数字化转型是发动机燃烧试验发展的明确方向，其将在试验能力提升、台架健康管理、数据分析挖掘以及全流程业务管理方面发挥关键作用。其中，多层级、多专业、跨领域复杂系统建模，基于物理信息神经网络的燃烧室建模，以及集成化的数字试验平台建设是未来研究的重点。

航空发动机作为技术密集型产品，机理复杂、可靠性要求高、研制难度大，在其探索研制和成熟发展的整个过程中，试验验证始终发挥着至关重要的作用。未来发动机产品指标不断攀升、整体方案愈加复杂、研制周期不断缩短，对试验与测试能力提出了更高的要求。其中，作为发动机试验体系中周期长、耗费大、风险高的典型科目，燃烧试验尤其面临着严峻的技术和能力挑战。同时，以数字孪生、虚拟/增强/混合现实、人工智能、云边协同、大数据、高精度建模仿真等为代表的数字化技术不断发展成熟，并作为第四次工业革命的核心驱动要素在各领域得到快速应用。引入数字化、智能化技术，构建物理试验与虚拟试验相互支撑的体系格局^[1-2]，有望成为解决目前航空发动机试验验证系列难题的有效途径，近年来也得到试验工程师们越来越多的关注。

数字化技术在发动机试验领域的应用进展

美国国防部自2015年起开展数字工程论证与路线制定研究工作，并于2018年正式发布《数字工程战略》^[3]。数字工程是系统工程的数字化演变，以权威的模型源和数据源为基础，通过数字主线进行跨阶段、跨学科、跨领域的集成与传递，实现产品从概念开发到报废处置全生命周期内的工程实践数字化，其主体技术包括数字系统模型、数字主线和数字孪生。近年来，数字化转型已成为美国工业部门和发动机相关研究机构的优先发展战略之一。GE航空航天公司使用超级计算机Frontier进行可持续发动机革命性验证（RISE）项目开式转子发动机的仿真试验，获取全尺寸开式转子的气流运动特性，利用该平台可对新发动机在飞行试验状态下的性能和噪声水平进行评估。此外，GE航空航天公司还在GE9X发动机研发过程中引入新的测试理念和验证流程，基于Predix工业云平台为14台发动机创建数字孪生体，可获取给定测试环境或飞行周期内发动机各部件的变化及具体影响。

俄罗斯于2021年发布了首个产品数字孪生标准，即《航空发动机及地面燃气轮机数字孪生通用标准》，并给出了产品数字模型、虚拟试验与虚拟试验台等概念的定义^[5]。2019年，俄罗斯克里莫夫公司基于TV7-117ST-01发动机数字孪生项目，使用CML-BenchTM 数字平台为新的设计范例生成数据阵列，并开发出一系列与鉴定系统集成一体的仿真试车台和试验场，可实现对发动机方案的全天候自动化测试验证及结果分析，从而支撑设计决策^[6]。2023年，俄罗斯联合发动机制造集团（UEC）土星科研生产联合体宣布完成舰用燃气轮机数字技术开发项目，该项目开发了6款软件、380多个燃气轮机系统和单元数学模型，进行了2000余次虚拟测试，相应成果可大幅减少后续新产品研发的时间和成本。此外，土星科研生产联合体依托PD-8航空发动机项目推进实施创新数字认证策略，通过数字测试确认PD-8发动机在各种气候条件下的性能，并评估其在吸入异物时的可靠性和安全性，通过提交相应虚拟测试结果加速其认证过程。2024年5月，UEC彼尔姆航空发动机公司成功将人工智能技术运用到发动机风扇叶片试验中，采用智能视觉方法对风扇工作叶片双锁结构元件的静强度试验和循环寿命试验结果进行分析，并建立神经网络模型，通过试验图像结果确定发动机叶片的振型，有效节省了人工成本。

在其他欧洲国家，法国武器装备总署（DGA）与虚拟样机开发商ESI公司合作开发了发动机虚拟试验平台SIMATMOS，可实现对虚拟发动机在真实飞行条件下的运行情况和性能进行预测，同时，通过对物理试验平台的虚拟化也可以支撑对平台本身的性能预测，实现智能化维护以及智能培训。2021年，英国罗罗公司历时3年建成全球最大的发动机智能试车台——80号台，为“超扇”（UltraFan）发动机研发提供服务。80号台具备高度的自动化、可视化、集成性和可扩展性，同时内嵌强大的数据采集系统，涵盖1万余个发动机参数，样本采集速率达每秒20万个，且数据可实时传输至云端^[7]。在云端，罗罗公司的工程师可综合利用设计、试验和实时运行数据，通过虚拟数字孪生平台对物理试验无法实现的运行场景进行模拟仿真，实现性能预测。

