CN119310927B 基于数字孪生的数控机床智能化维护决策方法及系统（常州完美维度科技有限公司）

(19)国家知识产权局(12)发明专利公司32105GO5B19/408(2006.基于数字孪生的数控机床智能化维护决策本发明提供一种基于数字孪生的数控机床,提取多视角潜在特征并确定不同模态间的潜在关联特征，结合所述自,求解得到最优维护决策_S221.基于数字孪生的数控机床智能化维护决策方法，其特征在于，包括：获取数控机床的结构数据和仿真精度要求，结合自适应网格划分算法确定有限元模型的最优网格尺寸和分布参数，获取所述有限元模型中数控机床的运行条件并添加至多物理场耦合建模模块，生成机床数字孪生模型并与物理场进行融合，结合映射关系生成机床运行退化模型，通过预先获取的机床运行大数据与深度迁移学习模型进行持续优化，得到自演化数字孪生模型，包括：基于预先构建的多粒度有限元模型，获取所述数控机床在加工条件下的边界条件，将所述边界条件作为载荷和约束添加至所述多粒度有限元模型中，结合所述数控机床对应的物理场，结合物理场耦合求解方法进行仿真数值求解，得到对应的物理场行为，结合传感器映射技术，采集数控机床的状态数据并映射至虚拟模型的对应节点，得到多物理场数字孪生模型，获取所述数控机床的退化过程，并结合预先获取的机床运行大数据提取退化先兆特征，构建机床退化模型；通过深度迁移学习技术，结合所述机床运行大数据，通过深度神经网络提取不同工况下的共同特征，确定退化规律，结合迁移学习在新工况下对所述机床退化模型进行自适应调整，得到所述自演化数字孪生模型；基于所述自演化数字孪生模型构建传感网络，对所述数控机床进行全面感知并通过分布式自适应采样获取机床运行参数，对所述机床运行参数进行预处理，得到多模态感知数据并添加至多视图学习融合模型中，提取多视角潜在特征并确定不同模态间的潜在关联特征，结合所述自演化数字孪生模型得到机床健康状态评估结果；基于所述机床健康状态评估结果，结合预先设置的多时间尺度故障预测模型生成多层次故障预测结果，结合历史维护案例，通过基于深度强化学习的维护策略优化算法自适应确定候选维护方案，将所述候选维护方案和所述多层次故障预测结果添加至知识图谱构建模块中，通过关联机床故障原因和失效机理，生成语义关联网络并结合多目标优化算法，求解得到最优维护决策。2.根据权利要求1所述的方法，其特征在于，获取数控机床的结构数据和仿真精度要求，结合自适应网格划分算法确定有限元模型的最优网格尺寸和分布参数包括：通过三维扫描获取数控机床的结构参数，其中，所述结构参数包括所述数控机床零部件的尺寸，形状和装配关系，基于所述数控机床的服役工况和故障模式，获取所述数控机床对应的仿真精度要求；对所述数控机床进行特征分析，提取结构应力和热点作为关键特征，确定特征属性并结合仿真精度要求确定不同区域的网格尺度，将应力集中且断面突变的区域作为薄弱区域，增加所述薄弱区域内的网格密度，结合高阶网格单元，提高单元内场变量的逼近精度，完成网格划分并得到所述最优网格尺寸和分布参数，通过有限元软件搭建当前数控机床的多粒度有限元模型。3.根据权利要求2所述的方法，其特征在于，结合迁移学习在新工况下对所述机床退化模型进行自适应调整如下公式所示：其中，0表示目标工况下的网络参数，L(θ)表示目标工况下的损失函数，dist(0s,0)表示源工况与目标工况网络参数之间的距离度量，λ₁表示距离度量权3基于所述自演化数字孪生模型，构建覆盖数控机床全部部件以及功能单元的传感网基于所述传感网络对所述数控机床进行全面感知，结合预先将所述潜在关联特征添加至所述自演化数字孪生模型中，结合实述多层次故障预测结果添加至知识图谱构建模块中，通过关联机床故障原因和失效机理，获取所述机床健康状态评估结果并添加至预先设置的多时间尺度故障预测模型，通过4期预测模型确定中期预测结果，通过基于深度生存模型的长期预测模型生成长期预测结所述全局决策层以数控机床健康状态为状态，以候选维护方案集合为动作，以维护绩效指基于所述全局决策层和所述子任务决策层，结合主动探索机制确定全局最优决策和局设计数控机床领域本体，定义核心概念和关系类型以故障复发率最小化和维护成本最小化为目标，结合多目标优化算法设置目标函数并8.