0 引言
随着军用工程机械信息化水平的提高和网络技术的发展，大规模工程作业场景下，以辅助决策为目的的军用工程机械的状态监控需求越来越旺盛。现有研究表明，当前工程机械监控系统仍存在显著局限性。战场动态感知方面，邱少明等指出军事物联网中传感器与管理系统独立运行导致数据孤岛的问题[1]；SADEGHIGOL指出合成数据集生成图像与真实战场环境匹配度有限，导致模型在实际应用中出现性能衰减的问题[2]；王登辉指出现有多源数据融合技术计算复杂度高导致实时决策延迟的问题[3]。装备健康评估方面，赵衍指出传统LSTM模型需依赖域迁移学习才能实现跨工况寿命预测、适应性差的问题[4]；DONG等指出现有CNN-LSTM算法可实现实时捕获装备性能退化，但实时监测与战场维修决策的实时联动机制尚未成熟，导致预测价值受限的问题[5]；LIU等指出作业环境下，传感器需低功耗运行，但高精度预测模型的持续计算会加速能源消耗，影响装备续航的问题[6]；多兵种数据整合方面，LI等指出传统二维态势图难以直观展示多维作业信息、可视化技术适配性不足的问题[7]；何清华等指出不同装备采用异构通信协议，导致数据整合需定制化接口，跨平台协议兼容性差的问题[8]；SCHLUSE指出复杂地形动态建模与多源数据融合的问题[9]。
基于上述研究，现有军用工程机械监控系统面临3大技术瓶颈：
1）战场动态感知能力不足，数据孤岛现象严重，传感器与管理系统独立运行，不同装备数据协议兼容性不足。
2）装备健康评估缺乏预测性，影响战时装备可用率，且系统实时响应延迟高，传统系统平均响应时间＞5s。
3）多兵种装备数据异构性强，制约联合作战保障效能，现有系统三维可视化程度低，复杂地形动态建模与多源数据融合仍存在一定难度。
本文针对上述技术瓶颈提出多层级数字孪生架构，集成轻量化建模与多源数据融合技术，实施作业场景动态优化与异常作业情况实时预警，可有效支撑战场工程保障、军事基地建设、野战工事构建等典型军事场景。
1 军用工程机械作业状态监控需求分析
军用工程机械作业具有技术复杂性高、作业环境恶劣多变、安全风险大和对装备依赖性强等特点，缺乏完整状态监控和辅助决策的粗放式管理可能导致军用工程机械作业效率低下和安全隐患等问题。因此，如何将数字孪生技术与可视化技术结合起来，实现军用工程机械作业全方位实时状态监控、装备数据有效采集、提高作业效率、预测性分析与动态调度优化等成为研究的热点问题。现有研究在实时监测方面已有一定成果，但针对复杂环境下的作业预测与自适应调整仍存在技术空白，通过广泛调研，军用工程机械作业状态监控平台应用需求体现在以下几个方面：
1）作业态势可视化。能够显示虚拟的作业场景以及仿真的工程机械模型，并能通过采集的实际作业数据实现模型的驱动，真实模拟机械的作业状态，便于指挥员掌握整体作业态势。
2）作业任务可视化。能够进一步显示单个机械的机型、操作手等基本信息，以及作业内容、进程等状态信息，并能查询到机械作业的历史轨迹，便于掌握单个机械的作业量。
3）作业调度指令下达。在机械作业进度不够理想时，需依托作业现场的无线通信系统对特定机械进行调度指令的下达。
基于上述要求，本文基于数字孪生技术、可视化技术等，构建了基于数字孪生的军用工程机械作业状态监控平台，以虚拟模型代替物理实体，并使用智能车载终端T-Box（telematics box）采集军用工程机械作业时的运行数据，通过虚实交互设计，实现军用工程机械作业全方位实时监控、状态监控、作业状态信息数据分析、任务优化和实时可视化等功能。
2 基于数字孪生的军用工程机械作业状态监控平台总体设计
基于数字孪生的军用工程机械作业状态监控平台包括设备层、边缘层、基础云、平台层、数据层、应用层6个部分。体系架构如图1所示，各层具体含义如下：
1）设备层。分为作业装备、感知设备集群和控制终端，是作业装备、数据采集设备的集合，是数字孪生数据采集的源头，也是数字孪生虚实映射的本源。
2）边缘层。主要包括边缘计算节点、协议转换模块和本地缓存池，负责和军用工程机械进行交互控制。
3）基础云。包括云基础设施、数据服务和通信服务，负责装备端与云端的数据传输、实时计算、数据缓存、流水数据存储、指令下发、消息推送等功能。
4）平台层。包括核心服务层、智能分析层和接入管理层，主要实现网络接入、数据中台、图像识别、接入解析、大数据存储等功能。
