Preface前言

21世纪已走过了20年，伴随着科学技术的突飞猛进，新概念犹如雨后春笋破土而出，随处涌现，例如云计算、大数据、物联网、移动互联网、工业4.0、智能制造、信息物理系统（CPS）、工业互联网、数字孪生、数字主线等。各种学说、思潮充斥于媒体、互联网，铺天盖地的科技快餐让人目不暇接。昨天刚得到一个突破，今天就听说一场革命，人们在良莠混杂的信息中很容易迷失方向。例如，我们经常在线上或线下听“大咖们”讲解“某某技术”有多么强大，制造业的诸多难题可迎刃而解。有道是，布道者振振有词、口吐莲花，听讲者热血沸腾，感觉取到了“真经”，可随后冷静思考，却发现依旧是两手空空。原因在于，大家当场被新概念震慑了，竟然忘记了寻找解决问题的技术途径的初心。

一项研究表明，企业不过是在名称里加上了.com、.net或互联网，股价便翻了一番还多。可一旦互联网泡沫破灭了，股民的钱就打了水漂。今天的人工智能（artificial intelligence，AI）同样如此。当下，人工智能已经成为一种时尚的“大箩筐”，任何跟计算机沾上边的东西似乎都能被装入这个“大箩筐”。为了说服大家肯为实际上并不需要的东西投入更多的钱，这些企业需要做出更多承诺，提出超出实际能兑现的范围的目标。这种情况互联网泡沫时期出现过，近期的人工智能也重蹈覆辙，估计数字孪生、基于模型的系统工程（model-based systems engineering，MBSE）也必然如此。道理很简单，哪里有利可图，哪里就有资本蜂拥而至。

诚然，近些年，以深度学习为代表的AI的确以日新月异的速度变得更加令人震撼，甚至令人叹为观止。从下围棋到语音识别，到人脸识别，AI都取得了长足的进展，以至于人们误以为只要有了大数据+深度学习，很多问题都可以轻松得到解决。人们之所以总是这样过高地估计AI的实际能力，一部分原因在于媒体的夸张宣传，将每一次小小的进展都描绘成翻天覆地的历史性突破。技术大鳄们在每次发布新闻稿件时，基本上也是遵循同一个套路。这种基于大数据和机器深度学习的计算智能和感知智能很快就碰到了“天花板”。以智能驾驶汽车为例，由于它无法识别未曾学习过的复杂的、突发的情况，导致交通事故时有发生。另外，模型的不透明、难以解释性也成为当今AI的软肋。一言以蔽之，目前的AI是在限制领域内专用的狭义AI（narrow AI），只能应用于其设计初衷所针对的特定任务，而且应用前提是系统所遇到的问题与其之前所经历的场景不能有太大的变化。

MBSE成为当下热词中的一员，也不足为奇。国外有学者甚至把MBSE视为“系统工程（systems engineering，SE）的革命”“系统工程的未来”“系统工程的转型”等。虽然它不像工业4.0、大数据、人工智能、智能制造等名词那样响彻云霄，但也如雷贯耳，也不乏大批追名逐利者蜂拥而至。与其他新技术类似，数字孪生、MBSE也必然要经历硅谷“臭名昭著”的技术成熟度曲线（炒作周期）：任何新的技术在出现后会迅速被炒作并达到一个峰值，而在过高的期望达到后，一切会重归幻灭，回到低谷期；但是市场最终是可以明辨哪些技术是好的，哪些技术可以提高生产力，因此会经历一个缓慢上升的过程，最终使得该产品市场成熟。

虽然很多期刊论文都引用了国际系统工程协会（International Council on Systems Engineering，INCOSE）给出的MBSE的定义，但是MBSE似乎并不是由INCOSE最早提出的。早在1993年，亚利桑那大学的A.Wayne Wymore教授就发表了关于MBSE的专著，试图对系统设计的理论进行阐述，并在书的附录中给了一种MBSE建模语言，但推广并未获得成功。INCOSE于2006年重新审视与发展了“基于模型的系统工程”，并在2007年初面向工业界和学术界发起了MBSE倡议，重新给出了MBSE的定义（Systems engineering vision 2020）：MBSE是一种应用建模方法的正式方式，用于支持系统需求、设计、分析、检验与确认活动。这些活动从概念设计阶段开始，持续贯穿整个开发过程及后续的所有生命周期阶段。

在国内，尤其是一些公司的咨询顾问引入基于某个特定软件的系统工程方法之后，很多时候只要提到MBSE，通常指的仅仅是系统需求（概念）设计。无论是高层论坛，还是产品发布会，只要涉及MBSE主题，就一定有专家学者、解决方案提供商、企业用户，大讲特讲SysML+Rhapsody或+MagicDraw等，仿佛只要在系统需求设计阶段应用了SysML（systems modeling language，系统建模语言），一切复杂问题就可迎刃而解。毫不夸张地讲，这种对MBSE断章取义、片面的解释，除了凸显对MBSE本质认识存在较大的偏差外，更暴露出商业诱导的痕迹。至于有学者撰文说SysML是MBSE的核心，则更是不着边际、错得离谱。

