验-校-管”

航空发动机数字孪生模型工程是指航空发动机在全生命周期内数字孪生模型构建、组装、融合、验证、校正、管理的实现过程^［81-82］。航空发动机数字孪生模型工程通过模型线程将设计阶段模型（如航空发动机三维模型）、制造阶段模型（如加工工艺模型）、试验测试验证阶段模型（如试验系统模型）、运维阶段模型（如寿命预测模型）等全生命周期各类模型进行集成，并利用从物理航空发动机获取到的数据实现各阶段模型的动态演化更新，从而实现对生命周期各阶段航空发动机结构、功能、性能的准确描述和动态刻画，为各阶段航空发动机时效高质服务提供支撑。

3）航空发动机孪生数据工程：“采-传-处-融-用”

航空发动机孪生数据工程是指航空发动机在全生命周期内数据采集、传输、处理、融合和使用的实现过程^［83-84］。航空发动机孪生数据工程利用数据线程高效汇聚航空发动机在全生命周期各阶段的物理数据、虚拟数据和融合数据，利用历史数据驱动航空发动机数字孪生模型复现历史运行过程，为问题追溯、分析和解决提供支持；利用最新的实时数据驱动航空发动机数字孪生模型，实现物理航空发动机运行过程的远程实时可视化监测。同时，航空发动机数字孪生工程还能够通过系统挖掘航空发动机大数据中的规律、经验和知识，为各阶段航空发动机服务提供数智基础。

4）航空发动机软件与应用服务工程：“设计-开发-维护-集成-调用”

航空发动机软件与应用服务工程是指在航空发动机全生命周期内设计、开发、维护、集成、调用^［85］航空发动机软件与应用服务的实现过程。航空发动机软件与应用服务工程利用服务线程封装物理航空发动机、数字孪生模型、孪生数据、算法等部分的功能，集成并构建面向不同阶段、不同层级、不同用户、不同需求的相关软件库，支撑航空发动机各阶段管控、全流程协同、细粒度分析、大体系统筹，并最终提供完备、专业、便捷、高效的应用服务。

5）航空发动机数实迭代交互融合工程：“感知-通信-映射-交互-融合”

航空发动机数实迭代交互融合工程是指通过数据接口与通信网络，实现航空发动机在全生命周期内数据感知、通信、映射、联动、同步^［86］的过程。航空发动机数实迭代交互融合工程利用新一代智能传感及网络技术，建设适应不同阶段、不同场景、不同应用模式的连接交互网络，实现航空发动机全生命周期内实时、高速、可靠、稳定的数据传输，促进数字域和实体域的交互、迭代、融合、优化，以支撑航空发动机生命周期工程、航空发动机数字孪生模型工程、航空发动机孪生数据工程与航空发动机软件与应用服务工程间高效交互与协作。

3.2 航空发动机数字孪生工程关键技术

基于作者团队前期在数字孪生模型^［81］、数字孪生数据^［83］、数据孪生连接交互^［86］、数字孪生应用服务的理论技术研究及在设计^［15］、制造^［36］、运维^［65］等各阶段的探索实践，本节结合航空发动机全生命周期需求，提出航空发动机数字孪生工程关键技术，包括：基于数字孪生工程的航空发动机正向设计技术、孪生数据与机理模型融合驱动的航空发动机高性能制造技术、航空发动机试验测试验证技术、数模融合的航空发动机智能运维技术等。同时，航空发动机数字孪生模型构建与验证、多源异构孪生数据空间构建与融合分析处理技术作为基础共性技术，贯穿于航空发动机数字孪生工程的各个阶段，支撑各项任务的精确建模、数据分析与优化决策，具体如图3所示。

图 3

图 3 航空发动机数字孪生工程关键技术

Fig.3 Key technologies for aero-engine digital twin engineering

3.2.1 航空发动机数字孪生模型构建与验证技术

数字孪生模型构建是实现发动机数字孪生工程的引擎，基于作者团队前期提出的“建-组-融-验-校-管”数字孪生模型构建理论体系^［81］，尝试探索提出航空发动机数字孪生模型构建与验证关键技术，如图4所示。

图 4

图 4 航空发动机数字孪生模型构建与验证技术

Fig.4 Modeling and validations of aero-engine digital twins

1）航空发动机数字孪生模型构建、组装与融合技术

航空发动机是涵盖构件级-部件级-系统级等多层级的复杂对象。当前航空发动机数字孪生建模方法尚未实现对几何特征、属性特征、性能特征、行为特征、逻辑特征与层级特征的综合全面考虑。为实现航空发动机高保真数字孪生模型构建，需探究：① 发动机流-固-热等多物理场耦合模型构建与智能生成技术；② 零部件-子系统-系统-整机跨层级孪生模型快速组装与重构技术；③ 多维度多领域多层级数字孪生模型深度融合技术；④ 发动机数字孪生模型优化演化及精度提升方法等。通过航空发动机数字孪生模型构建、组装、融合，实现航空发动机数字孪生模型逐层级精准构建，全面刻画航空发动机结构、气动、传热、控制、性能等特性，为航空发动机数字孪生工程的实施奠定模型基础。

2）航空发动机数字孪生模型全面验证与动态校正技术

航空发动机数字孪生模型的准确性和有效性会直接影响发动机性能和服役质量。在实现航空发动机数字孪生模型逐层级构建后，如何全面评估模型的准确性和有效性，是发动机数字孪生模型在使用前亟待重视和解决的难题。为解决这一难题，需攻克航空发动机数字孪生模型全面验证与动态校正技术，包括：① 如何探究建立航空发动机数字孪生模型的通专结合的综合评价指标体系；② 如何实现考虑航空发动机层级特征、维度特征、属性特征、性能特征等因素的发动机数字孪生模型智能验证与评估方法；③ 航空发动机数字孪生模型综合定性定量计量评估方法，从而共同支撑航空发动机模型验证。

在完成发动机模型验证后，因物理发动机运行环境复杂多变，受多重不确定因素影响，可能导致所建立的航空发动机数字孪生模型会与实际运行状态存在偏差，因此还需研究航空发动机数字孪生模型动态校正技术，包含：① 多源不确定因素分析技术；② 发动机动态复杂系统演化机制；③ 模型参数与结构动态校正技术等。通过对发动机模型动态校正，使数字孪生模型能够实时反映航空发动机的运行状态，为其精准评估、预测、控制等提供基础支撑。

3）航空发动机数字孪生模型智慧管理技术

航空发动机数字孪生模型能够为发动机设计、制造、试验以及运维各阶段高质量服务提供基础，如何实现高效智慧管理，为用户提供便捷服务是关键。需要攻克：① 发动机数字孪生模型分布式安全存储技术以保证模型存储的可靠性、可扩展性、高效性；② 模型安全技术以保证模型的信息不被随意篡改；③ 模型重配置技术以支持模型根据实际需求进行重构与配置；④ 模型更新演化技术以支持模型参数、状态或功能等方面的修改与调整；⑤ 模型服务封装技术以便于动态敏捷部署应用等。

