(19)國家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利公司32105GO5B19/408(2006.基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策本發(fā)明提供一種基于數(shù)字孿生的數(shù)控機(jī)床,提取多視角潛在特征并確定不同模態(tài)間的潛在關(guān)聯(lián)特征，結(jié)合所述自,求解得到最優(yōu)維護(hù)決策_(dá)S221.基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策方法，其特征在于，包括：獲取數(shù)控機(jī)床的結(jié)構(gòu)數(shù)據(jù)和仿真精度要求，結(jié)合自適應(yīng)網(wǎng)格劃分算法確定有限元模型的最優(yōu)網(wǎng)格尺寸和分布參數(shù)，獲取所述有限元模型中數(shù)控機(jī)床的運(yùn)行條件并添加至多物理場耦合建模模塊，生成機(jī)床數(shù)字孿生模型并與物理場進(jìn)行融合，結(jié)合映射關(guān)系生成機(jī)床運(yùn)行退化模型，通過預(yù)先獲取的機(jī)床運(yùn)行大數(shù)據(jù)與深度遷移學(xué)習(xí)模型進(jìn)行持續(xù)優(yōu)化，得到自演化數(shù)字孿生模型，包括：基于預(yù)先構(gòu)建的多粒度有限元模型，獲取所述數(shù)控機(jī)床在加工條件下的邊界條件，將所述邊界條件作為載荷和約束添加至所述多粒度有限元模型中，結(jié)合所述數(shù)控機(jī)床對應(yīng)的物理場，結(jié)合物理場耦合求解方法進(jìn)行仿真數(shù)值求解，得到對應(yīng)的物理場行為，結(jié)合傳感器映射技術(shù)，采集數(shù)控機(jī)床的狀態(tài)數(shù)據(jù)并映射至虛擬模型的對應(yīng)節(jié)點(diǎn)，得到多物理場數(shù)字孿生模型，獲取所述數(shù)控機(jī)床的退化過程，并結(jié)合預(yù)先獲取的機(jī)床運(yùn)行大數(shù)據(jù)提取退化先兆特征，構(gòu)建機(jī)床退化模型；通過深度遷移學(xué)習(xí)技術(shù)，結(jié)合所述機(jī)床運(yùn)行大數(shù)據(jù)，通過深度神經(jīng)網(wǎng)絡(luò)提取不同工況下的共同特征，確定退化規(guī)律，結(jié)合遷移學(xué)習(xí)在新工況下對所述機(jī)床退化模型進(jìn)行自適應(yīng)調(diào)整，得到所述自演化數(shù)字孿生模型；基于所述自演化數(shù)字孿生模型構(gòu)建傳感網(wǎng)絡(luò)，對所述數(shù)控機(jī)床進(jìn)行全面感知并通過分布式自適應(yīng)采樣獲取機(jī)床運(yùn)行參數(shù)，對所述機(jī)床運(yùn)行參數(shù)進(jìn)行預(yù)處理，得到多模態(tài)感知數(shù)據(jù)并添加至多視圖學(xué)習(xí)融合模型中，提取多視角潛在特征并確定不同模態(tài)間的潛在關(guān)聯(lián)特征，結(jié)合所述自演化數(shù)字孿生模型得到機(jī)床健康狀態(tài)評估結(jié)果；基于所述機(jī)床健康狀態(tài)評估結(jié)果，結(jié)合預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型生成多層次故障預(yù)測結(jié)果，結(jié)合歷史維護(hù)案例，通過基于深度強(qiáng)化學(xué)習(xí)的維護(hù)策略優(yōu)化算法自適應(yīng)確定候選維護(hù)方案，將所述候選維護(hù)方案和所述多層次故障預(yù)測結(jié)果添加至知識(shí)圖譜構(gòu)建模塊中，通過關(guān)聯(lián)機(jī)床故障原因和失效機(jī)理，生成語義關(guān)聯(lián)網(wǎng)絡(luò)并結(jié)合多目標(biāo)優(yōu)化算法，求解得到最優(yōu)維護(hù)決策。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲取數(shù)控機(jī)床的結(jié)構(gòu)數(shù)據(jù)和仿真精度要求，結(jié)合自適應(yīng)網(wǎng)格劃分算法確定有限元模型的最優(yōu)網(wǎng)格尺寸和分布參數(shù)包括：通過三維掃描獲取數(shù)控機(jī)床的結(jié)構(gòu)參數(shù)，其中，所述結(jié)構(gòu)參數(shù)包括所述數(shù)控機(jī)床零部件的尺寸，形狀和裝配關(guān)系，基于所述數(shù)控機(jī)床的服役工況和故障模式，獲取所述數(shù)控機(jī)床對應(yīng)的仿真精度要求；對所述數(shù)控機(jī)床進(jìn)行特征分析，提取結(jié)構(gòu)應(yīng)力和熱點(diǎn)作為關(guān)鍵特征，確定特征屬性并結(jié)合仿真精度要求確定不同區(qū)域的網(wǎng)格尺度，將應(yīng)力集中且斷面突變的區(qū)域作為薄弱區(qū)域，增加所述薄弱區(qū)域內(nèi)的網(wǎng)格密度，結(jié)合高階網(wǎng)格單元，提高單元內(nèi)場變量的逼近精度，完成網(wǎng)格劃分并得到所述最優(yōu)網(wǎng)格尺寸和分布參數(shù)，通過有限元軟件搭建當(dāng)前數(shù)控機(jī)床的多粒度有限元模型。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，結(jié)合遷移學(xué)習(xí)在新工況下對所述機(jī)床退化模型進(jìn)行自適應(yīng)調(diào)整如下公式所示：其中，0表示目標(biāo)工況下的網(wǎng)絡(luò)參數(shù)，L(θ)表示目標(biāo)工況下的損失函數(shù)，dist(0s,0)表示源工況與目標(biāo)工況網(wǎng)絡(luò)參數(shù)之間的距離度量，λ?