基于数字孪生的数控机床智能化维护决策系统，用于实现前述权利要求1-7中任一第一单元，用于获取数控机床的结构数据和仿真精度要求，第二单元，用于基于所述自演化数字孪生模型构建传感网络，对所述数控机床进行全5间的潜在关联特征，结合所述自演化数字孪生模型得到机床健康状态评估结果；第三单元，用于基于所述机床健康状态评估结果，结合预先设置的多时间尺度故障预测模型生成多层次故障预测结果，结合历史维护案例，通过基于深度强化学习的维护策略优化算法自适应确定候选维护方案，将所述候选维护方案和所述多层次故障预测结果添加至知识图谱构建模块中，通过关联机床故障原因和失效机理，生成语义关联网络并结合多目标优化算法，求解得到最优维护决策。处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。6基于数字孪生的数控机床智能化维护决策方法及系统技术领域[0001]本发明涉及设备维护技术领域，尤其涉及一种基于数字孪生的数控机床智能化维护决策方法及系统。背景技术[0002]随着制造业的不断发展，数控机床已成为现代制造业的关键设备之一，数控机床的可靠运行直接影响生产效率和产品质量，然而，由于数控机床结构复杂、工作环境恶劣等因素，其在运行过程中不可避免地会出现各种故障和性能退化问题；[0003]传统的数控机床维护主要依赖于定期保养和事后维修，这种被动的维护模式难以适应现代制造业的需求，定期保养周期难以确定，过于频繁会增加维护成本，过于稀疏则无法及时发现潜在故障，事后维修则会导致意外停机，影响生产进度和产品交付，此外，传统维护方法严重依赖维护人员的经验和技能，存在人力成本高，决策主观性强的问题；[0004]随着物联网、大数据和人工智能等技术的发展，智能化维护决策方法受到广泛关注，但大多数方法仅关注单一数据源，难以全面反映机床的健康状态，同时主要基于数据驱动建模，缺乏对机床物理机理的考虑，预测结果的可解释性和可靠性有待提高；[0005]因此，亟需一种方案解决现有技术中存在的发明内容[0006]本发明实施例提供一种基于数字孪生的数控机床智能化维护决策方法及系统，至少能解决现有技术中存在的部分问题。[0007]本发明实施例的第一方面，提供一种基于数字孪生的数控机床智能化维护决策方[0008]获取数控机床的结构数据和仿真精度要求，结合自适应网格划分算法确定有限元模型的最优网格尺寸和分布参数，获取所述有限元模型中数控机床的运行条件并添加至多物理场耦合建模模块，生成机床数字孪生模型并与物理场进行融合，结合映射关系生成机床运行退化模型，通过预先获取的机床运行大数据与深度迁移学习模型进行持续优化，得到自演化数字孪生模型；[0009]基于所述自演化数字孪生模型构建传感网络，对所述数控机床进行全面感知并通过分布式自适应采样获取机床运行参数，对所述机床运行参数进行预处理，得到多模态感知数据并添加至多视图学习融合模型中，提取多视角潜在特征并确定不同模态间的潜在关联特征，结合所述自演化数字孪生模型得到机床健康状态评估结果；[0010]基于所述机床健康状态评估结果，结合预先设置的多时间尺度故障预测模型生成多层次故障预测结果，结合历史维护案例，通过基于深度强化学习的维护策略优化算法自适应确定候选维护方案，将所述候选维护方案和所述多层次故障预测结果添加至知识图谱构建模块中，通过关联机床故障原因和失效机理，生成语义关联网络并结合多目标优化算78率，得到所述机床运行参数，对所述机床运行参数进行预处理，得到所述多模态感知数据；[0025]基于所述多模态感知数据，对于每个模态，设置对应的特征提取子视图，基于所述特征提取子视图对每个模态内的数据提取趋势特征和周期特征作为多视角潜在特征，基于所述多视角潜在特征，结合多视图融合算法，通过确定不同模态之间线性相关性和非线性相关性，生成跨模态公共表示并结合多视图对齐策略确定潜在关联特征；[0026]将所述潜在关联特征添加至所述自演化数字孪生模型中，结合实时监测数据，生成所述机床健康状态评估结果。