3.2.2 航空发动机多源异构孪生数据空间构建与融合分析处理技术

数字孪生数据是实现发动机数字孪生工程的驱动力，基于作者团队前期研究提出的“采-传-处-融-用”数字孪生数据理论与方法^［83］，尝试探索提出航空发动机多源异构孪生数据空间构建与融合分析处理关键技术，如图5所示。

图 5

图 5 航空发动机多源异构孪生数据空间构建与融合分析处理技术

Fig.5 Space construction and processing of aero-engine twin data from multi-source heterogeneous

1）多源异构数据全面感知技术

发动机全生命周期多源异构数据全面感知是发动机数字孪生运行的基础与前提。航空发动机全生命周期数据包含设计阶段的结构尺寸参数、性能指标参数，加工/装配阶段的工艺参数，调试阶段的测试数据及运维阶段的过程监测信息等，航空发动机数据信息具有多源异构、完备性差、关联机制不清等特点。针对航空发动机多源数据格式不统一、海量数据难管理等问题，需研究：① 孪生数据格式转换与统一管理技术；② 基于自回归模型、马尔可夫链、蒙特卡罗法等数据插补技术；③ 频域滤波、小波分解、经验模态分解方法等数据预处理技术。通过相关数据的全面感知与关键特征选取，为航空发动机数字孪生模型的动态更新校正提供基础数据支持。

2）海量孪生数据高速传输与处理技术

发动机孪生数据不仅包含航空发动机运行过程中产生的大量物理数据，还包含孪生模型仿真生成的虚实融合数据，这些海量数据如何高效传输是保障虚实交互实时性的关键。为实现海量孪生数据的高速传输与处理，需研究：① 网络节点时钟同步技术；② 面向发动机虚实融合的确定性通信网络构建技术；③ 面向发动机虚实融合的交互误差预测；④ 发动机孪生数据分布式处理技术；⑤ 私有云与公有云协同存储技术；⑥ 发动机孪生数据处理安全加密技术等，从而保障发动机数字孪生模型在复杂工况下的状态同步更新，准确刻画发动机实时健康状态。

3）孪生数据深度融合与分析挖掘技术

从数据处理角度来看，发动机数字孪生在不同阶段面临的主要数据处理挑战各不相同。在设计阶段，以大样本揭示设计参数与关键部位性能的映射关系，重点研究基于服役历史数据集的结构和参数优化技术。在制造阶段，重点研究小样本学习技术，通过离散数据填补不可测点数据，解决加工与装配阶段数据稀缺、样本空间不完整等问题。在试验阶段，重点研究虚实数据融合机制与算法，通过有限试验数据实现多工况下的发动机性能全面评估。在运维阶段，研究多源数据驱动的自学习诊断模型构建技术，以支持载荷变化和系统状态变化条件下的故障预报。孪生数据深度融合与分析挖掘技术为正向设计、高性能制造、虚实融合试验、精准运维提供支持。

3.2.3 基于数字孪生的航空发动机正向设计

正向设计是实现航空发动机全生命周期效能最优的关键手段，基于作者团队前期提出的数字孪生设计方法^［15-16］，尝试探索提出基于数字孪生的航空发动机正向设计关键技术，如图6所示。

图 6

图 6 基于数字孪生的航空发动机正向设计技术

Fig.6 Digital twin-based top-down design for aero-engines

1）设计方案高效验证与快速定型技术

在航空发动机研发过程中，设计方案的有效性是实现正向设计的首要前提。精准、高效的设计方案能够从初生阶段就开始保障航空发动机的可靠性。因此，需开展设计方案高效验证技术研究，实现设计方案的高度可解释和高效率验证。具体包括：① 设计方案适应性迁移技术；② 孪生空间智能验证技术；③ 软硬资源一体化分配技术；④ 物理知识嵌入网络技术；⑤ 设计方案数字优选技术。通过采用设计方案高效验证技术，能够从设计方案-性能关联数据中快速挖掘信息，实现设计方案的高效率迭代，从而在大幅缩短研制周期的前提下完成设计方案的快速定型，为实现航空发动机实现正向设计奠定基础。

2）多部件一体化全局设计技术

航空发动机由风扇、压气机、燃烧室、涡轮、尾喷管等多个部件装配组成，只有综合考虑多个部件的性能指标要求，才能实现航空发动机一体化性能指标的全局设计。因此，需开展一体化全局设计技术研究，将不同阶段的各类设计要求转化为多个层次的数字孪生模型，形成面向全局性能的航空发动机一体化表达，提高性能设计的质量及效率。具体包括：① 分布式协同数字孪生技术；② 多层级一体化数字建模技术；③ 主动学习驱动不确定性量化技术；④ 可靠性数字孪生设计技术。通过各层级性能指标和全局性能指标的高效率分解与高精度评估，支撑航空发动机多部件多性能一体化全局设计。

3）多学科协同设计优化技术

在气动载荷、温度载荷、离心载荷、陀螺力矩等复杂载荷综合作用下，航空发动机热态/力学性能分析涉及气动、热力、机械、材料等多学科，往往需要各学科的协同分析以达到优良的设计效果。因此，需开展多学科协同优化技术研究，从气动/热力/结构/可靠性角度建立各学科数字孪生模型，具体包括：① 多学科优化孪生建模技术；② 高维设计空间优化技术；③ 多目标同步优化算法；④ 多响应协同智慧决策技术。通过建立多学科协同数字孪生模型，实现各学科数字孪生模型之间的有机协同，利用多学科总体性能和各学科状态的动态表征和实时反映，为实现总体性能和各学科子系统协同优化开辟技术途径。

3.2.4 孪生数据与机理模型融合驱动的航空发动机高性能制造技术

高性能制造是保证航空发动机质量的重要抓手，基于作者团队前期数字孪生智能制造理论与方法研究工作^［87-88］，尝试探索提出孪生数据与机理模型融合驱动的航空发动机高性能制造关键技术，如图7所示。

图 7

图 7 孪生数据与机理模型融合驱动的航空发动机高性能制造技术

Fig.7 Twin data-mechanism model co-driven high performance manufacturing for aero-engines

1）面向高性能制造的产品性能数字孪生模型构建技术

建立制造参数与性能间的映射关系，是实现航空发动机高性能数字制造的重要前提。发动机加工/装配具有高精度、多尺度、多场耦合及随机性等特征，一些参量的描述和量化极其困难，参量间的关联关系异常复杂。为此需以性能为目标、以过程为主线，深入研究产品性能数字孪生模型构建技术，具体包括：① 制造过程中结构/材料/工艺的关联作用机理，揭示影响性能的敏感制造参数，建立制造参数与性能关联映射模型；② 考虑航空发动机服役过程中复杂热/力载荷的影响，从宏微观层面揭示零件、系统性能演变和退化规律，明确性能保持性的影响机理；③ 系统化发动机性能数字孪生模型构建方法。

