装备数字工程概念与实践思考

数字工程与使命工程一样，都是近些年产生的新概念，但不是新事物。众所周知，工程一词的通识性定义，是将自然科学的原理应用到生产实践中而形成的综合运用方法的总称。这里包含两个核心要素：第一，工程具有一个实践的目标（工件或产品）；第二，工程包含某种应用科学知识和技术手段，从而有组织地通过一群人将某个（或某些）现有实体（自然的或人造的）转化为具有预期使用价值目标的过程。

各种工程概念通常或多或少都体现了上述两个要素。例如：软件工程中产品为软件，隐含手段是各类标准化流程，比如瀑布、螺旋等研发模式；体系工程中产品为体系组成方案或系统之系统，隐含的技术手段包括美国国防部体系架构框架（Department of Defense Architecture Framework， DoDAF）六步法以及体系结构开发方法（Architecture Development Method， ADM）等；“模型驱动的系统工程（Model-Based Systems Engineering， MBSE）”中产品为一个系统，它显式地把模型作为技术手段提出来。但数字工程稍有不同，它把系统的全生命周期各阶段产品作为目标对象，期望用相应的工程手段解决这些产品对象如何开发或得到的问题。

数字工程的载体是数字模型，可以理解为传统系统工程的数字化设计、实现与应用的集合^[1]。而其管理过程则从业务和使命分析流程开始，贯穿用户需求和系统需求分析，进入总体设计、制造与交付，直至最后的运用流程^[2]。数字工程进一步强调，在该过程中用于形成这些目标对象的手段必须具备数字化特征：依托于实体相对应的、经过规范处理的模型。

数字工程不是新事物，它所涉及的内容，其实从美国国防部发布JCIDS^[3]标准以来，就一直是全生命周期装备研制过程的一部分，下面以图1为例进行解析。

图1　美国国防部装备生命周期示意图^[3]

Fig.1　Equipment’s life cycle diagram of DOD

2.1　1个核心：权威真相源

数字工程的核心在于构建一个贯穿系统全生命周期的权威真相源。构建权威真相源的目的是保证每个阶段的设计结果都有来源（或者称为设计过程视图支持），并且各阶段各类模型数据在各类线程任务上都能建立追溯关系，经得起权衡分析和评估。权威真相源的内容包含业务模型（图2模型分类中的绿色部分）和管理模型（图2模型分类中的紫色部分）。其中，管理模型大部分以设计、评审、测试和评估等任务的形式串联存在，用于组织和管理业务模型，所以也被称为“数字线程”，这是1个计算机学科术语，国内的翻译方式也有称数字主线、数字主螺旋等^[9]。但从不同任务特性来看，有的存在于1个阶段内从定性到定量过程中，有的存在于各阶段的追溯影响分析中，笔者认为称其为数字线程更合适，因为这些任务的全部集合相当于系统的完整生命周期，类似于另一个计算机领域的术语“进程”。

权威真相源于使命、体系和系统各阶段的模型是以架构模型为中心的^[10]，由它引出从定性设计到定量验证优化再到方案评估的全过程。其中，使命工程是随数字工程战略^[3]同时发布的新概念。

当然，使命工程也不是新事物，它的实践方法当然也不会是全新的——从进入21世纪以来，它就是装备论证的一部分，尤其是2010—2020年期间，美国国防部和各工业部门（比如洛克希德·马丁和雷神科技等）使用了一种“使命架构框架”^[11-12]，用来对“和谁打什么仗”这样的顶层概念开展设计工作，由使命架构框架构建的模型示例如图3所示。这个“使命架构框架”类似于DoDAF标准^[13]，也分为视角和相关视图，它的大致分类如下。

（1） 使命分类视角：它解决的是联参、军种高中层面向特定粒度的威胁目标和作战对象时，使命和任务的结构化层级分类问题。在美国国防部联合使命线的描述中，我们看到，海陆空三军的通用使命任务清单及军种专属使命任务清单包含五级近万条，其中，前三级可划归为使命，后两级可视为系统。在这个视角内，包括使命分类、使命结构、威胁目标、使命-威胁矩阵及使命能力差距矩阵等视图。