表示距離度量權(quán)3基于所述自演化數(shù)字孿生模型，構(gòu)建覆蓋數(shù)控機(jī)床全部部件以及功能單元的傳感網(wǎng)基于所述傳感網(wǎng)絡(luò)對所述數(shù)控機(jī)床進(jìn)行全面感知，結(jié)合預(yù)先將所述潛在關(guān)聯(lián)特征添加至所述自演化數(shù)字孿生模型中，結(jié)合實(shí)述多層次故障預(yù)測結(jié)果添加至知識(shí)圖譜構(gòu)建模塊中，通過關(guān)聯(lián)機(jī)床故障原因和失效機(jī)理，獲取所述機(jī)床健康狀態(tài)評估結(jié)果并添加至預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型，通過4期預(yù)測模型確定中期預(yù)測結(jié)果，通過基于深度生存模型的長期預(yù)測模型生成長期預(yù)測結(jié)所述全局決策層以數(shù)控機(jī)床健康狀態(tài)為狀態(tài)，以候選維護(hù)方案集合為動(dòng)作，以維護(hù)績效指基于所述全局決策層和所述子任務(wù)決策層，結(jié)合主動(dòng)探索機(jī)制確定全局最優(yōu)決策和局設(shè)計(jì)數(shù)控機(jī)床領(lǐng)域本體，定義核心概念和關(guān)系類型以故障復(fù)發(fā)率最小化和維護(hù)成本最小化為目標(biāo)，結(jié)合多目標(biāo)優(yōu)化算法設(shè)置目標(biāo)函數(shù)并8.基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策系統(tǒng)，用于實(shí)現(xiàn)前述權(quán)利要求1-7中任一第一單元，用于獲取數(shù)控機(jī)床的結(jié)構(gòu)數(shù)據(jù)和仿真精度要求，第二單元，用于基于所述自演化數(shù)字孿生模型構(gòu)建傳感網(wǎng)絡(luò)，對所述數(shù)控機(jī)床進(jìn)行全5間的潛在關(guān)聯(lián)特征，結(jié)合所述自演化數(shù)字孿生模型得到機(jī)床健康狀態(tài)評估結(jié)果；第三單元，用于基于所述機(jī)床健康狀態(tài)評估結(jié)果，結(jié)合預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型生成多層次故障預(yù)測結(jié)果，結(jié)合歷史維護(hù)案例，通過基于深度強(qiáng)化學(xué)習(xí)的維護(hù)策略優(yōu)化算法自適應(yīng)確定候選維護(hù)方案，將所述候選維護(hù)方案和所述多層次故障預(yù)測結(jié)果添加至知識(shí)圖譜構(gòu)建模塊中，通過關(guān)聯(lián)機(jī)床故障原因和失效機(jī)理，生成語義關(guān)聯(lián)網(wǎng)絡(luò)并結(jié)合多目標(biāo)優(yōu)化算法，求解得到最優(yōu)維護(hù)決策。處理器；用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行權(quán)利要求1至7中任意一項(xiàng)所述的方法。10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，其特征在于，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任意一項(xiàng)所述的方法。6基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及設(shè)備維護(hù)技術(shù)領(lǐng)域，尤其涉及一種基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策方法及系統(tǒng)。背景技術(shù)[0002]隨著制造業(yè)的不斷發(fā)展，數(shù)控機(jī)床已成為現(xiàn)代制造業(yè)的關(guān)鍵設(shè)備之一，數(shù)控機(jī)床的可靠運(yùn)行直接影響生產(chǎn)效率和產(chǎn)品質(zhì)量，然而，由于數(shù)控機(jī)床結(jié)構(gòu)復(fù)雜、工作環(huán)境惡劣等因素，其在運(yùn)行過程中不可避免地會(huì)出現(xiàn)各種故障和性能退化問題；[0003]傳統(tǒng)的數(shù)控機(jī)床維護(hù)主要依賴于定期保養(yǎng)和事后維修，這種被動(dòng)的維護(hù)模式難以適應(yīng)現(xiàn)代制造業(yè)的需求，定期保養(yǎng)周期難以確定，過于頻繁會(huì)增加維護(hù)成本，過于稀疏則無法及時(shí)發(fā)現(xiàn)潛在故障，事后維修則會(huì)導(dǎo)致意外停機(jī)，影響生產(chǎn)進(jìn)度和產(chǎn)品交付，此外，傳統(tǒng)維護(hù)方法嚴(yán)重依賴維護(hù)人員的經(jīng)驗(yàn)和技能，存在人力成本高，決策主觀性強(qiáng)的問題；[0004]隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等技術(shù)的發(fā)展，智能化維護(hù)決策方法受到廣泛關(guān)注，但大多數(shù)方法僅關(guān)注單一數(shù)據(jù)源，難以全面反映機(jī)床的健康狀態(tài)，同時(shí)主要基于數(shù)據(jù)驅(qū)動(dòng)建模，缺乏對機(jī)床物理機(jī)理的考慮，預(yù)測結(jié)果的可解釋性和可靠性有待提高；[0005]因此，亟需一種方案解決現(xiàn)有技術(shù)中存在的發(fā)明內(nèi)容[0006]本發(fā)明實(shí)施例提供一種基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策方法及系統(tǒng)，至少能解決現(xiàn)有技術(shù)中存在的部分問題。[0007]本發(fā)明實(shí)施例的第一方面，提供一種基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策方[0008]獲取數(shù)控機(jī)床的結(jié)構(gòu)數(shù)據(jù)和仿真精度要求，結(jié)合自適應(yīng)網(wǎng)格劃分算法確定有限元模型的最優(yōu)網(wǎng)格尺寸和分布參數(shù)，獲取所述有限元模型中數(shù)控機(jī)床的運(yùn)行條件并添加至多物理場耦合建模模塊，生成機(jī)床數(shù)字孿生模型并與物理場進(jìn)行融合，結(jié)合映射關(guān)系生成機(jī)床運(yùn)行退化模型，通過預(yù)先獲取的機(jī)床運(yùn)行大數(shù)據(jù)與深度遷移學(xué)習(xí)模型進(jìn)行持續(xù)優(yōu)化，得到自演化數(shù)字孿生模型；[0009]基于所述自演化數(shù)字孿生模型構(gòu)建傳感網(wǎng)絡(luò)，對所述數(shù)控機