2）航空发动机制造过程的孪生数据建模技术

实时准确获取制造工艺及性能数据是构建发动机制造过程数字孪生模型的基础，为此需研究航空发动机制造过程的孪生数据建模技术，具体包括：① 加工/装配过程中的多源感知数据采集、存储、处理系统架构；② 关键工艺-性能映射关系的高效高精度数字化表征模型构建技术；③ 基于发动机运行状态“孪生数据”的动态更新技术；④ 薄壁复杂曲面零件加工、热/力耦合作用下的转子装配等高不确定性制造过程中的模型迭代技术；⑤ 航空发动机制造过程物理信息一致性评价方法等。

3）孪生数据与机理驱动的发动机性能预测与制造工艺调控技术

机理与数据的有效融合是实现航空发动机高效高精度性能预测与优化的前提，也是精确调整制造过程参数和预测装配性能的关键。针对航空发动机制造过程工序多、结构/工艺参数不确定性特征明显等问题，需研究孪生数据与机理驱动的发动机性能预测与制造工艺调控技术，具体包括：① 机理与孪生数据融合的零件及系统性能预测技术；② 发动机制造参数、服役载荷不确定性下的不确定性传递模型构建方法；③ 制造过程实时状态下多性能协同调控、多性能预防性定域控制理论及方法。

4）信息物理融合的人机协同加工/装配技术

针对航空发动机人工制造操作易导致性能/质量随机性大、复杂工艺过程中经验无法完全替代等问题，以制造过程数字孪生数据与数字孪生模型为基础，融合AR/VR等技术，攻克信息物理融合的人机协同加工/装配技术，具体包括：① 信息物理融合的人机协同加工/装配技术；② AR（增强现实）加工/装配工艺指令的构建方法；③ 人机协同制造过程加工/装配质量在线分析与评判、制造知识自学习技术；④ 孪生数据驱动的人机协同制造工艺技术及精确高效调控方法等。

3.2.5 航空发动机数字试验测试验证技术

数字试验测试验证（Digital Experiment， Testing and Validation， D-ETV）是为航空发动机提供全生命周期性能评价的重要手段，基于作者团队前期提出的D-ETV理论与方法^［7］，尝试探索提出航空发动机数字试验测试验证关键技术，如图8所示。

图 8

图 8 航空发动机数字试验测试验证技术

Fig.8 Digital experiment， testing and validation for aero-engines

1） D-ETV模型快速构建与重构技术

航空发动机全生命周期涉及流体、结构、传热等多场耦合的复杂物理过程，存在被测目标发生变化时对象和场景模型进行快速的构建与重构需求，D-ETV模型快速构建与重构技术具体包括：① 数字试验对象建模与三维重建技术；② 语义模型整合与自适应组装技术；③ 模型偏差智能溯源与校正技术；④ 多尺度多粒度自适应修正技术；⑤ 多任务数字场景智能重构技术。通过试验系统对象-场景模型的快速构建与重构，能够为航空发动机数字试验验证的实施提供重要技术支撑。

2）多域异构数据实时同步传输技术

航空发动机数字试验测试验证过程中会产生性能数据、功能数据、工况数据等多领域异质异构数据，数据之间的实时同步传输以及延时确定性传输，是保障多域异构数据通信网络高效运行的核心环节。因此，需开展多域异构数据实时同步传输技术研究，以实现多领域异质异构数据的同步传输和高效通信，具体包括：① 多节点系统时间同步优化技术；② 异构信息高效低延迟传递技术；③ 跨域数据精准整形与稳定流控技术；④ 智能流量管理与资源分配优化技术；⑤ 自主优化信息自适应交换技术。以多领域异质异构数据的同步传输和高效通信，有效贯通多领域数据流，为数字试验测试验证的有效实施开辟途径。

3）多层级数模融合技术

航空发动机试验测试验证往往涉及多层次（如数据层、模型层、特征层、决策层）和多场耦合计算（如气动、热力、结构强度和材料性能等），单一的数据模型或机理模型难以全面准确地描述复杂非线性行为。因此，需开展多个层级的高保真数模融合技术，以实现数字试验测试验证对象、过程、结果之间的全流程融合，具体包括：① 数字物理多层级模型融合技术；② D-ETV多物理场耦合构建技术；③ 多源D-ETV异构数据融合技术；④ D-ETV数据-机理嵌套融合技术。通过数据-模型多层级融合，实现数字试验对象-过程-结果的全流程、多方位、高深度融合，为实现航空发动机数字试验验证开辟行之有效的技术途径。

4）大模型与智能分析决策技术

航空发动机研发往往涉及多种性能指标（如推力、重量、振动等）、多学科交叉（如流体力学、热力学、结构力学等）、多阶段协同（如设计、制造、运维等），需精准分析和揭示多指标、多学科、多阶段之间的耦合性、相关性和非线性关系，从而保证数字试验测试验证结果的合理性和有效性。因此，需开展大模型与智能分析决策技术研究，具体包括：① 语言大模型驱动的数字试验策略优化技术；② 工业大模型驱动的数字测试系统渲染技术；③ 失效机理智能建模与自动识别技术；④ 数字测试系统智能动态决策技术；⑤ 智能推演设计与异常溯源技术。通过研究大模型与智能算法技术，精准描述数字试验测试中被测目标、对象、环境等核心要素，从而为航空发动机数字试验测试验证提供技术手段。

5） D-ETV通用基础库构建技术

为满足航空发动机数字试验测试验证的结果准、效率高、内容全、成本低、风险小等一系列严苛要求，亟需建立包括标准库、数据库、场景库、模型库、协议库、算法库、方法知识库和试验平台库的通用基础库，提供全面的数字化支持与协同能力。因此，需开展通用基础库构建技术研究，具体包括：① D-ETV统一化与标准化技术；② D-ETV数据库整合技术；③ D-ETV对象-场景模型库构建技术；④ D-ETV基础库异步/实时更新技术；⑤ D-ETV基础库空间扩容技术；⑥ D-ETV基础库信息对齐技术。各基础支撑模块要求满足实时获取和同步更新，以确保数据传递的准确性和一致性，从而为精准高效的航空发动机数字试验测试验证提供有效基础支撑。

3.2.6 数模融合的航空发动机智能运维技术

航空发动机智能主动运维是延长服役寿命，降低维护成本、提高安全保障性的关键手段。基于作者团队前期提出的“监测-预测-决策”数字孪生复杂装备运维管控理论与方法^{［65，89］}，尝试探索提出数模融合的航空发动机智能运维关键技术，如图9所示。