5）数据层。包括分析引擎、知识库和仿真环境，主要控制数据的流转和输入输出，保证内外基础数据、基础服务的交互。
6）应用层。主要负责作业进程管理工作，包含作业全景监控中心、装备健康管理中心、资源调度优化中心、安全风险管控中心和决策支持服务中心等5项主要功能。
3 基于数字孪生的军用工程机械作业状态监控平台功能设计
平台应满足军用工程机械作业过程中任务、装备、人员资源和数据处理与分析决策要求，其主要功能划分如图2所示。
1）实时监测与数据管理。基于数字孪生数据流闭环模型（物理层-边缘层-云端），本文通过CAN总线与RTK定位技术实现物理实体与孪生体的双向映射，物理层传感器数据经边缘计算节点预处理后，通过轻量化MQTT协议上传至云端，形成“采集-清洗-存储-反馈”闭环，确保数据实时同步，并根据指挥员要求的采样频率通过北斗卫星终端发送至指挥系统，为指挥员进行任务决策和调度指挥提供依据。平台结合孤立森林算法与KNN插值法进行异常值剔除与缺失值填补，相较传统阈值法，孤立森林算法通过递归分割策略实现异常检测F1-score提升，有效降低误报率，如表1所示。
2）三维可视化与智能监控。平台采用“动态渲染引擎+轻量化建模”混合架构，通过LOD（level of detail）技术动态调整地形模型分辨率，在无人机倾斜摄影数据基础上，降低复杂场景的渲染负载，相较传统二维态势图，三维模型提供多视角可视化监控，嵌入电子围栏与违规操作识别功能，指挥员可通过视角切换实时感知作业场景动态，通过“机理-物理-数字”三维孪生体，实现机械动力学模型与实时数据的动态耦合，异常事件实时推送至指挥系统，报警响应延迟＜1s，如表2所示。
3）机械健康与故障预警。融合Simulink机理模型与传感器数据，动态监测机械振动频谱、液压油温等关键指标，识别早期性能退化。基于LSTM时序预测模型实现多级故障预警，并结合历史数据自动生成修理工单与备件需求，优化维护周期后非计划停机率降低，如表3所示。
4）数据分析与决策优化。通过关联机械油耗、工时与作业量数据，指导机械优化配置，提升作业效率。实时汇总燃油、维修等成本，基于数字孪生模型仿真不同作业方案，指挥员结合虚拟环境中的人、装备及其状态和作业数据进行综合决策，如表4所示。
5）作业综合管理。根据平台整合机械全生命周期数据优化资源配置，基于电子围栏与作业时长统计生成驾驶员作业量报表，通过甘特图与里程碑预警等方式实时监控作业进度，如表5所示。
6）作业预测与动态调度。通过融合时序预测与多目标优化技术，构建覆盖作业进度预测、资源动态分配及调度指令生成的闭环管理体系。基于历史数据与实时工况，实现作业完成时间的高精度预测，并结合约束条件生成最优资源调度方案，通过数字孪生虚实交互验证策略可行性，为复杂环境下的决策提供实时、可靠的技术支撑，如表6所示。
4 平台构建关键技术
根据平台总体架构和功能设计，平台构建关键技术主要包括复杂场景地形快速建模技术，军用工程机械设备数字孪生体构建技术，数据采集与处理技术，状态数据三维可视化监控技术4个部分。
4.1 复杂场景地形快速建模技术
本平台主要采用倾斜摄影技术来获取地形图片，倾斜摄影技术是国际摄影测量领域近10年发展起来的一项高新技术，该技术通过从1个垂直、4个倾斜、5个不同的视角同步采集影像，获取到丰富的目标顶面及侧视的高分辨率纹理[10]。平台在地形建模过程中，主要使用无人机低空飞行方式，利用机载多镜头数码相机获取多方位、高分辨率的测区地面影像数据[11]，将影像数据输入到三维建模软件中进行处理，软件通过识别和匹配影像中的特征点，将多张影像照片拼接成一张无缝的正射影像图，消除地形起伏带来的视角差异，在正射影像图的基础上，结合地形的高程数据，构建出地形的基础三维模型，将简单模型的光照、纹理、阴影等视觉效果进行渲染处理，最终生成地形三维模型，如图3所示。
在动态作业场景中，地形变化具有时空连续性特征，为实现平台地形模型的实时更新，平台使用基于增量式建模与多源数据融合的实时计算方法，设地形模型在时刻t的状态为Mt=(Vt,Ft,Tt)，其中，Vt为顶点坐标集合，Ft为三角面片集合，Tt为映射矩阵。当获取到增量影像数据集ΔIt+1={I1,I2,...,In}时，实时更新过程遵循以下计算步骤：