(jī)床進(jìn)行全面感知并通過分布式自適應(yīng)采樣獲取機(jī)床運(yùn)行參數(shù)，對所述機(jī)床運(yùn)行參數(shù)進(jìn)行預(yù)處理，得到多模態(tài)感知數(shù)據(jù)并添加至多視圖學(xué)習(xí)融合模型中，提取多視角潛在特征并確定不同模態(tài)間的潛在關(guān)聯(lián)特征，結(jié)合所述自演化數(shù)字孿生模型得到機(jī)床健康狀態(tài)評估結(jié)果；[0010]基于所述機(jī)床健康狀態(tài)評估結(jié)果，結(jié)合預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型生成多層次故障預(yù)測結(jié)果，結(jié)合歷史維護(hù)案例，通過基于深度強(qiáng)化學(xué)習(xí)的維護(hù)策略優(yōu)化算法自適應(yīng)確定候選維護(hù)方案，將所述候選維護(hù)方案和所述多層次故障預(yù)測結(jié)果添加至知識(shí)圖譜構(gòu)建模塊中，通過關(guān)聯(lián)機(jī)床故障原因和失效機(jī)理，生成語義關(guān)聯(lián)網(wǎng)絡(luò)并結(jié)合多目標(biāo)優(yōu)化算78率，得到所述機(jī)床運(yùn)行參數(shù)，對所述機(jī)床運(yùn)行參數(shù)進(jìn)行預(yù)處理，得到所述多模態(tài)感知數(shù)據(jù)；[0025]基于所述多模態(tài)感知數(shù)據(jù)，對于每個(gè)模態(tài)，設(shè)置對應(yīng)的特征提取子視圖，基于所述特征提取子視圖對每個(gè)模態(tài)內(nèi)的數(shù)據(jù)提取趨勢特征和周期特征作為多視角潛在特征，基于所述多視角潛在特征，結(jié)合多視圖融合算法，通過確定不同模態(tài)之間線性相關(guān)性和非線性相關(guān)性，生成跨模態(tài)公共表示并結(jié)合多視圖對齊策略確定潛在關(guān)聯(lián)特征；[0026]將所述潛在關(guān)聯(lián)特征添加至所述自演化數(shù)字孿生模型中，結(jié)合實(shí)時(shí)監(jiān)測數(shù)據(jù)，生成所述機(jī)床健康狀態(tài)評估結(jié)果。[0028]基于所述特征提取子視圖對每個(gè)模態(tài)內(nèi)的數(shù)據(jù)提取趨勢特征和周期特征如下公式所示：[0030]其中，WT(a,b)表示在尺度a和位置b下的周期特征，a表示尺度參數(shù)，用于控制函數(shù)寬度，b表示平移參數(shù)，用于確定函數(shù)在時(shí)間軸上的位置，x(t)表示原始信號(hào)，ψ()表示母小波函數(shù)；第j個(gè)尺度的滑動(dòng)窗口長度，J表示總尺度數(shù)量，i是索引變量，用于表示相對于當(dāng)前時(shí)間點(diǎn)t向前回溯的時(shí)間步長。[0034]基于所述機(jī)床健康狀態(tài)評估結(jié)果，結(jié)合預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型生成多層次故障預(yù)測結(jié)果，結(jié)合歷史維護(hù)案例，通過基于深度強(qiáng)化學(xué)習(xí)的維護(hù)策略優(yōu)化算法自適應(yīng)確定候選維護(hù)方案，將所述候選維護(hù)方案和所述多層次故障預(yù)測結(jié)果添加至知識(shí)圖譜構(gòu)建模塊中，通過關(guān)聯(lián)機(jī)床故障原因和失效機(jī)理，生成語義關(guān)聯(lián)網(wǎng)絡(luò)并結(jié)合多目標(biāo)優(yōu)化算[0035]獲取所述機(jī)床健康狀態(tài)評估結(jié)果并添加至預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型，通過基于門控循環(huán)單元的短期預(yù)測模型生成短期預(yù)測結(jié)果，通過基于卷積長短時(shí)記憶網(wǎng)絡(luò)的中期預(yù)測模型確定中期預(yù)測結(jié)果，通過基于深度生存模型的長期預(yù)測模型生成長期預(yù)測結(jié)果，組合預(yù)測得到的預(yù)測結(jié)果，得到所述多層次故障預(yù)測結(jié)果；[0036]基于所述多層次故障預(yù)測結(jié)果，結(jié)合工況條件設(shè)置全局決策層和子任務(wù)決策層，其中，所述全局決策層以數(shù)控機(jī)床健康狀態(tài)為狀態(tài)，以候選維護(hù)方案集合為動(dòng)作，以維護(hù)績效指標(biāo)為獎(jiǎng)勵(lì)，所述子任務(wù)決策層以子任務(wù)狀態(tài)為狀態(tài)，以子任務(wù)執(zhí)行方案為動(dòng)作，以子任務(wù)性能指標(biāo)為獎(jiǎng)勵(lì)；[0037]基于所述全局決策層和所述子任務(wù)決策層，結(jié)合主動(dòng)探索機(jī)制確定全局最優(yōu)決策9據(jù)中抽取實(shí)體以及所述實(shí)體對應(yīng)的屬性信息，通過基于規(guī)則和圖嵌入的方法進(jìn)行知識(shí)融行全面感知并通過分布式自適應(yīng)采樣獲取機(jī)床運(yùn)行參數(shù)，對所述機(jī)床運(yùn)行參數(shù)進(jìn)行預(yù)處[0051]用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；[0052]其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述所述的方法。[0053]本發(fā)明實(shí)施例的第四方面，[0054]提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。