图 9

图 9 数模融合的航空发动机智能运维技术

Fig.9 Data-model fusion-based smart maintenance for aero-engines

1）数模融合驱动的航空发动机健康状态监测与故障诊断技术

健康监测与故障诊断对于提升航空发动机可靠性和飞行安全性具有重要意义。为了快速定位故障发生的环节、部位和成因，实现发动机健康状态的实时监测与故障诊断，亟需研究数模融合驱动的航空发动机健康状态监测与故障诊断技术，具体包括：① 多传感器信息融合与分析处理技术；② 基于传感器融合数据与机理模型的发动机健康状态监测；③ 多因素影响下的故障分析与快速定位方法。该物理模型与数据驱动相结合的方法，有助于精准监测运行状态并及时预警潜在故障，显著降低突发故障风险并延长发动机寿命，提升飞行系统运行的可靠性和安全性。

2）数模融合驱动的航空发动机健康状态精准预测与评估技术

健康状态的有效预测与评估，是航空发动机长期可靠服役的重要基础。当前大多研究尚未实现推力、振动、温度等传感器采集数据以及性能退化机理的深度融合，易导致航空发动机健康状态因受多源不确定因素影响而导致结果不准，为实现发动机健康状态精准预测与评估，需研究① 极端工况下高可靠高适应性传感技术；② 基于大数据与大模型的剩余寿命精准预测技术；③ 基于历史与实时数据的故障动态预测技术。通过融合物理模型及数据驱动分析，能够精准预测和评估航空发动机健康状态与性能，减少维护成本、避免过度维修，从而全面保障航空发动机的可用性和整体运行效率。

3）数模融合驱动的航空发动机智能维保决策与优化技术

有效的维保策略是发动机安全、可靠运行的有力支撑。当前维保策略往往采用定期与不定期的检查、维护和修理的方式，但安全意识不足、操作经验不丰富、信息化程度低等因素常引发不易察觉的安全风险，为实现发动机智能维保决策与优化，需研究① 多故障状态的智能维护决策与优化技术；② 维修效果精准评估技术；③ 发动机关键零部件修复技术。将物理模型与多源数据的深度融合，有助于提升航空发动机健康评估、故障预测与优化维护能力，保障运维效率和安全性，提升其全生命周期的高效运营能力。

4 航空发动机数字孪生工程若干思考

为实现航空发动机数字孪生工程，助力我国航空发动机跨越式发展，尝试提出以下几点建议：

1）活用数字化、系统化思想实践航空发动机数字孪生工程

航空发动机是多要素、多系统、多信源、多学科耦合形成的复杂系统。为实现航空发动机的快速迭代升级和全局优化，航空发动机数字孪生工程应采用以虚替实、以虚补实、以虚优实、以虚验实、以虚促实的数字化思路^［90］，利用数字工程“数力”和“智力”提升航空发动机数字孪生工程能力。同时，应贯彻整体规划、协同推进、需求导向、重点突破、迭代优化的系统化建设与发展思想，将复杂问题拆解为多个独立的技术难题，重点优先攻克关键技术难点，以点带面实现原型研制工作，并在实践中不断迭代进化，牵引所需各类技术进行整合集成、试验测试验证和持续优化，最终实现全局最优的航空发动机研发。

2）重视全生命周期数据和模型的积累、集成与融合应用

数据与模型是航空发动机数字孪生工程的核心基础。航空发动机全生命周期涵盖气动数据、几何数据、工艺数据、质量数据、测试数据、载荷数据、环境数据、维修数据等多模态海量数据，及几何模型、物理模型、行为模型、规则模型、工艺模型、预测模型等多种类异构模型，具有规模巨大、种类繁多、耦合复杂等特点，且随发动机服役过程动态更新。为了提升数据和模型准确程度、信息密度和利用价值，亟需建立贯穿航空发动机全生命周期的数字线程与模型线程，实现航空发动机全生命周期数据和模型的积累、集成与融合应用，为开发航空发动机全生命周期内的各类智能应用服务提供支撑。

3）强化多学科、多领域交叉融合与协同

航空发动机涉及空气动力学、工程热物理、机械、电气、控制等多学科领域，所涉要素众多，且要素间耦合关系复杂，难以通过单一学科模型实现航空发动机数字孪生的精准构建。因此，航空发动机数字孪生工程需要在分析问题、解决问题的过程中强化跨领域、跨时空、跨尺度意识，科学分析各子系统之间、各学科领域之间的关联关系，通过跨学科、跨部门、跨企业的协同创新发展，有效融合多学科领域的知识和经验，使航空发动机数字孪生的运行机制、机理更加完备，使航空发动机数字孪生工程的实践结果更加可信有效。

4）拥抱 New IT 技术助力航空发动机设计-制造-试验-运维能力提升

随着新一轮科技革命浪潮兴起，以5G/6G、大模型、大数据、人工智能等为代表的新一代信息技术（New IT）催生出一系列产业变革新模式。航空发动机数字孪生工程与New IT技术的深度融合，有助于实现设计、制造、试验测试验证和运维等环节的多维多尺度模型精准构建，以及全要素、全流程、全业务数据深度融合，从而提高航空发动机的高可靠、长寿命、低成本服役能力，促进航空发动机产业数智化转型升级。

5）建立完善航空发动机数字孪生工程标准体系

标准能够为数字孪生实践提供具体实施规则与指南，当前虽有部分数字孪生概念与架构的相关标准逐步制定，能够为数字孪生的总体实施提供指导，但尚缺少航空发动机领域的相关行业标准，因此应首先厘清航空发动机数字孪生工程标准建立需求，并进一步研究建立航空发动机数字孪生工程涵盖从基础共性到关键技术以及行业应用的标准体系架构，形成考虑航空发动机特性特征的数字孪生标准体系，为航空发动机数字孪生的应用实施与大规模推广提供支持。

6）推动航空发动机数字孪生工程资源优化整合及产业发展

航空发动机数字孪生工程具有学科深度交叉、数模深度融合、虚实交互迭代的特性，需兼备扎实理论基础与丰富实践经验。因此，推动高校、院所、企业各相关优势资源的有效管理与整合，加强顶层设计，以航空发动机数字孪生工程总体研究与实施规划为抓手，统筹推进基础理论研究、关键技术攻关和型号研发，逐步完善标准和工具体系，形成高效、便捷、通用的应用软件，以加强航空发动机产业链和创新链的协同发展，推动产业创新和技术创新有机结合。

5 结束语

作为国之重器，航空发动机集中体现了一个国家的科技水平、工业基础和综合国力。航空发动机研制是涉及多学科多领域的复杂系统工程，且部件间耦合关系复杂，其性能与设计、制造、试验及运维等全生命周期各阶段均紧密关联，成功研制高性能、高效率、高可靠、长寿命的航空发动机难度极大。与此同时，数字化、智能化、高质量发展趋势，对航空发动机亦提出了“正向研发、协同研发、高效研发”“效率变革、动力变革、质量变革”“科技创新、产业创新、融合创新”等新需求。