相较于上述国家，我国航空发动机试验领域在自动化、信息化和数字化方面起步较晚，整体尚处于夯实基础、探索实践阶段。其中，吴峰对发动机高空台虚拟试验的关键技术难点进行了梳理，对高空台试验数字化转型的总体思路进行了规划^[8]；蔡衍对多型整机台的自动化试车实践进展开展梳理，并对智能化试车的后续发展方向进行了展望^[9]；张志博对数字孪生技术应用于压气机的方法路径和关键技术进行了探讨，提出未来压气机试验虚实结合的总体框架[^10]。虽然研究对象和技术路径各有差异，但学者们的结论基本一致，即试验领域的数字化转型是缩短研制周期、降低试验成本、大幅度提升试验效能的关键途径，数字化、智能化技术的应用必将带来发动机试验验证体系的整体革新。

发动机燃烧试验的难点与挑战

随着航空发动机研制的不断深入，燃烧试验指标要求愈加严苛，工艺复杂性与试验成本成倍增加，传统燃烧试验面临前所未有的难题，主要体现在以下3个方面。

第一，产品研制需求与试验能力不足之间的矛盾。未来发动机推力、涡轮前温度等指标的不断提升，对燃烧试验台架的指标要求越来越高。而受工业加温能力、综合热防护技术等的制约，试验台能力边界有限，无法满足更高进口温度、压力条件以及更准确流场模拟等的要求。同时，国内燃烧台架的自动化水平普遍偏低、测试能力不足，难以支撑复杂燃烧设计方案对测试采集与控制功能的新需求，如过渡态规律精准调控、高时空分辨率信息获取、超高温测试等。此外，燃烧试验数据类型繁多、信息量大，数据管理、分析与价值挖掘也存在不足。

第二，低碳、高效发展带来的降本增效挑战。当前，燃烧室部件仍主要遵循“设计—验证—筛选—优化—再验证”的研制模式反复迭代，方案收敛周期长，虽然近年来在设计仿真能力方面有较大进步，但物理试验需求仍旧广泛。此外，燃烧试验外部供给能力需求大，热端部件及工装加工成本高，产品验证科目多，管理对象与试验流程复杂，一系列因素奠定了燃烧试验高能耗、高成本的典型特征。在低碳发展的整体趋势下，燃烧试验的效能提升变得尤为迫切。

第三，燃烧试验可靠性和设备运维的难点问题。燃烧试验台架系统构成复杂，试验特有的高温、高压、高热负荷、强振动环境带来严苛的安全性、可靠性考验；新型燃烧方案带来试验模拟指标和工艺复杂性的提升，同时产品长航时考核验证的需求凸显，而试验方案评估手段的缺失、试验过程即时监控与告警功能的不足，以及对人员技能经验严重依赖的现状等进一步加剧试验故障的发生概率。

借鉴数字化技术在复杂工程和试验领域的应用经验，以发动机燃烧试验自动化、信息化水平提升为基础，积极引入虚拟与物理试验相结合、相补充的体系模式，逐步实现试验全周期、全业务领域的数字化转型，有望使得上述一系列问题迎刃而解。

燃烧试验的典型数字业务场景

虚实结合拓展燃烧试验验证能力

基于数字孪生技术，构建燃烧试验台、试验件、测试设备以及试验流程等的数字化模型，形成对物理试验系统的数字虚拟环境映射，具备开展虚拟燃烧试验、进行设计方案验证和性能预测的功能。同时，以数据为桥梁，结合全域数据采集和信息化技术，实现虚拟系统与物理系统的互联互通。通过实测与预测数据的对比分析，利用模型的自学习功能，进行燃烧试验件模型、设备模型等的迭代完善，不断提高模型的可靠性与泛化能力，提升虚拟试验的预测精度，实现由以虚仿实向以虚预实、以虚优实的成熟发展。

虚拟试验支持燃烧部件试验由传统的串行研制模式逐步向基于知识和模型的预测研制模式转变，可实现多个燃烧设计方案的快速比对筛选并提出优化方向，实现对物理试验的补充与部分替代，解决燃烧试验项目成本高、周期长的问题；同时，虚拟试验可以突破实物台架的能力局限，实现对超高温、超高压、超大进气流量等极端试验工况下的燃烧性能预测，摸边探底、拓展试验能力；针对复杂试验方案如燃烧振荡激励与抑制、过渡态调节、非均匀场测试布局等，可通过提前开展虚拟试验进行方案验证，并结合优化算法等完善方案，提高试验成功率；虚拟试验和物理试验的同步运行则可实现对试验件性能的实时预测，辅助试验过程智能决策，如燃烧室热区精准捕捉、试验件寿命预判、振荡预测及规避、超温烧蚀风险预警等。