[0055]本發(fā)明中，通過自適應(yīng)網(wǎng)格劃分算法優(yōu)化有限元模型，并結(jié)合多物理場耦合建模生成機(jī)床數(shù)字孿生模型，將機(jī)床運(yùn)行大數(shù)據(jù)與深度遷移學(xué)習(xí)模型相結(jié)合，實(shí)現(xiàn)數(shù)字孿生模型的持續(xù)優(yōu)化和自演化，能夠準(zhǔn)確反映機(jī)床的實(shí)時(shí)運(yùn)行狀態(tài)和退化規(guī)律，為后續(xù)的健康評估和故障預(yù)測提供可靠的數(shù)字化基礎(chǔ)，采用多視圖學(xué)習(xí)融合模型對多模態(tài)感知數(shù)據(jù)進(jìn)行特征提取和關(guān)聯(lián)分析，實(shí)現(xiàn)不同模態(tài)間的信息融合，能夠全面捕捉機(jī)床運(yùn)行狀態(tài)的多維度特征，提高健康狀態(tài)評估的準(zhǔn)確性和魯棒性，引入多時(shí)間尺度故障預(yù)測模型，從短期、中期和長期三個(gè)時(shí)間尺度對機(jī)床故障進(jìn)行預(yù)測，能夠捕捉故障演化的動(dòng)態(tài)特征，提供對故障發(fā)生時(shí)間和嚴(yán)重程度的全面估計(jì)，為制定針對性的維護(hù)策略提供依據(jù)，采用基于深度強(qiáng)化學(xué)習(xí)的維護(hù)策略優(yōu)化算法，根據(jù)機(jī)床健康狀態(tài)和故障預(yù)測結(jié)果，自適應(yīng)地確定候選維護(hù)方案，使得維護(hù)決策能夠隨著時(shí)間的推移不斷改進(jìn)，提高維護(hù)的針對性和有效性，綜上，本發(fā)明顯著提升了數(shù)控機(jī)床的運(yùn)維效率和可靠性，實(shí)現(xiàn)了機(jī)床健康狀態(tài)評估、故障預(yù)測和維護(hù)決策的智能化，為實(shí)現(xiàn)數(shù)控機(jī)床的智能化運(yùn)維提供了一種創(chuàng)新性的解決方案。附圖說明[0056]圖1為本發(fā)明實(shí)施例基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策方法的流程示意[0057]圖2為本發(fā)明實(shí)施例基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策系統(tǒng)的結(jié)構(gòu)示意具體實(shí)施方式[0058]為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。[0059]下面以具體地實(shí)施例對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。下面這幾個(gè)具體的實(shí)施例可以相互結(jié)合，對于相同或相似的概念或過程可能在某些實(shí)施例不再贅述。[0060]圖1為本發(fā)明實(shí)施例基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策方法的流程示意[0061]S1.獲取數(shù)控機(jī)床的結(jié)構(gòu)數(shù)據(jù)和仿真精度要求，結(jié)合自適應(yīng)網(wǎng)格劃分算法確定有限元模型的最優(yōu)網(wǎng)格尺寸和分布參數(shù)，獲取所述有限元模型中數(shù)控機(jī)床的運(yùn)行條件并添加至多物理場耦合建模模塊，生成機(jī)床數(shù)字孿生模型并與物理場進(jìn)行融合，結(jié)合映射關(guān)系生成機(jī)床運(yùn)行退化模型，通過預(yù)先獲取的機(jī)床運(yùn)行大數(shù)據(jù)與深度遷移學(xué)習(xí)模型進(jìn)行持續(xù)優(yōu)11[0062]所述仿真精度要求指的是在計(jì)算機(jī)模擬和數(shù)值仿真過程中，對結(jié)果的準(zhǔn)確性和精確度的要求，所述自適應(yīng)網(wǎng)格劃分算法用于在仿真過程中根據(jù)解的誤差或梯度變化自動(dòng)調(diào)整網(wǎng)格劃分密度，所述有限元模型是一種數(shù)值計(jì)算方法，通過將連續(xù)介質(zhì)劃分為離散的有限單元來求解復(fù)雜的物理問題，所述多物理場耦合建模模塊用于模擬多個(gè)物理場(如熱、結(jié)構(gòu)、流體、電磁等)之間的相互作用，所述深度遷移學(xué)習(xí)模型是指通過利用在一個(gè)源任務(wù)上訓(xùn)練好的深度學(xué)習(xí)模型的知識(shí)，來幫助解決在目標(biāo)任務(wù)上的問題，所述自演化數(shù)字孿生模型是一種能夠隨著物理系統(tǒng)的變化和數(shù)據(jù)的積累不斷更新和優(yōu)化自身的數(shù)字模型。[0064]獲取數(shù)控機(jī)床的結(jié)構(gòu)數(shù)據(jù)和仿真精度要求，結(jié)合自適應(yīng)網(wǎng)格劃分算法確定有限元模型的最優(yōu)網(wǎng)格尺寸和分布參數(shù)，獲取所述有限元模型中數(shù)控機(jī)床的運(yùn)行條件并添加至多物理場耦合建模模塊，生成機(jī)床數(shù)字孿生模型并與物理場進(jìn)行融合，結(jié)合映射關(guān)系生成機(jī)床運(yùn)行退化模型，通過預(yù)先獲取的機(jī)床運(yùn)行大數(shù)據(jù)與深度遷移學(xué)習(xí)模型進(jìn)行持續(xù)優(yōu)化，得到自演化數(shù)字孿生模型包括：[0065]通過三維掃描獲取數(shù)控機(jī)床的結(jié)構(gòu)參數(shù)，其中，所述結(jié)構(gòu)參數(shù)包括所述數(shù)控機(jī)床零部件的尺寸，形狀和裝配關(guān)系，基于所述數(shù)控機(jī)床的服役工況和故障模式，獲取所述數(shù)控機(jī)床對應(yīng)的仿真精度要求；[0066]對所述數(shù)控機(jī)床進(jìn)行特征分析，提取結(jié)構(gòu)應(yīng)力和熱點(diǎn)作為關(guān)鍵特征，確定特征屬性并結(jié)合仿真精度要求確定不同區(qū)域的網(wǎng)格尺度，將應(yīng)力集中且斷面突變的區(qū)域作為薄弱區(qū)域，增加所述薄弱區(qū)域內(nèi)的網(wǎng)格密度，結(jié)合高階網(wǎng)格單元，提高單元內(nèi)場變量的逼近精度，完成網(wǎng)格劃分并得到所述最優(yōu)網(wǎng)格尺寸和分布參數(shù)，通過有限元軟件搭建當(dāng)前數(shù)控機(jī)床的多粒度有限元模型；[0067]基于所述多粒度有限元模型，獲取所述數(shù)控機(jī)床在加工條件下的邊界條件，將所述邊界條件作為載荷和約束添加至所述多粒度有限元模型中，結(jié)合所述數(shù)控機(jī)床對應(yīng)的物理場，結(jié)合物理場耦合求解方法進(jìn)行仿真數(shù)值求解，得到對應(yīng)的物理場行為，結(jié)合傳感器映射技術(shù)，采集數(shù)控機(jī)床的狀態(tài)數(shù)據(jù)并映射至虛擬模型的對應(yīng)節(jié)點(diǎn)，得到多物理場數(shù)字孿生模型，獲取所述數(shù)控機(jī)床的退化過程，并結(jié)合預(yù)先獲取的機(jī)床運(yùn)行大數(shù)據(jù)提取退化先兆特[0068]通過深度遷移學(xué)習(xí)技術(shù)，結(jié)合所述機(jī)床運(yùn)行大數(shù)據(jù)，通過深度神經(jīng)網(wǎng)絡(luò)提取不同工況下的共同特征，確定退化規(guī)律，結(jié)合遷移學(xué)習(xí)在新工況下對所述機(jī)床退化模型進(jìn)行自適應(yīng)調(diào)整，得到所述自演化數(shù)字孿生模型。