（2） 联合能力定义视角：这一层视角解决的是为完成各层使命所需的联合能力，包括条令、组织、训练、装备、领导、教育、人员、设施和政策几类（简写为DOTMLPF-P）^[14]。从联合能力定义视角，包含联合能力定义、联合能力分解、联合能力流程、联合能力依赖关系及能力-作战节点关联矩阵等视图。

（3） 作战行动筹划视角：这一视角以作战节点为核心，设计跨军种及军种高层的联合行动筹划方式，可以算作第一个视角里使命的具体“作战场景”，是联合能力的具体体现。和DoDAF中的组织元模型要素稍有区别的是，作战节点以高层组织为单位，包含该组织所承担的使命集合、配备的装备信息等。视图通常以活动图、时序图的形式为主，也可以配备状态机图进行仿真验证。

（4） 高层作战概念视角：这是使命架构的最后一个视角，它描述了装备概念（装备的可能形态、名称），以及由它们进行部署所形成的作战意图描述。这个视角通常以静态的高层作战概念图以及与之匹配的作战意图仿真模型为主。从宏观上看，装备概念是体系架构设计的一个输入。

图3　由使命架构框架构建的模型示例

Fig.3　Example of a model built from the Mission Architecture Framework

体系工程和狭义系统工程（装备总体到分系统迭代实践，笔者更愿意称其为总体工程）相对使命工程来说，其方法论和实践都很成熟，只要关注整个的需求-功能-性能-物理（Requirements， Functional， Logical， Physical， RFLP）^[15-16]建模框架即可，详细方法不再赘述。图4为总体设计的过程示意。

图4　系统总体设计的RFLP过程^[15-16]

Fig.4　RFLP process for overall system design

2.2　3类实践

系统设计转型从MBSE的初始阶段进入数字工程的深水区，其设计认知也从早期强调语言、方法和工具，进入与设计领域和业务紧密绑定的3类实践：业务框架选择、建模流程规范定义和模型数据积累。数字工程实施过程的3类实践如图5所示。

图5　数字工程实施过程的3类实践

Fig.5　Three types of practices in the digital engineering implementation process

图6　模型交互数据示意图

Fig.6　Schematic diagram of model interaction data

（2） 建模规范是支持业务框架面向设计任务交付的基础。MBSE经过10余年的实践证明，任何方法论都不可能完全解决特定领域的设计问题，这也是全世界范围内有20余种建模方法论的原因。各类方法论都是根据设计目标的复杂度， 结合领域业务特点给出最佳实践，有自身的适用范围。从数字工程落地的角度，必须根据目标对象的性质选择符合自身的方法论，再进行适当的剪裁、扩展，形成组织自身的建模流程和规范，以保证模型的质量。

（3） 基于模型的设计之所以能够缩短研发周期，主要在于其具有以下两方面的优势^[17]：一是规范化模型在设计内容上的易理解性，所有的设计要素都有过程视图的支持，而视图基于标准领域元模型与建模语言而建立；二是模型的可复用性，当今大部分高端装备都不是颠覆式创新产物，而是在原有系统的基础上进行运用场景扩容或者实现技术换代。无论是进行运用场景扩容，还是实现技术换代都可以基于易理解的模型展开，从而提高设计和评审效率。

2.3　4个步骤

在数字工程转型实践中，需求确认与结果输出一头一尾的任务攻关方式被修正为4个步骤，即需求确认、设计评审、结果测试、需求追溯。

（1） 需求确认：除传统基于文档的评审方式外，需求确认还可以通过基于模型的形式，准确评估需求的正确性、完整性和一致性，以求更加高效。

（2） 设计评审：承接需求展开设计，需要各类视图产品的支持，以捕获功能、指标、接口等元素。评审这些视图的业务逻辑，能够快速找到设计原理的漏洞，尽可能减少认知误差。