Step 1 变化区域检测。采用改进的YOLOv5算法进行多时相影像差异分析，定义像素级变化差异度：
算法进行局部三维重建：
式中，R为旋转矩阵，T为平移向量，π( )为相机投影函数，Xp为三维点坐标，xp为影像观测坐标。
Step 2 动态网格融合。采用自适应泊松曲面重建算法实现新旧网格的平滑过渡：
式中，f为更新后的标量场；V为梯度场；λ=0.3为平滑系数，相比较传统静态建模，增量式建模在动态地形更新中减少了计算耗时，针对复杂电磁环境，无人机采用多频段通信冗余设计，在2.4 GHz和5.8 GHz双频间切换，实现抗干扰地形数据采集。
4.2 军用工程机械数字孪生体构建技术
为构建高精度映射的数字孪生模型，将军用工程机械数字孪生体构建分为几何模型建立、物理模型建立和数字模型建立等3个部分，建模内容如图4所示。
1）几何模型建立。军用工程机械数字孪生体几何模型的属性包括几何属性、物理属性、行为属性和运动逻辑属性。几何属性包括机械的各部分零件尺寸、位置及装配关系等参数，可在建模软件（如catia、creo、solidworks、UG等）中进行构建。军用工程机械数字孪生模型的物理模型构建方法如图5所示。
使用Creo软件构建机械关键零件的三维造型，并以1∶1的比例还原零件的真实尺寸和形状，装配成整体，对模型进行初步渲染，再次将模型导入到模型渲染软件中，对模型进行动态简化，在仿真引擎中实现动态加载，丰富运动模型，使实体与模型一一对应，形成工程机械的数字孪生几何模型。
2）物理模型建立。军用工程机械数字孪生体物理模型的属性包括因果关系属性、数学关系属性和功能逻辑属性，可在Simulink等工程仿真和分析软件中构建。因果关系属性包含军用工程机械各零部件之间相互影响的因素。数学关系属性涉及众多物理量之间的数学公式。功能逻辑属性描述的是军用工程机械各个部件如何协同工作以实现整体的功能。基于标准化架构，提出“几何-物理-行为”三域耦合框架，通过Simulink软件实现系统动力学模型，公式为：
式中，Kp为比例系数，C为阻尼系数。
3）数字模型建立。军用工程机械数字孪生体数字模型的属性包括数据结构属性、数据交互属性和仿真属性。数据结构属性包含军用工程机械各个部件相关的参数数据组织形式。数据交互属性涉及不同部件之间数据的传输方式和交互协议。仿真属性表示数字模型如何进行动态模拟，这一属性需要借助计算机辅助工程（CAE）软件，如Simulink等，根据机械的实际运动规律建立相应的数学模型，将各个部件的数学模型组合起来，并设置合理的输入输出条件，同时，还需要对模型进行验证和校准，通过与实际机械操作的实验数据对比，调整模型中的参数直到仿真结果与实际情况相符。
4.3 数据采集与处理技术
军用工程机械作业中采集的数据量较大，数据类型也不一样，给数据处理带来一定的困难，需要使用有效的数据采集方法，并规范规定统一的通信协议，可实现作业过程中数据的处理，进一步实现互联互通。
针对机械数据处理等问题，本文基于CAN总线原理和RTK实时定位技术进行数据采集，利用本地云进行数据传输，进行数据清洗，根据数据类型不同存储至不同数据库，并进行分析，数据服务架构如图6所示。
4.3.1 网络通信与数据传输
每台机械设备均安装智能车载终端T-Box，以及定位天线RTK（real time kinematic）。利用CAN总线技术实时采集军用工程机械的关键运行数据，智能车载终端T-Box内置高速CAN总线收发器，其通信频率设置为500 KHz，帧间隔≤10 ms，数据采集周期50 ms，通过SAE-J1939协议与军用工程机械上的电子控制单元（ECU）进行通信，获取数据，并将数据上传至状态监控平台，进行进一步的分析处理，针对多兵种异构协议问题，设计“协议转换中间件”，通过轻量化解析，将SAE-J1939、Modbus等协议统一转换为MQTT，计算复杂度降低。
4.3.2 数据清洗
在数据采集过程中，往往包含噪声、缺失值、异常值和重复数据等问题，为了确保数据的质量和准确性，数据清洗是必不可少的环节，一般采用下列数据清洗的步骤：
Step 1 在数据采集阶段，采用孤立森林算法（isolation forest）检测异常值，经探索验证，当设置子样本数ψ=256、树深度d=8时，异常检测F1-score达到最大值，因此，选择这组数据，对加速度传感器数据中超出3σ范围（μ±3σ）的离群点进行剔除，缺失值通过线性插值法填补，插值公式为：