[0069]所述故障模式指的是系統(tǒng)或設(shè)備可能發(fā)生的各種故障類型和表現(xiàn)形式，所述結(jié)構(gòu)應(yīng)力指的是結(jié)構(gòu)件在外部載荷作用下產(chǎn)生的內(nèi)部應(yīng)力，所述逼近精度是指在數(shù)值模擬和建模過程中，模型對實(shí)際系統(tǒng)或數(shù)據(jù)的擬合程度，所述退化先兆特征是指系統(tǒng)或設(shè)備在退化過程中表現(xiàn)出的早期特征或信號(hào)，所述退化規(guī)律指的是系統(tǒng)或設(shè)備在使用過程中性能隨時(shí)間逐漸下降的規(guī)律性變化。[0070]通過三維掃描技術(shù)獲取數(shù)控機(jī)床的結(jié)構(gòu)參數(shù)，包括數(shù)控機(jī)床零部件的尺寸、形狀和裝配關(guān)系，基于數(shù)控機(jī)床的服役工況和故障模式，確定數(shù)控機(jī)床對應(yīng)的仿真精度要求；[0071]對數(shù)控機(jī)床進(jìn)行特征分析，提取結(jié)構(gòu)應(yīng)力和熱點(diǎn)作為關(guān)鍵特征，確定特征屬性，結(jié)合仿真精度要求，確定不同區(qū)域的網(wǎng)格尺度，將應(yīng)力集中且斷面突變的區(qū)域作為薄弱區(qū)域，析工具，準(zhǔn)確捕獲機(jī)床的結(jié)構(gòu)應(yīng)力和熱點(diǎn)區(qū)域，確定薄弱區(qū)域并通過增加網(wǎng)格密度[0080]S2.基于所述自演化數(shù)字孿生模型構(gòu)建傳感網(wǎng)絡(luò)，對所述數(shù)控機(jī)床進(jìn)行全面感知在關(guān)聯(lián)特征，結(jié)合所述自演化數(shù)字孿生模型得到機(jī)床健康狀態(tài)評估結(jié)果；[0081]所述分布式自適應(yīng)采樣是一種應(yīng)對分布式系統(tǒng)中數(shù)據(jù)采集需求的方法，自適應(yīng)采樣策略能根據(jù)實(shí)時(shí)的機(jī)床運(yùn)行狀態(tài)和環(huán)境條件，動(dòng)態(tài)調(diào)整傳感器的采樣頻率和采樣范圍，以確保采集到的數(shù)據(jù)具有代表性和高質(zhì)量，同時(shí)降低數(shù)據(jù)傳輸和處理的成本，所述機(jī)床運(yùn)行參數(shù)指的是描述機(jī)床在工作過程中關(guān)鍵性能和狀態(tài)的各種參數(shù)，包括但不限于：切削速或模態(tài)下的數(shù)據(jù)特征，以更全面和準(zhǔn)確地分析機(jī)床運(yùn)行狀態(tài)和健康狀況，所述多視角潛在特征指的是從多個(gè)視角或模態(tài)下提取的具有代表性和高度相關(guān)性的數(shù)據(jù)特征，所述潛在關(guān)聯(lián)特征是指在數(shù)據(jù)中可能存在但不易直接觀察到的相關(guān)性和模式，所述機(jī)床健康狀態(tài)評估結(jié)果是基于多視圖學(xué)習(xí)融合模型和多視角潛在特征分析得出的結(jié)論，反映了機(jī)床在特定時(shí)刻或周期內(nèi)的整體運(yùn)行健康狀況。[0083]基于所述自演化數(shù)字孿生模型構(gòu)建傳感網(wǎng)絡(luò)，對所述數(shù)控機(jī)床進(jìn)行全面感知并通過分布式自適應(yīng)采樣獲取機(jī)床運(yùn)行參數(shù)，對所述機(jī)床運(yùn)行參數(shù)進(jìn)行預(yù)處理，得到多模態(tài)感知數(shù)據(jù)并添加至多視圖學(xué)習(xí)融合模型中，提取多視角潛在特征并確定不同模態(tài)間的潛在關(guān)聯(lián)特征，結(jié)合所述自演化數(shù)字孿生模型得到機(jī)床健康狀態(tài)評估結(jié)果包括：[0084]基于所述自演化數(shù)字孿生模型，構(gòu)建覆蓋數(shù)控機(jī)床全部部件以及功能單元的傳感[0085]基于所述傳感網(wǎng)絡(luò)對所述數(shù)控機(jī)床進(jìn)行全面感知，結(jié)合預(yù)先設(shè)置在邊緣節(jié)點(diǎn)的自適應(yīng)采樣觸發(fā)器，根據(jù)數(shù)控機(jī)床的實(shí)時(shí)工況和退化狀態(tài)，動(dòng)態(tài)調(diào)整所述傳感網(wǎng)絡(luò)的采樣頻率，得到所述機(jī)床運(yùn)行參數(shù)，對所述機(jī)床運(yùn)行參數(shù)進(jìn)行預(yù)處理，得到所述多模態(tài)感知數(shù)據(jù)；[0086]基于所述多模態(tài)感知數(shù)據(jù)，對于每個(gè)模態(tài)，設(shè)置對應(yīng)的特征提取子視圖，基于所述特征提取子視圖對每個(gè)模態(tài)內(nèi)的數(shù)據(jù)提取趨勢特征和周期特征作為多視角潛在特征，基于所述多視角潛在特征，結(jié)合多視圖融合算法，通過確定不同模態(tài)之間線性相關(guān)性和非線性相關(guān)性，生成跨模態(tài)公共表示并結(jié)合多視圖對齊策略確定潛在關(guān)聯(lián)特征；[0087]將所述潛在關(guān)聯(lián)特征添加至所述自演化數(shù)字孿生模型中，結(jié)合實(shí)時(shí)監(jiān)測數(shù)據(jù)，生成所述機(jī)床健康狀態(tài)評估結(jié)果。[0088]所述功能單元指的是系統(tǒng)或模型中完成特定功能或任務(wù)的基本組成部分，所述自適應(yīng)采樣觸發(fā)器用于根據(jù)系統(tǒng)狀態(tài)或特定條件自動(dòng)觸發(fā)數(shù)據(jù)采集，所述特征提取子視圖是從數(shù)據(jù)中提取特定方面或模態(tài)的特征的模塊，所述跨模態(tài)公共表示指的是將不同模態(tài)或數(shù)據(jù)類型的信息映射到一個(gè)共享的表示空間中，以便于不同數(shù)據(jù)源之間的比較和融合，所述多視圖對齊策略是指在多視圖學(xué)習(xí)中用于確保不同視圖之間信息一致性和相關(guān)性的方法或技術(shù)。