近几年，许多已发表的期刊论文、网络文章都将传统的系统工程（traditional systems engineering，TSE）定义为基于文本的系统工程（text-based systems engineering，TSE）。这种“形象、直观、鲜明”的对比，格外吸引普罗大众的眼球，导致很多人误以为MBSE之前的工程项目只能使用文档进行系统需求分析和概念设计。这种对比既不尊重事实，也误解和歪曲了MBSE，更有失公允。而无休无止的跟风、人云亦云更促成了今天“三人成虎”的局面。

INCOSE在其《系统工程手册》中指出，现代系统工程的起源可追溯到20世纪30年代。我们不妨稍微向后延迟一点时间，将现代系统工程起始时间点顺延至第一台电子计算机问世的时间点（20世纪40年代中后期）。那么，传统系统工程结束的标志时间点应该是何时呢？毋庸置疑，当然应该在现代系统工程起始之前。传统的系统工程和今天的MBSE相隔七八十年，将二者相比未免有些不伦不类（古代皇帝连智能手机都没玩过，真不如今天的你我幸福），也没有可比性。其实，早在SysML问世之前，在军事系统开发的初始阶段就大量使用了概念建模与仿真工具进行复杂系统需求分析和概念设计，UML（unified modeling language，统一建模语言）和美国DoDAF（department of defense architecture framework，国防部体系架构）在装备体系论证和大型装备研制的早期阶段都发挥了十分重要的作用。SysML不过是继IDEFx、UML、DoDAF之后，充分借鉴UML 2.0和DoDAF，增补和裁剪了部分视图而形成的系统建模语言／工具而已。虽然SysML与其前身相比能提高系统需求分析、设计、验证与确认的效率，但并未从根本上产生思想的跃升，当然更谈不上是对系统工程的“颠覆性”变革。况且SysML作为系统工程师的建模语言／工具，要想成为与各类用户进行需求沟通的工具，还需要大量的资金投入和人员培训，更别说用它替代复杂系统（产品）全生命周期各阶段“五花八门”的建模与仿真工具来开展多层次的系统仿真了。

系统工程是用于系统设计、实现、技术管理、运行使用和退役的专门学科方法论。其中，模型方法是系统工程的基本方法。研究系统一般都要通过它的模型来研究，甚至有些系统（特别是想象中的系统）只能通过模型来研究。经历几千年的经验积累，模型方法（建模与仿真技术）早已贯穿于复杂系统（产品）开发的始末，即从系统（产品）需求分析、概念设计开始直至系统（产品）衰败和消亡的全过程，并与项目管理一并融入系统工程之中。不管MBSE的定义如何，基于模型（MB）作为修饰语，始终服务于系统工程这个主题。MBSE作为一种方法论，其核心永远是系统工程。INCOSE重新梳理定义的MBSE是现阶段系统工程与仿真技术融合的结果，不是针对某特定学科解决问题的具体方法、过程和工具。在开展工程系统项目的不同阶段，除了针对不同层次的需求分析、设计外，系统开发不同的阶段所使用的建模与仿真工具依然还会是多种多样、五花八门的。仅仅使用单一的系统建模语言／工具，无法满足工程系统项目开发全生命周期的要求。

系统工程作为一门学科形成于20世纪40年代。70多年来，世界各国科研机构、航空航天、汽车行业等主要借鉴NASA（National Aeronautics and Space Administration，美国国家航空航天局）的系统工程思想／方法，其原因在于NASA在系统工程领域积累了许多成功经验，典型代表如“阿波罗”登月计划。由于登月所需的实体系统原本并不存在，而在那个年代，没有云计算、大数据，也没有基于大数据的深度学习，人类只能凭借掌握的先验信息（知识），进行必要的假设和推理，然后通过数学和逻辑演绎来建模（机理模型），通过仿真（模型试验）不断地改进设计，直到最终开发出满足登月要求的实体系统，并成功地完成了登月使命。“阿波罗”登月计划的成功强有力地证明了系统工程方法的胜利，证明了人类最擅长虚构和创造原本不存在的系统的能力，也充分证明了模型方法是系统工程的基本方法，同时也强有力地证明了SysML等不是工程系统项目研制的必要条件。虽然人类开展大型创造活动长期使用文本文档，但也同时使用概念模型，如实物模型、数学模型、图表模型、逻辑模型、语言模型等，只不过描述模型的工具不统一、不规范。在解决系统问题时，一般使用数学、物理、化学、材料、生物等知识，建立不同学科、不同领域以及跨学科的机理模型。这些机理模型不但帮助工程师圆满地解决了诸多复杂系统的问题，而且很好地预言了未来。工程师在万不得已的情况下才使用唯象模型。唯象模型就是在不明事物内在原因的情况下，用统计数学方法从大量实验数据中拟合得到的规律。在实验数据范围内，唯象模型对自然现象有描述或“预言”的能力，但没有解释、理解的能力。超出实验数据范围的外推是不科学的。