（3） 结果测试：当所有过程视图设计评审完成，目标对象的架构结果就生成出来。架构模型是可仿真运行的。无论是基于基础统一建模语言（Foundational Unified Modeling Language，FUML）标准，还是基于对象执行框架（The Object Execution Framework，OXF）标准的仿真，都可以通过运用操作过程、红蓝对抗手段、突发事件及环境变化等场景过程要素定义测试用例，检验模型的正确性。

（4） 需求追溯：模型的设计结果，还可以与上游需求建立条目化的追溯关系，以方便计算需求覆盖率，也可以在需求变更时快速定位影响范围，并及时做好分析。

未来，数字工程将作为新一代装备研制的基石，通过深度融合数据、模型与物理世界，成为提升国防装备竞争力的核心驱动力^[18-19]。它将极大增强工程效率、优化产品质量，并激发前所未有的创新能力，为国防建设及各行各业带来深远而广泛的影响。欧洲航天局发布的《2025年计划和技术战略》^[20]、英国国防部发表的《2022—2025数字和数据计划》^[21]为我们提供了宝贵的参考。数字工程的研究将聚焦于智能模型与仿真优化、多源异构数据融合处理、数字孪生应用、网络安全防护、标准化与互操作性等关键领域，以共同推动一个更加智能、高效、安全的数字工程时代到来。

3.1　智能模型与仿真优化：加速创新，提升效率

智能模型与仿真优化是数字工程的核心，通过将人工智能技术融入传统仿真过程中，可实现更高效、更精准的系统设计与分析。具体实践可以从3个方面展开：（1） 利用历史数据和专家知识，训练机器学习模型，自动构建复杂系统的仿真模型，减少人工建模工作量，提高模型的准确性；（2） 结合遗传算法、神经网络等优化算法，对仿真模型进行参数优化，寻找最佳设计方案，缩短设计周期；（3） 将数字孪生模型与仿真模型紧密结合，实现对物理系统的实时监测和预测，为仿真提供更准确的输入数据，提高仿真结果的可靠性。

3.2　多源异构数据融合处理：实现数据价值最大化

多源异构数据融合处理是数字工程的基础，通过对不同来源、不同格式的数据进行整合和分析，可以获得更全面的系统认知，为决策提供更可靠的依据。例如：使用数据清洗与预处理技术对原始数据进行转换和集成，确保数据的质量和一致性；采用多传感器数据融合、异构数据集成等技术进行数据融合；采用数据驱动决策进行数据挖掘、机器学习等分析，为决策提供支持。

3.3　数字孪生：构建虚拟世界，赋能现实

数字孪生是数字工程的重要应用方向，可通过创建物理系统的虚拟副本实现对物理系统的实时监测、预测和优化。数字孪生的未来重点发展方向包括：建立物理系统的高保真数字模型，包括几何模型、物理模型和行为模型；实现物理系统与数字孪生的实时数据同步，确保数字孪生能够准确反映物理系统的状态；进行虚拟试验，验证设计方案，优化系统性能。

3.4　网络安全防护：保障数字工程的安全可靠运行

网络安全是数字工程面临的重要挑战，随着数字工程的深入发展，网络攻击的风险也随之增加。我们可以从风险评估、安全防护措施、安全监测与响应等方面加以优化：识别数字工程系统中的安全漏洞，评估潜在威胁；采用防火墙、入侵检测系统和加密技术等手段，保护系统安全；实时监控系统运行状态，及时发现并响应安全事件。

3.5　标准化与互操作性：构建统一的数字工程生态

标准化与互操作性是推动数字工程发展的关键，通过建立统一的标准和协议，可以促进不同系统之间的互联互通，实现数据的共享和交换。标准和协议的统一应在3个方面进行落实：（1） 统一的数据格式和交换标准，方便不同系统之间的数据交换。（2） 定义标准化接口，实现不同软件系统之间的互操作。（3） 建立统一的模型表示方法，方便模型共享和复用。

本文发表于《空天防御》2024年第4期，作者：关新平， 张志军， 姜海波， 张婷， 顾智超。点击文末“阅读原文”可至期刊网站下载全文。