本文分析了航空发动机数字化、智能化发展趋势，从全生命周期的视角分析提出了航空发动机数字工程在设计、制造、试验测试验证、交付、运维、回收等阶段的挑战。通过系统性回顾国内外数字孪生在航空发动机全生命周期研究现状，指出航空发动机在理论体系、组织协作、软件平台、标准规范方面的不足。研究提出了航空发动机数字孪生工程的概念内涵与参考架构，深入分析了数字孪生在提高航空发动机设计、制造、试验和运维的智能性、主动性、可预测性的作用价值，进而提出了航空发动机数字孪生工程关键技术。为更好的实践航空发动机数字孪生工程，结合前期数智化经验提出了若干思考与建议。

期望相关工作为构建航空发动机数字孪生工程体系提供参考，促进航空发动机设计、制造、测试和运维等核心能力可持续提升，赶超国际先进水平。当然，文章尚有不足之处。未来将进一步研究完善所提出的航空发动机数字孪生工程理论体系，深入研究相关技术，并结合不同型号航空发动机特定需求与问题进行理论研究和应用实践。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

陶飞，张辰源，刘蔚然，等.

数字工程及十个领域应用展望

［J］. 机械工程学报， 2023， 59（13）： 193-215.

[本文引用: 16]

TAO

， ZHANG

C Y

， LIU

W R

， et al.

Digital engineering and its ten application outlooks

［J］. Journal of Mechanical Engineering， 2023， 59（13）： 193-215 （in Chinese）.

[本文引用: 16]

[2]

陶飞，刘蔚然，张萌，等.

数字孪生五维模型及十大领域应用

［J］. 计算机集成制造系统， 2019， 25（1）： 1-18.

TAO

， LIU

W R

， ZHANG

， et al.

Five-dimension digital twin model and its ten applications

［J］. Computer Integrated Manufacturing Systems， 2019， 25（1）： 1-18 （in Chinese）.

[3]

陶飞，刘蔚然，刘检华，等.

数字孪生及其应用探索

［J］.计算机集成制造系统， 2018， 24（1）： 1-18.

TAO

， LIU

W R

， LIU

J H

， et al.

Digital twin and its potential application exploration

［J］. Computer Integrated Manufacturing Systems， 2018，24（01）：1-18 （in Chinese）.

[4]

， TAO

， HU

， et al.

Enabling technologies and tools for digital twin

［J］. Journal of Manufacturing Systems， 2021， 58： 3-21.

[5]

TAO

， SUN

， CHENG

， et al.

makeTwin： A reference architecture for digital twin software platform‍

［J］. Chinese Journal of Aeronautics， 2024， 37（1）： 1-18.

[6]

陶飞，马昕，胡天亮，等.

数字孪生标准体系

［J］.计算机集成制造系统， 2019， 25（10）： 2405-2418.

TAO

， MA

， HU

T L

， et al.

Research on digital twin standard system

［J］. Computer Integrated Manufacturing Systems， 2019， 25（10）： 2405-2418 （in Chinese）.

[7]

陶飞，高鹏飞，张辰源，等.

数字试验测试验证：理论、关键技术及应用探索

［J］. 机械工程学报， 2024， 60（15）：227-254.

[本文引用: 6]

TAO

， GAO

P F

， ZHANG

C Y

， et al.

D-ETV： Digital Experiment， Testing and Verification

［J］. Journal of Mechanical Engineering， 60（15）： 227-254 （in Chinese）.

[本文引用: 6]

[8]

人民日报

推动质量变革、效率变革、动力变革——代表委员谈加快建设质量强国

［EB/OL］. ［2024-02-27］.

[9]

人民日报

中共中央关于进一步全面深化改革推进中国式现代化的决定

［EB/OL］. ［2024-07-21］.

[10]

TAO

， MAN

， LIU

， engineering

Digital

：

State-of-the-art and perspectives

［J］. Digital Engineering， 2024， 1： 100007.

[11]

陶飞，张辰源，张贺，等.

未来装备探索：数字孪生装备

［J］. 计算机集成制造系统， 2022， 28（1）： 1-16.

TAO

， ZHANG

C Y

， ZHANG

， et al.

Future equipment exploration： digital twin equipment

［J］. Computer Integrated Manufacturing Systems， 2022， 28（1）： 1-16 （in Chinese）.

[12]

郭东明

高性能制造

［J］. 机械工程学报， 2022， 58（21）： 225-242.

GUO

D M

High performance manufacturing

［J］. Journal of Mechanical Engineering， 2022， 58（21）： 225-242 （in Chinese）.

[13]

TAO

， QI

Make more digital twins

［J］. Nature， 2019， 573（7775）： 490-491.

[14]

TAO

， ZHANG

C Y

Advancements and challenges of digital twins in industry

［J］. Nature Computational Science， 2024， 4（3）： 169-177.

[15]

TAO

， LIU

， HU

. Digital twin driven smart design［M］. Academic Press， 2020.

[16]

TAO

， SUI

， LIU

， et al.

Digital twin-driven product design framework

［J］. International Journal of Production Research， 2019， 57（12）： 3935-3953.

[17]

黄维娜，黎方娟，祁宏斌.

航空发动机数字工程初步研究与发展思考

［J］. 航空学报， 2024， 45（5）： 529693.

HUANG

W N

， LI

F J

， QI

H B

Preliminary investigation and thoughts on aero-engine digital engineering development

［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（5）： 529693 （in Chinese）.

[18]

刘大响，金捷，刘邓欢.

数值仿真技术在航空动力研制中的地位和作用

［J］.航空动力学报， 2022， 37（10）： 2017-2024.

LIU

D X

， JIN

， LIU

D H

Position and function of numerical simulation technology in aero-engine development

［J］. Journal of Aerospace Power， 2022， 37（10）： 2017-2024 （in Chinese）.

[19]

胡忠志，曹文宇，何皑，等．

数字发动机技术现状、挑战及关键问题

［J］. 航空制造技术， 2023， 66（21）： 22-3.

Z Z

， CAO

W Y

， HE

， et al.

Digital engine technology status， challenges and key issues

［J］. Aeronautical Manufacturing Technology， 2023， 66（21）： 22-33 （in Chinese）.

[20]

王乐，周军，崔艳林.

数字孪生在航空发动机领域的应用分析

［J］. 航空动力， 2020（5）： 63-66.

WANG

， ZHOU

， CUI

Y L

Application analysis of digital twins in the field of aircraft engines

［J］. Aviation Power， 2020（5）： 63-66 （in Chinese）.

[21]

尹泽勇，米栋，张立章，等.

