如果说MBSE为复杂系统工程构建了数字化的“形体”与“骨架”，那么人工智能（AI）则有望为其注入智能化的“灵魂”与“大脑”。AI与MBSE的集成并非简单的技术叠加，而是一种共生关系，主要体现在两个方向：AI赋能MBSE（AI for MBSE, AI4MBSE）‍，即利用AI提升MBSE自身的效率和能力；以及MBSE赋能AI系统开发（MBSE for AI, MBSE4AI）‍，即利用MBSE的严谨方法来工程化开发复杂、可靠的AI系统 。

1 AI赋能MBSE（AI4MBSE）的理论基础

尽管MBSE相较于传统方法是一大进步，但在实践中，MBSE自身也面临着挑战，尤其是在大规模、超复杂的项目中：

• 建模工作的劳动密集性：手动创建和维护一个详尽的系统模型需要投入大量的、高技能的工程人力。

• 模型质量的保障：确保一个包含数万个元素的大型模型在所有层面都保持一致性、完整性和正确性，是一项艰巨的任务。

• 从非结构化信息中提取知识的困难：大量的工程知识仍然存在于海量的技术文档、标准、报告和会议纪要中，如何高效地将这些知识转化到形式化的模型中是一个瓶颈。

• 设计空间的爆炸性：复杂系统存在着天文数字级别的可能设计方案，如何有效地探索这个设计空间以找到最优解，超出了人力搜索的能力范围。

AI技术，特别是机器学习和自然语言处理，恰好为解决这些MBSE内生的复杂性挑战提供了理论上的可行方案 。AI的核心能力——模式识别、语义理解、推理优化和知识发现——可以直接应用于MBSE流程的各个环节，实现从“手动建模”到“人机协同智能建模”的跃升。AI4MBSE的理论基础在于，将MBSE活动本身视为一个可以被学习、优化和自动化的信息处理过程 。

2 AI4MBSE的核心技术路径

AI赋能MBSE主要通过以下四条核心技术路径实现，这些路径共同指向一个目标：让系统建模更快速、更准确、更智能。

路径一：自动化模型生成与补全

这是AI4MBSE最具变革潜力的方向之一，旨在将工程师从繁琐的初级建模工作中解放出来。

•技术核心：自然语言处理（NLP），特别是大型语言模型（LLM）和知识图谱（Knowledge Graph）技术。

•实现方式：

a.从文本到模型（Text-to-Model）‍：训练专门的AI模型来阅读和理解非结构化或半结构化的技术文档，如核安全法规、客户需求书、系统设计规范等 。AI模型能够自动识别其中的关键实体（如系统、组件、功能），提取它们之间的关系（如包含、连接、约束），并依据SysML的语法规则，自动生成初始的SysML模型图（如需求图、模块定义图）。例如，一个LLM可以被训练来解析IAEA的安全导则，自动抽取出其中的安全要求项，并创建对应的需求元素及其层次结构。

b.生成式设计（Generative Design）‍：结合生成式AI和约束求解技术。工程师首先在MBSE模型中定义好设计目标、性能约束和设计规则。然后，AI算法（如生成对抗网络GANs或遗传算法）可以在这个约束框架内，自动探索和生成大量满足要求的设计备选方案（如不同的系统架构、组件布局），供工程师评估和选择。这极大地扩展了创新设计的可能性。

c.模型补全与推荐：在工程师手动建模的过程中，AI可以像智能代码补全工具一样，根据已有的模型上下文和学习到的设计模式，智能推荐接下来可能需要创建的模型元素或关系，从而提高建模效率。

路径二：模型一致性与正确性智能校验

大型MBSE模型如同大型软件代码库，难免会引入错误和不一致。AI可以充当不知疲倦的“模型审查员”。

•技术核心：机器学习（特别是无监督学习）、异常检测算法、形式化方法与逻辑推理。

•实现方式：

a.基于学习的规则校验：利用机器学习算法，从企业内部大量的、经过验证的、高质量的“黄金”模型库中学习隐含的设计模式和最佳实践 。然后，AI可以将这些学到的“隐性规则”应用于正在开发的新模型，自动检测出那些不符合常规模式、可能是错误或欠佳的设计选择，并向工程师发出预警。

b.高级逻辑一致性检查：传统的MBSE工具可以检查基本的语法错误，但难以发现深层次的逻辑矛盾。例如，两个不同视图中的描述可能在逻辑上是冲突的。通过将MBSE模型转换为形式化的逻辑表示（如一阶逻辑或描述逻辑），可以利用AI驱动的自动推理机（Theorem Provers）或约束满足问题（CSP）求解器，对模型进行深度的一致性验证，找出隐藏的矛盾。

c.模式反演与克隆检测：AI可以分析模型库，自动识别出被反复使用的设计模式（Design Patterns），并检查新模型中对这些模式的应用是否正确。同时，它也能检测出模型中不必要的“代码克隆”（即功能相似但实现冗余的模型片段），以提升模型的优雅性和可维护性。