[0028]基于所述特征提取子视图对每个模态内的数据提取趋势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表示尺度参数，用于控制函数宽度，b表示平移参数，用于确定函数在时间轴上的位置，x(t)表示原始信号，ψ()表示母小波函数；第j个尺度的滑动窗口长度，J表示总尺度数量，i是索引变量，用于表示相对于当前时间点t向前回溯的时间步长。[0034]基于所述机床健康状态评估结果，结合预先设置的多时间尺度故障预测模型生成多层次故障预测结果，结合历史维护案例，通过基于深度强化学习的维护策略优化算法自适应确定候选维护方案，将所述候选维护方案和所述多层次故障预测结果添加至知识图谱构建模块中，通过关联机床故障原因和失效机理，生成语义关联网络并结合多目标优化算[0035]获取所述机床健康状态评估结果并添加至预先设置的多时间尺度故障预测模型，通过基于门控循环单元的短期预测模型生成短期预测结果，通过基于卷积长短时记忆网络的中期预测模型确定中期预测结果，通过基于深度生存模型的长期预测模型生成长期预测结果，组合预测得到的预测结果，得到所述多层次故障预测结果；[0036]基于所述多层次故障预测结果，结合工况条件设置全局决策层和子任务决策层，其中，所述全局决策层以数控机床健康状态为状态，以候选维护方案集合为动作，以维护绩效指标为奖励，所述子任务决策层以子任务状态为状态，以子任务执行方案为动作，以子任务性能指标为奖励；[0037]基于所述全局决策层和所述子任务决策层，结合主动探索机制确定全局最优决策9据中抽取实体以及所述实体对应的属性信息，通过基于规则和图嵌入的方法进行知识融行全面感知并通过分布式自适应采样获取机床运行参数，对所述机床运行参数进行预处[0051]用于存储处理器可执行指令的存储器；[0052]其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。[0053]本发明实施例的第四方面，[0054]提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。[0055]本发明中，通过自适应网格划分算法优化有限元模型，并结合多物理场耦合建模生成机床数字孪生模型，将机床运行大数据与深度迁移学习模型相结合，实现数字孪生模型的持续优化和自演化，能够准确反映机床的实时运行状态和退化规律，为后续的健康评估和故障预测提供可靠的数字化基础，采用多视图学习融合模型对多模态感知数据进行特征提取和关联分析，实现不同模态间的信息融合，能够全面捕捉机床运行状态的多维度特征，提高健康状态评估的准确性和鲁棒性，引入多时间尺度故障预测模型，从短期、中期和长期三个时间尺度对机床故障进行预测，能够捕捉故障演化的动态特征，提供对故障发生时间和严重程度的全面估计，为制定针对性的维护策略提供依据，采用基于深度强化学习的维护策略优化算法，根据机床健康状态和故障预测结果，自适应地确定候选维护方案，使得维护决策能够随着时间的推移不断改进，提高维护的针对性和有效性，综上，本发明显著提升了数控机床的运维效率和可靠性，实现了机床健康状态评估、故障预测和维护决策的智能化，为实现数控机床的智能化运维提供了一种创新性的解决方案。附图说明[0056]图1为本发明实施例基于数字孪生的数控机床智能化维护决策方法的流程示意[0057]图2为本发明实施例基于数字孪生的数控机床智能化维护决策系统的结构示意具体实施方式[0058]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0059]下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。[0060]图1为本发明实施例基于数字孪生的数控机床智能化维护决策方法的流程示意[0061]S1.