设备智能运维提高试验效能

燃烧试验台通常包括进气及加温系统、多介质冷却系统、燃料供给系统等多组管网，包含大功率加温器、引射器、低温气波机等大型非标工业设备，控制逻辑复杂，通过提升设备的自动化基础能力并融入人工智能算法可实现对试验目标状态的智能化调节与控制，利用试验台数字孪生体可对试验流程、设备操作等进行仿真推演和自主寻优，结合人机交互技术还可以开展智能培训。

运用传感技术，辅以强大的实时数据采集和可视化监测功能，可支持对试验台全面深入的状态感知，对试验过程开展有效的监控和动态评估。针对燃烧试验多种典型故障模式，如密封失效、振动超限、超温、热烧蚀等情况，运用卷积神经网络、支持向量机等图像识别技术，结合大量的历史运行数据，通过智能学习形成故障模式库，在试验过程中即可对获取的监视图像、数据等进行判别，实现故障自主诊断和及时预警。此外，基于数字孪生试验台的健康管理系统，借助大数据、趋势变化分析、统计与概率型决策技术等，可开展试验设备的自动化检测、使用寿命评估、预防性维护策略及故障维修方案的制订，推动燃烧试验台向自诊断、自预测、自维护的方向发展，全面提升设备整体效能。

试验数据深度分析挖掘

燃烧试验数据种类庞杂，通常涵盖试验件属性参数、测试参数、试验台配置参数、实时运行参数、环境监测参数等在内的数千个不同类型的数据，且以非结构化和半结构化为主，具有多源、异构、多维、隐性关联等特征，同时产生的样本量巨大。利用信息化技术和专业的数据平台系统，可实现对燃烧试验数据的结构化存储、数据治理、分析和可视化展示，提升数据的实时高效流通、交互共享能力，支撑远程试验、远程指挥等功能。

燃烧试验关注的核心对象是燃烧室试验件内部的燃烧化学反应，其中包含极为复杂的气流扰动、燃油雾化、多相掺混、燃烧释热、传热传质、压力/速度脉动、燃烧不稳定过程，其数据结果分析通常需要深厚的专业基础与工程经验。近年来，得益于光学诊断、热声测试等先进测试技术的发展应用，试验所获取的信息量呈指数增长，随之而来的急迫需求就是对数据信息的进一步解读，而这些工作通常需要专业技术人员付出大量的时间和精力。利用图像特征提取、统计分析以及深度学习智能算法等技术，可以开展对燃烧试验数据的进一步分析挖掘，发现不同结构、不同尺度间数据的隐性关系，如热声不稳定与燃烧组织结构之间的关联关系、火核迁移/涡团扰动等对点熄火边界的影响等，实现对燃烧机理更为深入的认识，为设计改进改型提供有力支持。此外，结合人工智能算法，还可以实现对试验数据的扩充、局部失效数据的修复，以及数据的趋势分析与预测，在燃烧试验领域具有广阔的应用前景。

试验全周期、全流程信息化管控

燃烧试验技术及管理的复杂度不断提升，同时项目周期不断压缩、成本控制愈加严格，数字化技术在项目全生命周期管理中的作用逐渐凸显。通过设计仿真系统、虚/实试验管理系统、设备运维系统、模型与数据库系统等多系统的连通和融合，可以实现燃烧设计需求与试验业务的紧密协同，提升试验整体策划的科学性与系统性；支持试验业务的标准化管理与实施，实现试验方案设计、流程组织、调度运行、过程操作、数据采集与分析、结果评估与优化，以及台架管理等全过程的网络化、可视化与智能化；促进模型与数据的进一步流通共享，支持需求与任务的结构化，实现试验方案、执行文件、结果报告等的自动化生成，减少重复劳动及人工投入。

燃烧试验数字化/智能化的关键与难点技术

大型试验台多层级、多专业、跨领域复杂系统建模

构建一个能够对试验台及试验环境进行有效映射的模型是开展虚拟试验及智能运维的前提基础。燃烧试验台涉及机械、电气、控制、气动、热等多个学科，系统、分系统、部件等不同层级，试验载体、测试、环境等不同领域，机理过程及演化规律复杂，直接的机理建模难度很大，往往构建的模型精度和置信度低、鲁棒性差，导致虚拟试验仿而不真、智能运维仅局限于效果演示。为形成能够满足虚拟试验的数字模型，需要围绕目标实体，从结构、逻辑到执行层面，采用多模型融合技术，实现复杂系统模型的全面集成与协同运行。使用基于Modelica语言等的系统建模工具，定义统一的接口和数据结构，对试验台各系统及部件的多专业多层级物理域属性与控制算法等信息域属性进行统一的模型化表达，构建各系统及部件之间的关联关系和演化规律，可实现大型复杂试验台的多系统联合仿真。进一步地，针对其中每个系统或部件模型，可根据机理是否明确、样本数据量是否充足等因素选择合适的建模方式，包括机理建模、辨识建模或混合建模等。实际工程应用中，复杂燃烧试验台的联合仿真建议以一维仿真为主，辅以局部系统或部件的三维高精度仿真或代理模型仿真，使得虚拟试验能够兼顾仿真精度、算力及实时性需求。此外，虚拟试验与物理试验之间、数学模型与物理实体之间均应保持良好的动态数据交互，通过充足的实时数据及时修正、优化模型，确保仿真精度。