路径三：智能化的需求分析与追溯

需求工程是系统工程的起点，也是最容易引入错误的环节。AI可以大幅提升需求处理的质量和效率。

•技术核心：NLP、文本分类、聚类、关系抽取。

•实现方式：

a.需求自动分类与优先级排序：AI可以自动将成百上千条自然语言需求进行分类，例如区分功能性需求与非功能性需求（如性能、安全、可靠性），并根据学习到的规则或历史数据，辅助工程师对需求进行优先级排序。

b.需求冲突与冗余检测：通过语义相似度分析，AI可以自动识别出内容重复或语义上相互矛盾的需求对，提醒工程师进行合并或澄清。

c.追溯链接自动推荐：建立需求与下游模型元素之间的追溯链接是一项耗时的工作。AI可以通过分析需求文本与模型元素描述之间的语义相关性，自动向工程师推荐最可能正确的追溯链接（如某条需求应该由哪个功能来“满足”），将手动“连线”变为“确认”，效率倍增。

路径四：基于模型的预测性分析与优化

此路径将AI的预测能力直接嵌入到MBSE框架中，实现更高阶的系统分析。

•技术核心：机器学习（回归、分类、强化学习）、优化算法。

•实现方式：

a.AI代理模型（Surrogate Models）集成：对于复杂的、计算成本高昂的物理仿真（如核反应堆的热工水力分析），可以先通过运行少量高保真仿真来生成数据，然后训练一个机器学习模型（如神经网络）来拟合其输入输出关系。这个轻量级的AI代理模型可以被集成到MBSE的参数图中，用于进行数万次乃至数百万次的快速仿真和蒙特卡洛分析，极大地提升了早期设计阶段进行性能评估和不确定性分析的效率。

b.设计空间智能优化：将MBSE模型定义的参数化设计空间，作为AI优化算法（如贝叶斯优化、粒子群优化）的输入。AI算法可以智能地、高效地在设计空间中进行搜索，以找到满足多个（甚至相互冲突的）目标的“帕累托最优”设计解集。例如，在满足安全约束的前提下，找到使得发电效率最高、建造成本最低的反应堆主回路设计参数组合。

c.将运维数据反馈至设计模型：利用从实际核电站运行中采集的大量数据，训练AI模型来预测设备故障率、维修时间等。这些经过验证的AI预测模型可以反向集成到设计阶段的MBSE模型中，从而使新电站的设计能够基于更真实、更精确的运维数据，进行可靠性、可用性和可维护性（RAM）的优化设计。

3 MBSE赋能AI系统开发（MBSE4AI）

除了AI4MBSE，另一个方向是利用MBSE的严谨方法论来指导和规范复杂AI系统的开发过程，即MBSE4AI 。随着AI越来越多地被应用于安全关键领域（如核电站的自主控制或智能诊断），如何确保AI系统本身的可靠性、安全性和可验证性，成为了一个巨大的挑战。传统软件工程方法对于处理具有不确定性、自适应性和非确定性行为的AI系统（尤其是深度学习系统）时显得捉襟见肘。

MBSE4AI为此提供了系统化的解决方案：

• AI系统需求的严格定义：使用SysML需求图来形式化地定义AI系统的功能需求（如“应能识别出管道的3种特定裂纹类型”）、性能需求（如“识别准确率不低于99.5%，单次推理时间小于100ms”）、以及安全约束（如“在任何情况下都不能将正常焊缝误判为严重裂纹”）。

• 数据架构与流程建模：在MBSE模型中，可以专门为AI系统建立数据视图，详细描述训练数据、验证数据和测试数据的来源、格式、标注规范、以及数据清洗、增强和预处理的完整流程 。这使得数据管理这一AI项目的关键环节变得透明和可追溯。

• AI模型行为的抽象建模：虽然无法完全描述一个神经网络的内部工作机理，但可以利用MBSE的行为图（如状态机图、活动图）来对AI模型的宏观行为进行建模。例如，可以定义模型在不同输入置信度下的行为模式（如“置信度>0.95时输出结果，0.7-0.95时输出结果并请求人工复核，<0.7时拒绝判断”）。

• 系统级集成与安全分析：通过MBSE，可以将AI组件作为一个“黑盒”或“灰盒”模块，集成到整个核电站系统的模型中。工程师可以在系统层面分析AI模块与其他非AI组件的交互，评估AI的潜在失效模式（如误报、漏报）对整个系统安全的影响（即进行系统级的故障模式与影响分析，FMEA）。

• V&V活动的系统化管理：MBSE模型可以作为AI系统验证与确认（V&V）活动的中心枢纽，将AI的需求、数据、模型、测试用例和测试结果全部关联起来，形成完整的证据链，以向监管机构证明AI系统的安全性与合规性。

总之，AI与MBSE的集成是一个双向赋能、相辅相成的过程。AI4MBSE将系统工程从劳动密集型的手工作业，推向人机协同的智能化新阶段；而MBSE4AI则为日益复杂和关键的AI系统开发，提供了亟需的工程纪律和系统级的安全保障。在核电这样一个对效率和安全都有着极致追求的行业，这种双向赋能的价值将被无限放大。

核技术论坛

阅读 赞 分享 言