陆军合成旅典型装备保障系统数字孪生模型

doi:10.3969/j.issn.1009-086x.2023.01.012

摘要/Abstract

摘要：

陆军合成旅作为陆军新型作战力量，其装备型号多、合成度高，保障问题复杂，对装备“精确保障”的要求越来越高。将数字孪生技术引入装备保障领域，通过对研究对象的分析，廓清研究系统的内涵和外延，掌握系统运行规律。通过构建数字孪生模型框架，从物理维、孪生维、数据维、应用维、连接维5个维度刻画数字孪生模型的结构，明确模型各维度建立的关键技术，探索模型的应用设想，最终构建陆军合成旅典型装备保障系统数字孪生模型，以解决陆军合成旅装备保障面临的复杂问题，为装备“精确保障”目标实现提供方法借鉴。

关键词: 数字孪生, 合成旅, 装备保障, 数据, 仿真, 预测

Abstract:

As a new combat force， the army synthetic brigade has many types of equipment， high degree of integration， and complex support problems. It has higher and higher requirements for "accurate support" of equipment. The digital twin technology is introduced into the field of equipment support. Through the analysis of the research object， the connotation and extension of the research system are outlined， and the operation law of the system is mastered. By constructing the framework of digital twin model， the structure of the digital twin model is described from the five dimensions of physical dimension， twin dimension， data dimension， application dimension and connection dimension， the key technologies for the establishment of each dimension of the model are clarified， the application assumption of the model is explored， and finally the digital twin model of the typical equipment support system of the army synthetic brigade is constructed to solve the complex problems faced by the equipment support of the army synthetic brigade. It provides a method reference for the realization of the goal of "accurate support" of equipment.

Key words: digital twin, synthetic brigade, equipment support, data, simulation, forecast

中图分类号:

TJ07

王帅, 王亚彬, 王金帼, 王茁, 赵建民. 陆军合成旅典型装备保障系统数字孪生模型[J]. 现代防御技术, 2023, 51(1): 96-106.

Shuai WANG, Yabin WANG, Jinguo WANG, Zhuo WANG, Jianmin ZHAO. Digital Twin Model of Typical Equipment Support System of Army Synthetic Brigade[J]. Modern Defense Technology, 2023, 51(1): 96-106.