基于物理信息神经网络的燃烧室试验件建模

燃烧室试验件中存在多尺度强耦合物理化学过程，因此试验件本身的建模也是虚拟试验的关键环节之一。近年来，以超大涡模拟为代表的高精度数值模拟方法，以及计算流体力学、燃烧学、传热学等多学科耦合仿真技术的发展为燃烧室仿真设计带来较大助力。但传统的燃烧室数值仿真动辄百万量级的计算网络规模、高性能计算需求，以及较长的计算时间使得其难以应用到虚拟试验之中，需对模型降阶或轻量化处理，实现虚拟试验在线预测和多方案同步快速仿真等功能。此外，试验件模型应具备较好的动态更新能力和鲁棒性，以满足对不同试验对象以及同一试验对象多种优化方案的模拟。考虑发动机燃烧室多物理场耦合的复杂特征，采用物理信息神经网络（PINN）方法构建试验件模型是可行的技术途径之一。PINN是一种深度学习算法，它将建模对象内在的物理规则嵌入到机器学习中，把物理原理作为神经网络模型训练的先验知识，提供强有力的理论约束，从而有效提高模型的训练速度、预测准确性以及泛化能力。PINN将数据驱动与物理机理进行了有机融合，在燃烧试验测试数据相对稀缺且昂贵的实际条件下，仅依靠少量数据即可实现模型的学习优化，实现对燃烧室综合性能的快速准确预测。

燃烧试验数字化平台建设

燃烧试验数字化与智能化转型的落地实施需要依托统一、规范、集成的数字试验平台。平台应融合先进信息化技术、数字化技术、项目管理和知识工程技术，其基础层需提供足够强大的数据采集、存储、传输及交互等功能，充分利用云计算、边缘计算等技术实现资源整合，开展数据的实时计算、预处理，满足虚拟仿真运行及提供相应的网络环境、服务环境等；资源层以数据中心、模型库为核心，基于统一的标准和访问接口，实现多元数据的归集与共享、模型的构建与调用等；算法层除包括与燃烧设计、试验以及设备建设领域相关的专业求解器外，还需融入数据分析挖掘、机器学习与模型训练、智能决策算法等，为试验数字化赋能；功能层、应用层需结合燃烧试验数字化各场景的专业需求进行定制开发，包括虚拟燃烧试验、模型管理、数据管理、智能运维管理、综合业务管理、知识管理等系统功能，实现对燃烧试验全流程和全业务域的数字化和智能化支持。

结束语

基于数实结合的智能化燃烧试验验证是突破工程实际瓶颈问题，提升试验整体能力并实现该领域高质量、高效率发展的有效途径。燃烧试验对数字化的需求已迫在眉睫，当下应进一步深入开展燃烧试验数字化建设的关键技术和具体实施路径研究，加强学科之间的融合，以及相应人才队伍的建设，提前开展技术储备与攻关，加速数字化技术的成熟应用。

（赵明龙，中国航发沈阳发动机研究所，高级工程师，主要从事航空发动机燃烧试验技术研究）

参考文献

[1] 黄劲东.航空发动机试验验证体系建设[J].航空动力,2021(3):57-63.

[2] 单晓明,高倩,魏秀利.航空发动机试验与测试技术发展分析[J].航空动力,2022(3):67-70.

[3] 崔艳林,王巍巍,王乐.美国数字工程战略实施途径[J].航空动力,2021(4):84-86.

[4] 付玉.2023年航空动力领域数字化进展[J].航空动力,2024(1):43-46.

[5] 王乐,李茜,周军.俄罗斯航空发动机数字孪生技术发展[J].航空动力,2023(3):54-57.

[6] 高静轩.俄罗斯燃气涡轮发动机数字孪生进展[J].航空发动机,2023,49(5):83-88.

[7] 张强,李茜,王乐.罗罗数字化转型之路[J].航空动力,2023(2):24-27.

[8] 吴锋,冯旭栋,徐倩楠,等.高空台虚拟试验的现实意义及应用前景[J].航空动力,2022(4):59-62.

[9] 蔡衍,吴志勇,言洁奕,等.航空发动机智能化试车应用研究[J].航空动力,2022(4):56-58.

[10] 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.