航空动力系统整机多学科设计优化方法

［J］. 航空动力学报， 2022， 37（10）：2025-2045.

YIN

Z Y

， MI

， ZHANG

L Z

， et al.

Multidisciplinary design optimization method of overall aircraft power system

［J］. Journal of Aerospace Power， 2022， 37（10）： 2025-2045 （in Chinese）.

[22]

Z X

， JI

， DING

， et al.

Digital twin-driven optimization of gas exchange system of 2-stroke heavy fuel aircraft engine

［J］. Journal of Manufacturing Systems， 2021， 58： 132-145.

[23]

ELLIS

， BOJDO

， FILIPPONE

， et al.

Monte Carlo predictions of aero-engine performance degradation due to particle ingestion

［J］. Aerospace， 2021， 8（6）： 146.

[24]

刘魁，刘婷，魏杰，等.

数字孪生在航空发动机可靠性领域的应用探索

［J］. 航空动力， 2019（4）： 61-64.

LIU

， LIU

， WEI

， et al.

Digital twin and its potential application in the field of aero engine reliability

［J］. Aerospace Power， 2019（4）： 61-64 （in Chinese）.

[25]

任祝寅，周华，张健，等.

数字孪生在航空发动机燃烧室设计阶段的应用与展望

［J］. 航空制造技术， 2022， 65（17）： 34-39.

REN

Z Y

， ZHOU

， ZHANG

， et al.

Application and prospect of digital twin in design phase of aero-engine combustion chambers

［J］. Aeronautical Manufacturing Technology， 2022， 65（17）： 34-39 （in Chinese）.

[26]

GE.

Digital twin technology

［EB/OL］. .

[27]

张志博，江建玲，贾博博.

数字孪生在压气机试验中的应用探索

［J］. 航空动力， 2022（4）： 63-66.

ZHANG

Z B

， JIANG

J L

， JIA

B B

Digital twin in the compressor test

［J］. Aviation Power， 2022（4）： 63-66 （in Chinese）.

[28]

， TIAN

， CHEN

， et al.

Digital twin-driven blade rub-impact diagnosis using blade tip timing

［J］. Measurement， 2024， 231： 114539.

[29]

REITENBACH

， VIEWEG

， BECKER

， et al.

Collaborative aircraft engine preliminary design using a virtual engine platform， part a： Architecture and methodology

［C］∥AIAA Scitech 2020 Forum. 2020： 0867.

[30]

GUAN

， LI

， LIU

， et al.

Experimental and numerical research on the performance characteristics of OPLVCR engine based on the NSGA II algorithm using digital twins

［J］. Energy Conversion and Management， 2021， 236： 114052.

[31]

KRAFT

， KUNTZAGK

Engine fleet-management： The use of digital twins from a MRO perspective

［C］∥ Turbo Expo： Power for Land， Sea， and Air. American Society of Mechanical Engineers， 2017， 50770： V001T01A007.

[32]

TADEJA

S K

， SESHADRI

， KRISTENSSON

P O

AeroVR： An immersive visualisation system for aerospace design and digital twinning in virtual reality

［J］. The Aeronautical Journal， 2020， 124（1280）： 1615-1635.

[33]

TADEJA

S K

， LU

， SESHADRI

， et al.

Digital twin assessments in virtual reality： An explorational study with aeroengines

［C］∥2020 IEEE Aerospace Conference. 2020： 1-13.

[34]

， LA ROCCA

， PICKERING

S L

， et al.

Mechanical and thermal design of an aeroengine start-er/generator

［C］∥2015 IEEE International Electric Machines & Drives Conference （IEMDC）. 2015： 1607-1613.

[35]

TAO

， ZHANG

，

Digital twin shop-floor a new shop-floor paradigm towards smart manufacturing

［J］. IEEE Access， 2027， 5： 20418-20427.

[36]

TAO

， ZHANG

， NEE AYC. Digital twin driven smart manufacturing［M］. Academic Press， 2019.

[37]

王登勇，乐华勇，朱荻.

薄壁回转体表面岛屿状高凸台结构旋印电解加工成形过程研究

［J］. 机械工程学报， 2023， 59（3）： 337-348.

WANG

D Y

， LE

H Y

， ZHU

Investigation of the shaping process of island-like high convex structure on thin-walled revolving part during counter-rotating electrochemical machining

［J］. Journal of Mechanical Engineering， 2023， 59（3）： 337-348 （in Chinese）.

[38]

赵罡，李瑾岳，徐茂程，等.

航空发动机关键装配技术综述与展望

［J］. 航空学报， 2022， 43（10）： 527484．

ZHAO

， LI

J Y

， XU

M C

， et al.

Research status and prospect of key aeroengine assembly technology

［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（10）： 527484 （in Chinese）.

[39]

曹增义，单继东，王昭阳，等.

面向航空发动机制造的数字孪生应用架构探索与实践

［J］. 航空制造技术， 2022， 65（19）： 40-49.

CAO

Z Y

， SHAN

J D

， WANG

Z Y

， et al.

Exploration and practice of digital twin architecture for aero-engine manufacturing

［J］. Aeronautical Manufacturing Technology， 2022， 65（19）： 40-49 （in Chinese）.

[40]

孙惠斌，颜建兴，魏小红，等.

数字孪生驱动的航空发动机装配技术

［J］.中国机械工程， 2020， 31（7）： 833-841.

SUN

H B

， YAN

J X

， WEI

X H

， et al.

Digital twin-driven aero-engine assembly technology

［J］. China Mechanical Engineering， 2020， 31（7）： 833-841 （in Chinese）.

[41]

， ZHOU

， ZHANG

A twin data and knowledge-driven intelligent process planning framework of aviation parts

［J］. International Journal of Production Research， 2022， 60（17）： 5217-5234.

[42]

ZHANG

， SUN

Q C

， SUN

， et al.

A construction method of digital twin model for contact characteristics of assembly interface

［J］. The International Journal of Advanced Manufacturing Technology， 2021， 113： 2685-2699.

[43]

ZHAO

B B

， WANG

Y L

， SUN

Q C

， et al.

Monomer model： an integrated characterization method of geo-metrical deviations for assembly accuracy analysis

［J］. Assembly Automation， 2021， 41（4）： 514-523.

[44]

吴法勇，王维斌，陈雪骑，等.

数字孪生驱动的转子装配及不平衡分布

［J/OL］. 北京航空航天大学学报， .

F Y

， WANG

W B

， CHEN

X Q

， et al.

Rotor assembly and unbalance distribution driven by digital twins

［J/OL］. Journal of Beijing University of Aeronautics and Astronautics，（in Chinese）.

[45]

LEE

W Y

， DAWES

W D

， COULL

J D

The required aerodynamic simulation fidelity to usefully support a gas turbine digital twin for manufacturing

［J］. Journal of the Global Power and Propulsion Society， 2021， 5： 15-27.