图/表 11

图1 陆军合成旅装备系统

Fig. 1 Equipment system of army synthetic brigade

图2 某型自行火炮装备系统

Fig. 2 A self-propelled artillery equipment system

图3 装备维修需求判断

Fig. 3 Equipment maintenance demand judgment

图4 各类维修需求比例示意图

Fig. 4 Schematic diagram of proportion of various maintenance requirements

图5 陆军合成旅维修保障系统

Fig. 5 Maintenance support system of army synthetic brigade

图6 维修决策流程

Fig. 6 Maintenance decision process

图7 基于数字孪生的装备维修保障框架

Fig. 7 Equipment maintenance support framework based on digital twin

图8 维修保障系统多智能体模型

Fig. 8 Multi agent model of maintenance support system

图9 典型装备逻辑模型

Fig. 9 Logic model of typical equipment

图10 可更换单元状态模型

Fig. 10 State model of replaceable unit

图11 数据维各类数据

Fig. 11 Data of data dimension

参考文献 18

1	王双川，贾希胜，李锋，等. 基于仿真的合成部队装备维修保障资源需求确定和效能评估［J］. 兵工学报， 2020， 41（8）： 1646-1657.
	WANG Shuangchuan， JIA Xisheng， LI Feng， et al. Resources Demand Determination and Effectiveness Evaluation of Equipment Maintenance Support Based on Simulation for Combined Arms［J］. Acta Armamentarii， 2020， 41（8）： 1646-1657.
2	王蕾，林涛. 新时期下装备维修保障模式研究［J］. 现代防御技术， 2020， 48（5）： 86-91.
	WANG Lei， LIN Tao. Research on Equipment Maintenance Support Mode in the New Period ［J］. Modern Defence Technology， 2020，48（5）： 86-91.
3	WANG S， WANG Y B， WANG J G. Spare Parts Demand Forecasting Method of Modern Enterprises Based on Digital Twin Model［J］. International Journal of Modeling， Simulation， and Scientific Computing， 2022，13（6）： 1-18.
4	王亚彬，王帅，王金帼，等. 基于数字孪生的装备保障关键技术研究综述［J］. 科学技术与工程， 2022，22（28）：12233-12241.
	WANG Yabin， WANG Shuai， WANG Jinguo， et al. Review on Key Technology of Equipment Support Based on Digital Twin［J］. Science Technology and Engineering， 2022，22（28）：12233-12241.
5	王子玲，许爱强，杨智勇. 装备故障诊断和预测技术综述［J］. 火力与指挥控制， 2008，33（S2）： 8-10.
	WANG Ziling， XU Aiqiang， YANG Zhiyong. Survey of the Equipments Fault Diagnosis and Prognosis Techniques ［J］. Fire Control & Command Control， 2008，33（S2）： 8-10.
6	李向前. 复杂装备故障预测与健康管理关键技术研究［D］. 北京：北京理工大学， 2014.
	LI Xiangqian. Research on Key Technology of Fault Prognostic and Health Management for Complex Equipment ［D］. Beijing： Beijing Institute of Technology， 2014.
7	陶飞，戚庆林，王力翚，等. 数字孪生与信息物理系统——比较与联系［J］. 工程（英文）， 2019， 5（4）： 132-149.
	TAO Fei， QI Qinglin， WANG Lihui， et al. Digital Twins and Cyber-Physical Systems toward Smart Manufacturing and Industry 4.0： Correlation and Comparison ［J］. Engineering， 2019， 5（4）： 132-149.
8	GRIEVES M. Digital Twin： Manufacturing Excellence through Virtual Factory Replication［M］. Melbourne： US Florida Institute of Technology， 2014.
9	WANG Y B， WANG S， WANG J G. Digital Twin Model of Equipment Maintenance Management in Modern Enterprises［C］∥The 2021 7th International Conference on Materials， Mechanical Engineering and Automation Technology （MMEAT2021）， Dali， China， 2021， 012088： 1-6.
10	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 Weiran， TAO Fei， CHENG Jiangfeng， et al. Digital Twin Satellite： Concept， Key Technologies and Applications［J］. Computer Integrated Manufacturing Systems， 2020， 26（3）： 565-588.
11	武颖，姚丽亚，熊辉，等. 基于数字孪生技术的复杂产品装配过程质量管控方法［J］. 计算机集成制造系统， 2019， 25（6）： 1568-1575.
	WU Ying， YAO Liya， XIONG Hui， et al. Quality Control Method of Complex Product Assembly Process Based on Digital Twin Technology［J］. Computer Integrated Manufacturing Systems， 2019， 25（6）： 1568-1575.
12	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 Fei， LIU Weiran， ZHANG Meng， et al. Five-Dimension Digital Twin Model and Its Ten Applications［J］. Computer Integrated Manufacturing Systems， 2019， 25（1）： 1-18.
13	丁华，杨亮亮，杨兆建，等. 数字孪生与深度学习融合驱动的采煤机健康状态预测［J］. 中国机械工程， 2020， 31（7）： 815-823.
	DING Hua， YANG Liangliang， YANG Zhaojian， et al. Health Prediction of Shearers Driven by Digital Twin and Deep Learning［J］. China Mechanical Engineering， 2020， 31（7）： 815-823.
14	丛林虎，赵建忠，邓建球. 基于测试数据的导弹状态维修优化决策方法［J］. 现代防御技术， 2019， 47（5）： 127-136.
	CONG Linhu， ZHAO Jianzhong， DENG Jianqiu. Optimal Decision-Making Method of Missile Condition-based Maintenance Based on Test Data ［J］. Modern Defence Technology， 2019， 47（5）： 127-136.
15	高崎. 军械维修器材管理学［M］. 北京：国防工业出版社， 2012.
	GAO Qi. Ordnance Maintenance Equipment Management［M］. Beijing： National Defense Industry Press， 2012.
16	康警予，陈忠，刘延杰，等. 装备保障备件需求预测算法［J］. 现代防御技术， 2020， 48（4）： 102-109.
	KANG Jingyu， CHEN Zhong， LIU Yanjie， et al. Spare Parts Demand Prediction Algorithm for Equipment Support ［J］. Modern Defence Technology， 2020， 48（4）： 102-109.
17	贾琦，杨帆，王铁宁. 基于灰色LS-SVM的装备器材需求预测模型［J］. 兵器装备工程学报， 2021， 42（4）： 170-174.
	JIA Qi， YANG Fan， WANG Tiening. Equipment Demand Forecasting Model Based on Grey LS-SVM ［J］. Journal of Ordnance Equipment Engineering， 2021， 42（4）： 170-174.
18	杨帆，王生凤，王铁宁，等. 基于全过程的备件需求预测综述［J］. 装甲兵工程学院学报， 2018， 32（3）： 25-29.
	YANG Fan， WANG Shengfeng， WANG Tiening， et al. Review on Spare Parts Forecasting Based on Whole Process Management［J］. Journal of Academy of Armored Force Engineering， 2018， 32（3）： 25-29.