[0089]根據(jù)數(shù)控機(jī)床的結(jié)構(gòu)和功能特點(diǎn)，部署多類型傳感器，包括振動(dòng)傳感器、溫度傳感器、應(yīng)力傳感器、位移傳感器和電流傳感器等，傳感器的布置位置和數(shù)量應(yīng)充分考慮機(jī)床的關(guān)鍵部件和薄弱環(huán)節(jié)，確保對機(jī)床狀態(tài)的全面感知；[0090]在邊緣節(jié)點(diǎn)設(shè)置自適應(yīng)采樣觸發(fā)器，根據(jù)數(shù)控機(jī)床的實(shí)時(shí)工況和退化狀態(tài)，動(dòng)態(tài)調(diào)整傳感網(wǎng)絡(luò)的采樣頻率，當(dāng)機(jī)床處于穩(wěn)定工況時(shí)，降低采樣頻率以減少數(shù)據(jù)冗余，當(dāng)機(jī)床工況發(fā)生變化或出現(xiàn)退化跡象時(shí)，提高采樣頻率以獲取更精細(xì)的狀態(tài)數(shù)據(jù)，采集到的機(jī)床運(yùn)行參數(shù)經(jīng)過預(yù)處理，得到多模態(tài)感知數(shù)據(jù)；[0091]針對每個(gè)數(shù)據(jù)模態(tài)，設(shè)置對應(yīng)的特征提取子視圖，在每個(gè)子視圖中，提取數(shù)據(jù)的趨勢特征和周期特征，作為多視角潛在特征，采用多視圖融合算法，通過分析不同模態(tài)之間的線性相關(guān)性和非線性相關(guān)性，生成跨模態(tài)公共表示，結(jié)合多視圖對齊策略，確定潛在關(guān)聯(lián)特[0092]將得到的潛在關(guān)聯(lián)特征作為新的輸入，添加至自演化數(shù)字孿生模型中，基于更新后的模型，結(jié)合傳感網(wǎng)絡(luò)采集到的實(shí)時(shí)監(jiān)測數(shù)據(jù)，對數(shù)控機(jī)床的當(dāng)前健康狀態(tài)進(jìn)行評估，評估結(jié)果可以包括機(jī)床整體健康度、關(guān)鍵部件健康度、退化趨勢預(yù)測等，得到所述機(jī)床健康狀態(tài)評估結(jié)果。[0093]本實(shí)施例中，通過在數(shù)控機(jī)床的關(guān)鍵部件和薄弱環(huán)節(jié)布置多類型傳感器，構(gòu)建覆參數(shù)的全面感知，為后續(xù)的數(shù)據(jù)分析和健康評估提供了豐富的信息基礎(chǔ)，多模態(tài)數(shù)據(jù)融合方法充分利用了不同模態(tài)數(shù)據(jù)之間的互補(bǔ)性和相關(guān)性，提高了特征表示的豐富性和魯棒性，為健康狀態(tài)評估提供了更全面、更準(zhǔn)確的信息，數(shù)字孿生模型通過持續(xù)學(xué)習(xí)和自適應(yīng)調(diào)整，能夠動(dòng)態(tài)地適應(yīng)數(shù)控機(jī)床的退化過程和工況變化，提高了健康狀態(tài)評估的準(zhǔn)確性和實(shí)時(shí)性，綜上，本實(shí)施例顯著提升了數(shù)控機(jī)床健康管理的智能化水平，為實(shí)現(xiàn)預(yù)測性維護(hù)和優(yōu)化運(yùn)維策略提供了有力支撐。[0095]基于所述特征提取子視圖對每個(gè)模態(tài)內(nèi)的數(shù)據(jù)提取趨勢特征和周期特征如下公式所示：[0097]其中，WT(a,b)表示在尺度a和位置b下的周期特征，a表示尺度參數(shù)，用于控制函數(shù)寬度，b表示平移參數(shù)，用于確定函數(shù)在時(shí)間軸上的位置，x(t)表示原始信號(hào)，ψ()表示母小波函數(shù)；第j個(gè)尺度的滑動(dòng)窗口長度，J表示總尺度數(shù)量，i是索引變量，用于表示相對于當(dāng)前時(shí)間點(diǎn)t向前回溯的時(shí)間步長。[0100]本實(shí)施例中，采用小波變換提取周期特征，能夠有效捕捉信號(hào)在不同尺度下的周期性成分，滑動(dòng)平均法通過對不同尺度的滑動(dòng)窗口內(nèi)數(shù)據(jù)進(jìn)行加權(quán)平均，能夠有效平滑短期波動(dòng)，突出長期趨勢，通過結(jié)合不同尺度下的周期特征和趨勢特征，實(shí)現(xiàn)了多尺度特征的本實(shí)施例能夠有效捕捉數(shù)控機(jī)床運(yùn)行過程中的周期性行為和長期趨勢，并具有良好的降噪和特征增強(qiáng)能力，為后續(xù)的健康狀態(tài)評估提供了高質(zhì)量、高可靠性的特征輸入。[0101]S3.基于所述機(jī)床健康狀態(tài)評估結(jié)果，結(jié)合預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型生成多層次故障預(yù)測結(jié)果，結(jié)合歷史維護(hù)案例，通過基于深度強(qiáng)化學(xué)習(xí)的維護(hù)策略優(yōu)化算法自適應(yīng)確定候選維護(hù)方案，將所述候選維護(hù)方案和所述多層次故障預(yù)測結(jié)果添加至知識(shí)圖譜構(gòu)建模塊中，通過關(guān)聯(lián)機(jī)床故障原因和失效機(jī)理，生成語義關(guān)聯(lián)網(wǎng)絡(luò)并結(jié)合多目標(biāo)優(yōu)[0102]所述多時(shí)間尺度故障預(yù)測模型考慮不同時(shí)間尺度下系統(tǒng)或設(shè)備的故障預(yù)測，所述多層次故障預(yù)測結(jié)果指的是對系統(tǒng)或設(shè)備可能發(fā)生的不同類型故障的多層次預(yù)測和分析，所述歷史維護(hù)案例是指記錄和分析過去對系統(tǒng)或設(shè)備進(jìn)行維護(hù)和修理的案例和經(jīng)驗(yàn)，所述維護(hù)策略優(yōu)化算法是針對設(shè)備維護(hù)的決策問題，基于數(shù)據(jù)分析和模型預(yù)測，通過優(yōu)化方法來確定最優(yōu)的維護(hù)時(shí)間、方式和資源配置，所述知識(shí)圖譜構(gòu)建模塊是利用知識(shí)圖譜技術(shù)，將系統(tǒng)或設(shè)備的關(guān)鍵信息、屬性、關(guān)系和行為以圖的形式進(jìn)行建模和表示的模塊，所述失效機(jī)理指的是導(dǎo)致設(shè)備或系統(tǒng)失效的根本原因或物理過程，所述語義關(guān)聯(lián)網(wǎng)絡(luò)是一種基于語義關(guān)系構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)，用于描述和分析實(shí)體之間的關(guān)聯(lián)性。