[46]

CAI

， ZHU

， ZHANG

Quality deviation control for aircraft using digital twin

［J］. Journal of Computing and Information Science in Engineering， 2021， 21（3）： 031008.

[47]

J Y

， ZHAO

， ZHANG

， et al.

A Digital Twin-based on-site quality assessment method for aero-engine assembly

［J］. Journal of Manufacturing Systems， 2023， 71： 565-580

[48]

石嵩，刘检华，巩浩，等.

考虑粗糙表面接触配合的航空发动机多级转子装配误差传递建模

［J］. 机械工程学报， 2023， 59（17）： 208-219.

SHI

， LIU

J H

， GONG

， et al.

Modeling of error transfer in multistage rotors assembly of aero engine considering rough surface contact

［J］. Journal of Mechanical Engineering， 2023， 59（17）： 208-219 （in Chinese）.

[49]

吴腾云，唐松松.

基于数字孪生的航空发动机工艺设计系统构建方法

［J］.自动化技术与应用， 2024， 43（6）： 69-73.

T Y

， TANG

S S

Construction method of aircraft engine process design system based on digital twin

［J］. Techniques of Automation & Applications， 2024， 43（6）： 69-73 （in Chinese）.

[50]

SCHLEICH

， ANWER

， MATHIE

， et al.

Shaping the digital twin for design and production engineering

［J］. CIRP Annals-Manufacturing Technology， 2017， 66（1）： 141-144.

[51]

SUN

， WANG

， CHEN

， et al.

A tip clearance prediction model for multistage rotors and stators in aero-engines

［J］. Chinese Journal of Aeronautics， 2021， 34（2）： 343–357.

[52]

张譍之，孙惠斌，周平，等.

数字孪生驱动的转静子装配间隙动态预测与调控

［J］. 计算机集成制造系统， 2023， 29（6）： 2035-2046.

ZHANG

Y Z

， SUN

H B

， ZHOU

， et al.

Digital twin-driven dynamic prediction and control method for assembly clearance of multi-stage rotor and stator

［J］. Computer Integrated Manufacturing Systems， 2023， 29（6）： 2035-2046 （in Chinese）.

[53]

SEGALMAN

D J

， GREGORY

D L

， STARR

M J

， et al.

Handbook on dynamics of jointed structures

［R］. Sandia National Laboratories， Albuquerque， 2009： 1028891.

[54]

刘宁，陶智.

旋转状态气膜冷却的大涡模拟

［J］. 北京航空航天大学学报， 2010， 36（5）： 529-533.

LIU

， TAO

Large eddy simulation of film cooling under rotating condition

［J］. Journal of Beijing University of Aeronautics and Astronautics， 2010， 36（5）： 529-533 （in Chinese）.

[55]

葛向东，吴法勇，刘永泉，等.

航空发动机整机振动问题研究方法及工程应用

［J］. 航空学报， 2024， 45（4）： 628353.

X D

， WU

F Y

， LIU

Y Q

， et al.

Research methods for whole aeroengine vibration and their engineering application

［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（4）： 628353 （in Chinese）.

[56]

漆琪，杨吉祥，丁汉.

面向航空发动机复杂机匣深腔测量的机器人位姿优化及关节路径平滑方法

［J］. 机械工程学报， 2023， 59 （15）： 17-27.

， YANG

J X

， DING

Robot pose optimization and joint path smoothing method for aero-engine complex casing deep cavity measurement

［J］. Journal of Mechanical Engineering， 2023， 59（15）： 17-27 （in Chinese）.

[57]

SUN

Q C

， YUAN

， MU

X K

， et al.

Bolt preload measurement based on the acoustoelastic effect using smart piezoelectric bolt

［J］. Smart Materials and Structures， 2019， 28（5）： 055005.

[58]

YUAN

， SUN

Q C

， WANG

X X

， et al.

A novel acoustic model for interface stiffness measurement of dry tribological interface considering geometric dispersion effect and boundary effect

［J］. Tribology International， 2021， 162： 107140.

[59]

X K

， WANG

Y L

， YUAN

， et al.

A new assembly precision prediction method of aeroengine high-pressure rotor system considering manufacturing error and deformation of parts

［J］. Journal of Manufacturing Systems， 2021， 61： 112-124.

[60]

谷振鹏，邓宏武，陶智，等.

旋转状态下叶片前缘复合换热实验

［J］.北京航空航天大学学报， 2011， 37（11）： 1404-1409.

Z P

， DENG

H W

， TAO

， et al.

Experiments of combined heat transfer in leading of blades at rotating state

［J］. Journal of Beijing University of Aeronautics and Astronautic， 2011， 37（11）： 1404-1409 （in Chinese）.

[61]

BOTZ

， EMIROGLU

， OSTERMINSKI

. et al.

Monitoring and modeling of a wind turbine support structure to create a digital twin

［J］. Beton Stahlbetonbau， 2020， 115： 342-354.

[62]

BRANLARD

， JONKMAN

， DANA

， et al.

Digital twin based on OpenFAST linearizations for real-time load and fatigue estimation of land-based turbines

［J］. Journal of Physics： Conference Series， 2020， 1618： 022030.

[63]

ZACCARI

， STENFELT

， ASLANIDOU

， et al.

Fleet monitoring and diagnostics framework based on digital twin of aero-engines

［C］∥Proceedings of the ASME Turbo Expo 2018： Turbomachinery Technical Conference and Exposition， 2018.

[64]

梅英杰，王大伟，孙传智，等.

基于增强现实的航空发动机机匣数字孪生测调系统

［J/OL］. 航空学报， doi： 10.7527/S1000-6893.2023.29462 .

MEI

Y J

， WANG

D W

， SUN

C Z

， et al.

A digital twin testing and adjusting system for aero-engine casings based on augment-ed reality

［J］. Acta Aeronautica et Astronautica Sinica， 10.7527/S1000-6893.2023.29462 （in Chinese）.

[65]

TAO

， ZAHNG

， LIU

， et al.

Digital twin driven prognostics and health management for complex equipment

［J］. CIRP Annals， 2018， 67（1）： 169-172.

[66]

曹建国

航空发动机仿真技术研究现状、挑战和展望

［J］. 推进技术， 2018， 39（5）： 961-970.

CAO

J G

Status， challenges and perspectives of aero-engine simulation technology

［J］. Journal of propulsion technology， 2018， 39（5）： 961-970 （in Chinese）.

[67]

GRIEVES

， VICKERS

Digital twin： Mitigating unpredictable， undesirable emergent behavior in complex systems

［J］. Transdisciplinary Perspectives on Complex Systems： New Findings and Approaches， 2017： 85-113.

[68]

刘魁，王潘，刘婷.

数字孪生在航空发动机运行维护中的应用

［J］. 航空动力， 2019（4）： 70-74.