[1]	丁文强, 丁浩, 赵志允. 潜艇强机动变深规避鱼雷攻击仿真研究[J]. 现代防御技术, 2024, 52(1): 124-129.
[2]	梁复台, 周焰, 张晨浩, 宋子豪, 赵小瑞. 对抗条件下空中目标威胁评估方法[J]. 现代防御技术, 2024, 52(1): 147-154.
[3]	许冶, 许国胜, 王钰坤, 王刚, 刘景旺, 范伯钧, 吴淼. 无人机折叠翼分步展开机构设计及动力学分析[J]. 现代防御技术, 2024, 52(1): 24-33.
[4]	顾新杨, 张道明, 张勇, 杨健. 基于斜投影滤波的高精度同时极化测量方法[J]. 现代防御技术, 2023, 51(5): 86-92.
[5]	徐煦, 曾芳玲, 卢振耀. 自适应调零接收机抗干扰能力分析及其对抗方法[J]. 现代防御技术, 2023, 51(4): 16-24.
[6]	曾观林, 冯国虎. 水下SINS/DVL组合导航误差抑制综述[J]. 现代防御技术, 2023, 51(4): 25-35.
[7]	李天亮, 高海燕, 申慧君, 王大朋. 基于集总参数模型的电磁轨道炮激励电流仿真[J]. 现代防御技术, 2023, 51(4): 110-115.
[8]	陈雨田, 陈彧欣, 张海礁, 董淑英, 徐璐, 王宇晶, 邱越. 柔性电缆PCB内电层载流量研究与实验验证[J]. 现代防御技术, 2023, 51(2): 14-22.
[9]	赵蒙, 王明宇, 谢连杰, 王健, 乔睿. 弹道导弹及其诱饵的运动特性研究[J]. 现代防御技术, 2023, 51(1): 135-144.
[10]	黄海金, 季焓, 刘骁佳, 杨波, 王宁. 面向售后保障的导弹装备健康管理系统研究[J]. 现代防御技术, 2023, 51(1): 75-85.
[11]	张耀龙, 阮拥军, 赵陆昊, 黄义松, 郭宇荣. 基于可拓云的合成旅装备保障能力评估方法研究[J]. 现代防御技术, 2023, 51(1): 86-95.
[12]	何荧, 万佳庆, 韦姗姗, 胡晓强. 无数据依赖智能技术在机动伴随防空传递对准中的应用[J]. 现代防御技术, 2022, 50(6): 50-58.
[13]	金斌, 王书满, 翟云贺, 李林峰. 基于二维角度测量数据的目标关联方法研究[J]. 现代防御技术, 2022, 50(5): 68-76.
[14]	孙雪琪, 张锐. 基于轨迹跟踪预测的反HTV2中制导研究[J]. 现代防御技术, 2022, 50(4): 62-72.
[15]	刘涛, 李志成, 谢梓铿, 荚周. 基于有限元仿真技术的某型发射车承力部件应力分析[J]. 现代防御技术, 2022, 50(3): 103-108.