[0104]基于所述機(jī)床健康狀態(tài)評估結(jié)果，結(jié)合預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型生成多層次故障預(yù)測結(jié)果，結(jié)合歷史維護(hù)案例，通過基于深度強(qiáng)化學(xué)習(xí)的維護(hù)策略優(yōu)化算法自適應(yīng)確定候選維護(hù)方案，將所述候選維護(hù)方案和所述多層次故障預(yù)測結(jié)果添加至知識(shí)圖譜構(gòu)建模塊中，通過關(guān)聯(lián)機(jī)床故障原因和失效機(jī)理，生成語義關(guān)聯(lián)網(wǎng)絡(luò)并結(jié)合多目標(biāo)優(yōu)化算[0105]獲取所述機(jī)床健康狀態(tài)評估結(jié)果并添加至預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型，通過基于門控循環(huán)單元的短期預(yù)測模型生成短期預(yù)測結(jié)果，通過基于卷積長短時(shí)記憶網(wǎng)絡(luò)的中期預(yù)測模型確定中期預(yù)測結(jié)果，通過基于深度生存模型的長期預(yù)測模型生成長期預(yù)測結(jié)果，組合預(yù)測得到的預(yù)測結(jié)果，得到所述多層次故障預(yù)測結(jié)果；[0106]基于所述多層次故障預(yù)測結(jié)果，結(jié)合工況條件設(shè)置全局決策層和子任務(wù)決策層，其中，所述全局決策層以數(shù)控機(jī)床健康狀態(tài)為狀態(tài)，以候選維護(hù)方案集合為動(dòng)作，以維護(hù)績效指標(biāo)為獎(jiǎng)勵(lì)，所述子任務(wù)決策層以子任務(wù)狀態(tài)為狀態(tài)，以子任務(wù)執(zhí)行方案為動(dòng)作，以子任務(wù)性能指標(biāo)為獎(jiǎng)勵(lì)；[0107]基于所述全局決策層和所述子任務(wù)決策層，結(jié)合主動(dòng)探索機(jī)制確定全局最優(yōu)決策和局部最優(yōu)決策，結(jié)合納什均衡策略對所述全局最優(yōu)決策進(jìn)行協(xié)同優(yōu)化，生成全局維護(hù)方案集合，通過多智能體強(qiáng)化學(xué)習(xí)算法對所述子任務(wù)決策層進(jìn)行分布式優(yōu)化，生成子任務(wù)執(zhí)行方案，將所述子任務(wù)執(zhí)行方案和所述全局維護(hù)方案集合進(jìn)行集成，得到候選維護(hù)方案，重[0108]設(shè)計(jì)數(shù)控機(jī)床領(lǐng)域本體，定義核心概念和關(guān)系類型，從結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)中抽取實(shí)體以及所述實(shí)體對應(yīng)的屬性信息，通過基于規(guī)則和圖嵌入的方法進(jìn)行知識(shí)融合，生成數(shù)控機(jī)床知識(shí)圖譜，將所述候選維護(hù)方案和所述多層次故障預(yù)測結(jié)果添加至所述數(shù)控機(jī)床知識(shí)圖譜中，通過語義關(guān)聯(lián)分析和以及路徑推理和圖譜嵌入推理算法，確定故障原因和失效機(jī)理，生成語義關(guān)聯(lián)網(wǎng)絡(luò)以及當(dāng)前故障對應(yīng)的故障傳播路徑；[0109]以故障復(fù)發(fā)率最小化和維護(hù)成本最小化為目標(biāo)，結(jié)合多目標(biāo)優(yōu)化算法設(shè)置目標(biāo)函數(shù)并從所述候選維護(hù)方案集合中隨機(jī)選取多個(gè)元素構(gòu)成初始種群，對所述初始種群進(jìn)行交叉操作和變異操作，生成子代種群并進(jìn)行非支配排序，計(jì)算擁擠度并結(jié)合支配關(guān)系確定保留個(gè)體，重復(fù)操作，生成帕累托前沿并根據(jù)帕累托解集進(jìn)行排序，選擇位于第一的個(gè)體作為所述最優(yōu)維護(hù)決策。[0110]所述全局決策層指的是整個(gè)系統(tǒng)或多智能體系統(tǒng)中負(fù)責(zé)全局任務(wù)分配和優(yōu)化決策的層級(jí)，所述子任務(wù)決策層是多智能體系統(tǒng)中負(fù)責(zé)執(zhí)行具體任務(wù)和局部決策的層級(jí)，所述納什均衡策略是博弈論中的一個(gè)重要概念，指的是在多方?jīng)Q策者之間，每個(gè)決策者根據(jù)其他決策者的策略選擇，選擇自己的最佳策略，使得每個(gè)決策者無法通過單方面改變策略而提高自身效用，所述多智能體強(qiáng)化學(xué)習(xí)算法是針對多智能體系統(tǒng)設(shè)計(jì)的一類算法，結(jié)合強(qiáng)化學(xué)習(xí)的思想，使得多個(gè)智能體在與環(huán)境交互中學(xué)習(xí)如何最大化累積獎(jiǎng)勵(lì)，所述路徑推理是指在復(fù)雜系統(tǒng)中根據(jù)歷史數(shù)據(jù)和模型，推斷出可能的事件序列或行為路徑，所述圖譜嵌入推理算法是一種將知識(shí)圖譜中的實(shí)體和關(guān)系映射到低維向量空間的方法，以便于進(jìn)行推理和分析，所述故障傳播路徑描述了在系統(tǒng)中故障發(fā)生后，故障如何通過系統(tǒng)的各個(gè)部分或組件傳播和影響，所述非支配排序是多目標(biāo)優(yōu)化問題中的一種方法，用于比較和排序多個(gè)目標(biāo)函數(shù)之間的解。[0111]獲取機(jī)床健康狀態(tài)評估結(jié)果，并添加至預(yù)先設(shè)置的多時(shí)間尺度故障預(yù)測模型中，通過基于門控循環(huán)單元的短期預(yù)測模型生成短期預(yù)測結(jié)果，通過基于卷積長短時(shí)記憶網(wǎng)絡(luò)的中期預(yù)測模型確定中期預(yù)測結(jié)果，通過基于深度生存模型的長期預(yù)測模型生成長期預(yù)測[0112]基于多層次故障預(yù)測結(jié)果，結(jié)合工況條件設(shè)置全局決策層和子任務(wù)決策層，全局決策層以數(shù)控機(jī)床健康狀態(tài)為狀態(tài)，以候選維護(hù)方案集合為動(dòng)作，以維護(hù)績效指標(biāo)為獎(jiǎng)勵(lì)，子任務(wù)決策層以子任務(wù)狀態(tài)為狀態(tài)，以子任務(wù)執(zhí)行方案為動(dòng)作，以子任務(wù)性能指標(biāo)為獎(jiǎng)勵(lì)，采用納什均衡策略對全局最優(yōu)決策進(jìn)行協(xié)同優(yōu)化，生成全局維護(hù)方案集合，通過多智能體強(qiáng)化學(xué)習(xí)算法對子任務(wù)決策層進(jìn)行分布式優(yōu)化，生成子任務(wù)執(zhí)行方案，將子任務(wù)執(zhí)行方案和全局維護(hù)方案集合進(jìn)行集成，得到候選維護(hù)方案。