LIU

， WANG

， LIU

The application of digital twin in aero engine operation and maintenance

［J］. Aerospace Power， 2019（4）： 70-74 （in Chinese）.

[69]

吴雄，彭云龙，张波，等.

基于数字孪生的舰载机发动机健康管理技术

［J］. 航空动力， 2022（4）： 33-36.

， PENG

Y L

， ZHANG

， et al.

Health management technology for carrier based aircraft engines based on digital twins

［J］. Aviation Power， 2022（4）： 33-36 （in Chinese）.

[70]

曹明，黄金泉，周健，等.

民用航空发动机故障诊断与健康管理现状、挑战与机遇-气路、机械和FADEC系统故障诊断与预测

［J］. 航空学报， 2022， 43（9）： 625573.

CAO

， HUANG

J Q

， ZHOU

， et al.

Current status， challenges and opportunities of civil aero engine diagnostics & health management I： Diagnosis and prognosis of engine gas path， mechanical and FADEC

［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625573 （in Chinese）.

[71]

EZHILARASU

C M

， JENNIONS

I K

A system-level failure propagation detectability using ANFIS for an aircraft electrical power system

［J］. Applied Sciences， 2020， 10（8）： 2854.

[72]

PENG

C C

， CHEN

Y H

Digital twins-based online monitoring of TFE-731 turbofan engine using Fast orthogonal search

［J］. IEEE Systems Journal， 2021， 16（2）： 3060-3071.

[73]

王诗彬，王世傲，陈雪峰，等.

可解释性智能监测诊断网络构造及航空发动机整机试车与中介轴承诊断应用

［J］. 机械工程学报， 2024， 60（12）： 90-106.

WANG

S B

， WANG

S A

， CHEN

X F

， et al.

Interpretable network construction for intelligent monitoring and diagnosis， and application in inter-shaft bearing diagnosis while aero-engine test

［J］. Journal of Mechanical Engineering， 2024， 60（12）： 90-106 （in Chinese）.

[74]

STOUMPOS

， THEOTOKATOS

A novel methodology for marine dual fuel engines sensors diagnostics and health management

［J］. International Journal of Engine Research， 2021： 1468087421998635.

[75]

MOSALLAM

， MEDJAHER

， ZERHOUNI

Data-driven prognostic method based on Bayesian approaches for direct remaining useful life prediction

［J］. Journal of Intelligent Manufacturing， 2016， 27（5）： 1037-1048.

[76]

XIONG

， WANG

， FU

， et al.

Digital twin-driven aero-engine intelligent predictive maintenance

［J］. The International Journal of Advanced Manufacturing Technology， 2021， 114（11）： 3751-3761.

[77]

付洋，曹宏瑞，郜伟强，等.

数字孪生驱动的航空发动机涡轮盘剩余寿命预测

［J］. 机械工程学报， 2021， 57（22）： 106-113.

， CAO

H R

， GAO

W Q

， et al.

Digital twin driven remaining useful life prediction for aero-engine turbine discs

［J］. Journal of Mechanical Engineering， 2021， 57（22）： 106-113 （in Chinese）.

[78]

曹明，王鹏，左洪福，等.

民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ：地面综合诊断、寿命管理和智能维护维修决策

［J］. 航空学报， 2022， 43（9）： 625574.

CAO

， WANG

， ZUO

H F

， et al.

Current status， challenges and opportunities of civil aero-engine diagnostics & health management Ⅱ： Comprehensive off-board diagnostics， life management and intelligent condition based MRO

［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625574 （in Chinese）.

[79]

MARTINSSON

， PANAROTTO

， KOKKOLARAS

， et al.

Exploring the potential of digital twin-driven design of aero-engine structures

［J］. Proceedings of the Design Society， 2021， 1： 1521-1528.

[80]

刘蔚然，陶飞，程江峰，等.

数字孪生卫星：概念、关键技术及应用

［J］.计算机集成制造系统， 2020， 26（3）： 565-588.

LIU

W R

， TAO

， CHENG

J F

， et al.

Digital twin satellite： concept， key technologies， and application

［J］. Computer Integrated Manufacturing Systems， 2020， 26（3）： 565-588 （in Chinese）.

[81]

陶飞，张贺，戚庆林，等.

数字孪生模型构建理论及应用

［J］. 计算机集成制造系统， 2021， 27（1）： 1-15.

TAO

， ZHANG

， QI

Q L

， et al.

Theory of digital twin modeling and its application

［J］. Computer Integrated Manufacturing Systems， 2021， 27（1）： 1-15 （in Chinese）.

[82]

TAO

， XIAO

， QI

， et al.

Digital twin modeling

［J］. Journal of Manufacturing Systems， 2024， 64： 372-389.

[83]

ZHANG

， TAO

， HUANG

， et al.

Digital twin data： methods and key technologies

［J］. Digital Twin， 2022， 1： 2.

[84]

TAO

， QI

， LIU

， et al.

Data-driven smart manufacturing

［J］. Journal of Manufacturing Systems， 2018， 48： 157-169.

[85]

TAO

， QI

， NEE AYC， Digital Twin Driven Ser-vice ［M］. Academic Press， 2022.

[86]

陶飞，马昕，戚庆林，等.

数字孪生连接交互理论与关键技术

［J］.计算机集成制造系统， 2023， 29（1）： 1-10.

TAO

， MA

， QI

Q L

， et al.

Theory and key technologies of digital twin connection and interaction

［J］. Computer Integrated Manufacturing Systems， 2023， 29（1）： 1-10 （in Chinese）.

[87]

陶飞，张萌，程江峰，等.

数字孪生车间——一种未来车间运行新模式

［J］. 计算机集成制造系统， 2017， 23（1）： 1-9.

TAO

， ZHANG

， CHENG

J F

， et al.

Digital twin workshop： a new paradigm for future workshop

［J］. Computer Integrated Manufacturing Systems， 2017， 23（1）： 1-9 （in Chinese）.

[88]

陶飞，戚庆林，张萌，等. 数字孪生车间及应用实践［M］. 北京：清华出版社， 2021.

TAO

， QI

Q L

， ZHANG

， et al. Digital twin and its application in shopfloor ［M］. Beijing： Tsinghua University Press， 2021 （in Chinese）.

[89]

Q L

， TAO

， Digital twin and big data towards smart manufacturing and industry

0： 360 degree comparison

［J］. IEEE Access， 2018， 6： 3585-3593.

[90]

陶飞，张辰源，戚庆林，等.

数字孪生成熟度模型

［J］.计算机集成制造系统， 2022， 28（5）： 1267-1281.

TAO

， ZHANG

C Y

， QI

Q L

， et al.

Digital twin maturity model

［J］. Computer Integrated Manufacturing Systems， 2022， 28（5）： 1267-1281 （in Chinese）.