芯耀
与非AI
160
本文基于安托在工信部“揭榜挂帅”项目中实际交付的MBSE方案，从工程实践角度拆解其技术路径。
一、为什么MBSE成了航天、航空、汽车行业的刚需？
在航空航天、高端装备领域，一个普遍的困境是：研发越来越复杂，但管理方式还停留在文档时代。
一个接口参数的修改，三天后下游团队才知道
评审会上同时出现三个版本的需求文档
客户临时改方案，整个团队重走几千页文档
老工程师离职，带走了一套没人能看懂的设计文件
这些不是个别现象，而是行业每天都在发生的“隐形出血点”。
二、安托MBSE解决方案的工程化成果
今年，安托牵头主导的《基于MBSE的航空航天装备复杂定制产品数字化协同设计解决方案》，成功入选工信部、市场监管总局联合组织的“揭榜挂帅”项目，并以高标准通过验收。
关键量化指标：
| 指标 | 数据 |
|---|---|
| 跨专业协调效率提升 | 40%以上 |
| 流程规范性和一致性 | 95%以上 |
| 需求变更影响分析时间 | 从“天级”缩短至“小时级” |
| 关键部件模型复用率提升 | 30%以上 |
| 设计协调时间减少 | 20% |
| 模型准确度 | 不低于90% |
| 数字模型化率 | 不低于60% |
该成果已在国家航天重大工程中深入应用，航天器工程在系统可靠性、数据一致性等质量指标方面均有相应提升。
三、技术路径：V模型 + 数字主线 + AI工程化
1. 分级多层正向研发
方案支持“体系层→系统层→分系统层→组件层”的分级多层正向研发，在完整的V模型中实现四个闭环。最关键的价值在于：缺陷在设计阶段就能发现，不用等到试验阶段才暴露。基于MBSE的验证机制在系统设计阶段就建立，实现验证前移。
2. 四大核心工程能力
需求管理：需求管理软件实现条目化、结构化与全链路追溯。集成大模型（LLM），支持自然语言输入自动解析为结构化需求条目，内置可配置规则库做智能校验。
协同设计：系统架构设计与协同软件支持SysML建模，所有专业共用一套系统架构模型。AI实时识别模型接口冲突、命名不一致等问题。
知识管理：统一数据管理平台构建企业级知识资产体系。AI对历史型号知识资产做深度挖掘，新项目启动时智能推荐可复用模板。
模块化设计：基于统一系统架构，各专业团队可并行开展设计，支持多方案的实时验证与权衡。
3. AI的工程化落地
安托把AI嵌入五个核心工程节点：
需求编写：工程师用自然语言输入，AI整理成结构化需求
变更影响分析：AI自动分析变更影响范围
模型推荐：AI从历史项目中推荐可复用模块
质量检查：AI每日自动检查模型质量
知识沉淀：AI构建XBOM与知识图谱双视图
AI帮人做了最费脑子、最容易出错的那部分事，判断和决策仍然由工程师来做。
四、产业意义
“十五五”规划正在全面启动，国家对航空航天、高端装备自主研制的投入力度是近几十年最大的。安托这套方案的价值在于：让复杂装备的研发从“靠人、靠经验、靠运气”，真正转向“靠模型、靠数据、靠系统”。
工信部的“揭榜挂帅”认证，意味着这套方案已经通过了国家级验证。对于正在推进数字化转型的硬件研发团队来说，这是一个值得关注的参考样本。
你认为你们团队目前最大的研发效率瓶颈在哪里？欢迎在评论区交流。