重復(fù)集成過程，得到候選維護(hù)方案集[0113]設(shè)計(jì)數(shù)控機(jī)床領(lǐng)域本體，定義核心概念和關(guān)系類型，從結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)中抽取實(shí)體以及實(shí)體對應(yīng)的屬性信息，通過基于規(guī)則和圖嵌入的方法進(jìn)行知識(shí)融合，生成數(shù)控機(jī)床知識(shí)圖譜，將候選維護(hù)方案和多層次故障預(yù)測結(jié)果添加至數(shù)控機(jī)床知識(shí)圖譜中，通過語義關(guān)聯(lián)分析以及路徑推理和圖譜嵌入推理算法，確定故障原因和失效機(jī)理，基于知識(shí)圖譜生成語義關(guān)聯(lián)網(wǎng)絡(luò)，以及當(dāng)前故障對應(yīng)的故障傳播路徑，語義關(guān)聯(lián)網(wǎng)絡(luò)和故障傳播路徑用于顯示故障發(fā)生的根本原因和演化過程，為維護(hù)決策提供知識(shí)支持；[0114]以故障復(fù)發(fā)率最小化和維護(hù)成本最小化為目標(biāo)，設(shè)置多目標(biāo)優(yōu)化問題，結(jié)合多目標(biāo)優(yōu)化算法設(shè)置目標(biāo)函數(shù)，并從候選維護(hù)方案集合中隨機(jī)選取多個(gè)元素構(gòu)成初始種群，對初始種群進(jìn)行交叉操作和變異操作，生成子代種群，對子代種群進(jìn)行非支配排序，計(jì)算個(gè)體的擁擠度，結(jié)合支配關(guān)系確定保留個(gè)體，組成新一代種群，重復(fù)生成子代種群，直至達(dá)到預(yù)設(shè)的最大迭代次數(shù)，最終生成帕累托前沿，表示故障復(fù)發(fā)率和維護(hù)成本之間的最優(yōu)權(quán)衡解[0115]根據(jù)帕累托解集進(jìn)行排序，選擇位于第一的個(gè)體作為最優(yōu)維護(hù)決策，其中，最優(yōu)維護(hù)決策綜合考慮了故障預(yù)測結(jié)果、候選維護(hù)方案、知識(shí)圖譜推理以及多目標(biāo)優(yōu)化，能夠在最小化故障復(fù)發(fā)率和維護(hù)成本的同時(shí)，保證維護(hù)方案的可行性和有效性。[0116]本實(shí)施例中，采用多時(shí)間尺度故障預(yù)測模型，從短期、中期和長期三個(gè)層次對數(shù)控機(jī)床的故障進(jìn)行預(yù)測，為維護(hù)決策提供了重要依據(jù)，有助于提高維護(hù)策略的前瞻性和針對性，通過全局決策層和子任務(wù)決策層的協(xié)同優(yōu)化，生成候選維護(hù)方案集合，能夠在與環(huán)境的交互中不斷學(xué)習(xí)和優(yōu)化，自適應(yīng)地調(diào)整維護(hù)策略以適應(yīng)機(jī)床狀態(tài)的變化，構(gòu)建數(shù)控機(jī)床知識(shí)圖譜，融合結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，形成對機(jī)床故障的全面語義表示，為維護(hù)決策提供了豐富的領(lǐng)域知識(shí)支持，有助于提高決策的可解釋性和可信度，以故障復(fù)發(fā)率最小化和維護(hù)成本最小化為目標(biāo)，構(gòu)建多目標(biāo)優(yōu)化問題，能夠系統(tǒng)地考慮不同維護(hù)目標(biāo)之間的約束和沖突，生成全局最優(yōu)的維護(hù)決策，實(shí)現(xiàn)了維護(hù)效果和維護(hù)成本的平衡，綜上，本實(shí)施例實(shí)現(xiàn)了數(shù)控機(jī)床維護(hù)決策的智能化和優(yōu)化，為數(shù)控機(jī)床的智能維護(hù)提供了一種全新的解決方案，具有顯著的技術(shù)優(yōu)勢和應(yīng)用價(jià)值。[0118]基于深度生存模型的長期預(yù)測模型對應(yīng)的損失函數(shù)如下公式所示：(x,T)表示模型對輸入特征x和時(shí)間t的預(yù)測結(jié)果，Tg表示第8個(gè)樣本的事件發(fā)生事件，μ表示[0121]本實(shí)施例中，將事件發(fā)生的時(shí)間點(diǎn)納入損失函數(shù)中，使模型能夠?qū)W習(xí)事件發(fā)生的時(shí)間特征，能夠充分利用事件發(fā)生時(shí)間的信息，提高長期故障預(yù)測的準(zhǔn)確性，通過多層非線性變換，模型能夠捕捉特征之間的復(fù)雜交互和高階關(guān)系，提取出對長期故障預(yù)測最有效的特征表示，生存概率估計(jì)為制定長期維護(hù)策略提供了量化的風(fēng)險(xiǎn)評估依據(jù)，正則化約束能夠提高模型的泛化能力，使其在未知的機(jī)床狀態(tài)下也能做出可靠的長期預(yù)測，深度生存模型采用端到端的訓(xùn)練方式，通過反向傳播算法直接從輸入特征和事件發(fā)生時(shí)間中學(xué)習(xí)預(yù)測模型，避免了手動(dòng)特征工程的需要，簡化了模型構(gòu)建流程，能夠自動(dòng)優(yōu)化特征提取和生存概率估計(jì)的整個(gè)過程，提高模型的整體性能，綜上，本實(shí)施例能夠有效處理機(jī)床狀態(tài)數(shù)據(jù)，提供對長期故障風(fēng)險(xiǎn)的概率估計(jì)，為制定長期維護(hù)策略提供量化的決策依據(jù)。[0122]圖2為本發(fā)明實(shí)施例基于數(shù)字孿生的數(shù)控機(jī)床智能化維護(hù)決策系統(tǒng)的結(jié)構(gòu)示意[0123]第一單元，用于獲取數(shù)控機(jī)床的結(jié)構(gòu)數(shù)據(jù)和仿真精度要求，結(jié)合自適應(yīng)網(wǎng)格劃分算法確定有限元模型的最優(yōu)網(wǎng)格尺寸和分布參數(shù)，獲取所述有限元