式中，x(t)为在时间t处的插值结果，x(ti-1)和x(ti+1)为已知的离散数据点，分别对应时间ti-1和ti+1处的值， （ti+1-ti-1）为两个已知时间点之间的时间间隔。(tti-1)为待插值时间t与前一已知时间点ti-1的时间差。
高频噪声采用巴特沃斯低通滤波器（截止频率fc=50 Hz，阶数n=4）进行抑制。
Step 2 使用统计方法（如均值、中位数、众数等）来处理缺失值。
Step 3 采用基于局部离群因子算法（LOF，k= 10）的异常值检测算法，将阈值λ设定为1.5，缺失值处理使用KNN插值法（k=5，权重=距离倒数），并通过Shapiro-Wilk检验（α=0.05）验证数据分布一致性。
Step 4 建立数据验证规则，确保数据符合预期的格式和范围。
通过引入数据清洗技术，可以有效提高数据的质量，确保后续的数据分析和处理结果的准确性和可靠性。
4.3.3 数据存储与分析
获取到的数据根据TCP自定义协议报送至状态监控平台，平台接入数据后，首先使用CK数据库将报文形式的数据接入，而后将TCP16进制的数据解析成所需的Json串格式，接着进行路由分发，根据数据属性不同，执行不同的数据存储策略，为实现高并发数据处理（峰值QPS＞5 000），平台采用多数据库协同架构：业务数据（MySQL，ACID数据库进行支持）、时序数据（CK数据库，压缩率＞80%）、分析数据（Hive，支持PB级存储），将解析完的数据分发到不同的数据库中存储。
4.4 状态数据三维可视化技术
在军用工程机械作业过程中，状态监控平台对整个作业进行全局控制，并通过互联网与现场机械设备、控制器和传感器进行连接和通信，构成整个作业数据和信号的传输过程。在作业过程中，平台自动呈现所有机械工作状态、实时信息、定位信息、油耗等，能远程、实时把控所有机械运行信息，便于指挥员能准确了解机械运行情况。期间驾驶员如出现违规操作，平台将实时报警，协助现场指挥员直接处理，保证作业安全。采用WebGL+GPU加速技术，实现轻量化Web端渲染，对比Unity引擎，内存占用少，支持多终端同步监控。
4.5 作业预测与优化调度技术
为提升不同环境下的工程机械作业适应性，平台引入LSTM（长短期记忆网络）与NSGA-II（非支配排序遗传算法）技术：
1）LSTM预测模型：输入历史作业数据与实时传感器数据，通过门控机制捕捉时序特征，预测未来作业进度与潜在故障点，公式为：yt=σ(Wfxt+Ufht-1+bf)
式中，ht代表当前时间步t的隐藏状态，用于传递时序信息；σ代表Sigmoid激活函数，将输出压缩至（0，1）区间，实现门控信号的生成；Wf代表输入数据xt的权重矩阵，用于线性变换当前输入特征；xt代表当前时间步的输入数据，代表传感器采集的实时作业参数；Uf代表前一时间步隐藏状态的权重矩阵，用于关联历史时序信息；bf代表偏置项，调整模型的拟合能力。
2）NSGA-II多目标优化：以作业效率、能耗、安全风险为优化目标，生成帕累托最优解集，动态调整机械调度策略，目标函数为：
min{f1(能耗),f2(工时)，f3(风险)}
式中，min表示对多个目标函数同时进行最小化，旨在寻找最优帕累托最优解集；f1(能耗)定义为作业过程中工程机械或系统的总能量消耗，需最小化以降低资源浪费；f2(工时)定义为完成任务所需的累计工时，需最小化以提高作业效率；f3(风险)定义为作业过程中潜在危险的综合量化指标，需最小化以保障作业安全。
通过虚实交互反馈机制，预测结果实时驱动数字孪生模型仿真验证，确保调度指令的可行性。
5 平台的应用
5.1 平台应用基本流程
在军用工程机械作业状态监控平台中，平台获取实时数据驱动完成对军用工程机械作业过程的映射，平台信息服务对作业数据和信息进行分析、计算、评估、优化及实时可视化等。平台关键运行流程如图7所示。
运行流程的基本步骤如下：
Step 1 建立场景地形三维模型。使用无人机对场景地形进行拍摄，在建模软件（如大疆智图、CC、重构大师、pix4d等）中进行拼接和渲染，形成场景地形的三维模型。