不知从何时开始，大家习以为常的单一学科、单一专业领域的“分析”都“摇身一变”成为时髦的“仿真”。例如，力学分析变成力学仿真，有限元分析软件变成有限元仿真软件。当然，这种称呼上的变化无可厚非，然而这样做可能会导致一些年轻的工程师误以为以前的专业领域“分析”一直就叫“仿真”，以至于不知晓还有仿真科学与技术作为专门独立学科的存在。仿真科学与技术是以相似理论、建模与仿真理论为基础，建立并利用模型，以计算机系统、物理效应设备及仿真器作为工具，对研究对象进行分析、建模、运行与评估的一门综合性、交叉性学科。仿真科学与技术已形成独立的知识体系，包括仿真建模理论、仿真系统构建理论和仿真应用理论等。仿真科学与技术已成为理论研究、科学实验之后人类认识和改造客观世界的第三种方法。今天，系统工程同仿真科学与技术水乳交融、如影随形，已经成为解决复杂系统问题的强有力的方法和工具。

我们都知道，概念模型是对真实世界的第一次抽象，是构建后续模型的基本参照物。在这一点上，系统工程、建模与仿真，甚至MBSE都是一致的。以仿真系统开发为例，一方面，概念模型由领域主题专家和系统开发人员共同构建，其主要作用在于为领域主题专家（有时也包括用户）和仿真开发人员搭建沟通的桥梁。借助概念模型，仿真开发人员可获取所仿真的真实世界系统的细节信息，以便于进行仿真系统的基于实体分析和设计。另一方面，由领域主题专家、模型专家和软件专家组成的第三方权威认证机构，在确认概念模型的合理性之后，可对照概念模型检验数学模型和软件模型的准确性及合理性，从而便于对整个系统进行校验、验证和确认（verification，validation，accreditation，VV&A）。借助概念模型，领域主题专家／用户和仿真开发人员更容易在简化和逼真之间达成妥协，在系统需求的确认上达成共识。

为了支持构建智能制造系统中的建模与仿真系统，消除因大肆宣传、商业炒作而引发对数字孪生、MBSE等能力的无限放大，我们必须清醒地认识这些概念的本质，需要进一步了解“新概念”鼓噪者避而不谈的那些起关键作用的核心技术。事实上，无论是数字孪生，还是MBSE，都无法回避系统建模与仿真技术。如果没有建模与仿真技术的支持，这些概念注定会成为无源之水、无米之炊，会失去其鲜活的生命力。鉴于此，笔者力图简要阐述数学建模、系统工程、建模与仿真、虚拟样机等基本理论，分析系统工程、建模与仿真技术水乳交融的关系，进而阐明MBSE是M&S（modeling & simulation，建模与仿真）和SE深度融合的阶段产物。与此同时，通过对数字孪生、MBSE等进行剖析，旨在帮助大家深刻领悟MBSE的精髓，共同促进数字孪生、MBSE的推广应用。

笔者认为：INCOSE“重新”定义MBSE，旨在进一步强调和突出概念模型在系统工程中的地位和作用，其实并没有引起系统工程本质的变化，只是运行的形态发生了部分变化，最大的差别体现于工具、效率的不同。随着M&S向全系统、全过程、全方位的发展，MBSE必然贯穿于系统的全生命周期，当然在解决系统问题的不同阶段还必然需要各学科、各专业领域的建模与仿真工具。与此同时，应该认识到，在系统开发过程中使用新的需求分析、设计工具，对系统工程师、组织内部的相关人员，乃至用户都提出了更高的要求，即要求利益相关方都应尽可能地掌握系统建模语言（便于沟通），这势必会增加新系统投资和学习培训的压力。也许对系统工程师来说这不是问题，但对专业学科设计师来说未免过于苛刻了。如果其他学科的人员不能熟练掌握SysML，使用SysML提高沟通交流的效率只能是系统工程师的梦想了。

在智能制造中应用MBSE，不仅需要理解M&S与SE的理念，更要掌握系统工程、建模与仿真技术，而且还要将M&S与SE融入制造企业（生态圈）的智能制造系统相关功能分支，覆盖复杂产品全生命周期（从概念设计到工程、制造和运行使用等）的每个阶段，从而能够为决策提供仿真结果的支持。只有这样，才能更好地发挥数字孪生、MBSE等应有的作用，实现虚、实两个世界的完美融合，以便进一步支持复杂产品（系统）的智能制造。

最后再次强调，实施MBSE本身就是一个工程项目，不是简单地引进一些新工具，需要在企业战略的指导下，通过组建多学科团队（也许会涉及成千上万人），采用系统工程、项目管理等方法、手段，团队成员勠力携手，循序渐进地推进项目进展。

复杂产品智能制造系统技术国家重点实验室总技术负责人朱文海

2021年8月于北京