Step 2 建立工程机械三维模型。根据工程机械各部位零件的几何尺寸，在建模软件（如Catia、Creo、SolidWorks、UG等）中进行1∶1高精度的建模和装配，并对建立的模型进行初步渲染。
Step 3 工程机械模型的二次建模。将软件中建立好的模型导入到模型渲染和制作软件（3Dmax）中，采用LOD（Level of Detail）技术对模型进行动态简化，距离视点＞50 m时，网格面片数降低至原模型的30%（误差＜2 mm），丰富运动模型，并编写代码实现模型的运动由代码控制。
Step 4 数据获取。通过智能车载终端T-Box采集军用工程机械发动机运行时的数据，如发动机转速、油压、电压等，通过RTK定位天线获取军用工程机械的位置信息。
Step 5 数据传输。将智能车载终端T-Box和RTK定位天线采集到的发动机运行数据以及机械定位信息传送至状态监控平台。
Step 6 建立模型对应关系。将军用工程机械三维模型与相应军用工程机械建立对应关系，首次接入平台的军用工程机械，平台向智能车载终端T-Box发送通信唯一标识码，将标识码与机械序列号相对应录入平台中，完成模型与军用工程机械的一一对应关系。
Step 7 作业状态信息可视化。以状态监控平台作为信息可视化的显示端，将军用工程机械作业状态实时数据、驾驶员信息以及位置信息等进行实时可视化展示。
Step 8 数据存储。使用了多种不同类型的数据库，如CK、MySQL，Hive，Redis，将军用工程机械中采集到的数据按照数据属性不同，存储到不同的数据库中，有助于随时查询以及出现故障后的信息溯源。
Step 9 数据调用。平台将上传的数据进行解析，并再次上传至云端，当平台需要某些数据时，可直接从云端进行调用和进一步处理。
Step 10 远程监管。平台将军用工程机械运行数据和位置信息同步上传至计算机端，指挥员可在计算机端登录相应网址，实现军用工程机械作业状态的同步远程监管。
5.2 平台工程应用案例
军用工程机械远程实时监控即实现计算机端对军用工程机械作业情况的实时监控，通过状态监控平台可实现对军用工程机械的远程在线指令下达。借助基于作业状态监控平台架构及功能设计的工程机械指挥控制监控平台，验证作业状态监控平台实际运行效果，产品形态如图8所示。将智能车载终端T-Box获取的各设备数据上传至该监控平台，通过登录网页界面的形式进行远程在线监控。
通过作业状态监控平台，将军用工程机械数字孪生模型、倾斜摄影地形模型融入空间地图中，实现数字孪生模型与地理信息数据融合，达到真实场景还原的效果。
通过调研，大部分作业现场机械维修台账一般由统计人员每日汇总，制作报表进行数据分析，统计任务重，容易造成缺项漏项，部分维修配件去向追溯难。使用状态监控平台进行管理，维修数据由平台汇总，维修配件去向自动归纳，做到精准化管理，如图9所示，左边部分为传统人工台账，而右边则显示平台自动统计结果，为实时更新。
平台自动呈现所有机械工作状态、实时信息、定位信息等，实时监控所有机械运行信息，当军用工程机械出现异常情况，如超速、怠速过长、水温异常等，或驾驶员出现违规操作情况时，平台会自动报警，现场指挥员直接处理，如图10所示。
在作业区域连续测试中，平台对机械故障预警准确率达95.2%（置信区间93.5%～96.8%），通过单因素方差分析（ANOVA，α=0.05），平台应用后故障停机时长从均值4.2 h/周降至1.7 h/周（F=6.32，p＜0.01），故障响应时间、定位精度、数据吞吐量实验数据对比如表7所示。
6 结论
针对军用工程机械作业状态实时监控与虚实映射的精准管理需求，系统研究了数字孪生技术、三维可视化建模技术及多源异构数据智能采集技术，构建了具有虚实交互特征的军用工程机械作业状态监控平台。通过融合设备运行参数、环境感知数据与三维空间信息，该平台实现了工程机械全生命周期数据的动态映射与可视化呈现，完成了对军用工程机械集群作业的实时状态监测与作业效能分析。实际应用表明，平台通过融合预测模型与优化算法，实现作业进度预测误差降低、资源调度效率提升，同时将机械故障响应效率提升79.3%，验证了数字孪生技术在复杂作业场景中的全生命周期管理能力，为联合作战中的工程保障提供了分钟级响应能力。该研究成果为数字孪生技术在军事工程领域的深入应用提供了有益探索，为我军智能化战场工程建设提供了一种可行的技术方案。