获取数控机床的结构数据和仿真精度要求，结合自适应网格划分算法确定有限元模型的最优网格尺寸和分布参数，获取所述有限元模型中数控机床的运行条件并添加至多物理场耦合建模模块，生成机床数字孪生模型并与物理场进行融合，结合映射关系生成机床运行退化模型，通过预先获取的机床运行大数据与深度迁移学习模型进行持续优11[0062]所述仿真精度要求指的是在计算机模拟和数值仿真过程中，对结果的准确性和精确度的要求，所述自适应网格划分算法用于在仿真过程中根据解的误差或梯度变化自动调整网格划分密度，所述有限元模型是一种数值计算方法，通过将连续介质划分为离散的有限单元来求解复杂的物理问题，所述多物理场耦合建模模块用于模拟多个物理场(如热、结构、流体、电磁等)之间的相互作用，所述深度迁移学习模型是指通过利用在一个源任务上训练好的深度学习模型的知识，来帮助解决在目标任务上的问题，所述自演化数字孪生模型是一种能够随着物理系统的变化和数据的积累不断更新和优化自身的数字模型。[0064]获取数控机床的结构数据和仿真精度要求，结合自适应网格划分算法确定有限元模型的最优网格尺寸和分布参数，获取所述有限元模型中数控机床的运行条件并添加至多物理场耦合建模模块，生成机床数字孪生模型并与物理场进行融合，结合映射关系生成机床运行退化模型，通过预先获取的机床运行大数据与深度迁移学习模型进行持续优化，得到自演化数字孪生模型包括：[0065]通过三维扫描获取数控机床的结构参数，其中，所述结构参数包括所述数控机床零部件的尺寸，形状和装配关系，基于所述数控机床的服役工况和故障模式，获取所述数控机床对应的仿真精度要求；[0066]对所述数控机床进行特征分析，提取结构应力和热点作为关键特征，确定特征属性并结合仿真精度要求确定不同区域的网格尺度，将应力集中且断面突变的区域作为薄弱区域，增加所述薄弱区域内的网格密度，结合高阶网格单元，提高单元内场变量的逼近精度，完成网格划分并得到所述最优网格尺寸和分布参数，通过有限元软件搭建当前数控机床的多粒度有限元模型；[0067]基于所述多粒度有限元模型，获取所述数控机床在加工条件下的边界条件，将所述边界条件作为载荷和约束添加至所述多粒度有限元模型中，结合所述数控机床对应的物理场，结合物理场耦合求解方法进行仿真数值求解，得到对应的物理场行为，结合传感器映射技术，采集数控机床的状态数据并映射至虚拟模型的对应节点，得到多物理场数字孪生模型，获取所述数控机床的退化过程，并结合预先获取的机床运行大数据提取退化先兆特[0068]通过深度迁移学习技术，结合所述机床运行大数据，通过深度神经网络提取不同工况下的共同特征，确定退化规律，结合迁移学习在新工况下对所述机床退化模型进行自适应调整，得到所述自演化数字孪生模型。[0069]所述故障模式指的是系统或设备可能发生的各种故障类型和表现形式，所述结构应力指的是结构件在外部载荷作用下产生的内部应力，所述逼近精度是指在数值模拟和建模过程中，模型对实际系统或数据的拟合程度，所述退化先兆特征是指系统或设备在退化过程中表现出的早期特征或信号，所述退化规律指的是系统或设备在使用过程中性能随时间逐渐下降的规律性变化。[0070]通过三维扫描技术获取数控机床的结构参数，包括数控机床零部件的尺寸、形状和装配关系，基于数控机床的服役工况和故障模式，确定数控机床对应的仿真精度要求；[0071]对数控机床进行特征分析，提取结构应力和热点作为关键特征，确定特征属性，结合仿真精度要求，确定不同区域的网格尺度，将应力集中且断面突变的区域作为薄弱区域，析工具，准确捕获机床的结构应力和热点区域，确定薄弱区域并通过增加网格密度[0080]S2.基于所述自演化数字孪生模型构建传感网络，对所述数控机床进行全面感知在关联特征，结合所述自演化数字孪生模型得到机床健康状态评估结果；[0081]所述分布式自适应采样是一种应对分布式系统中数据采集需求的方法，自适应采样策略能根据实时的机床运行状态和环境条件，动态调整传感器的采样频率和采样范围，以确保采集到的数据具有代表性和高质量，同时降低数据传输和处理的成本，所述机床运行参数指的是描述机床在工作过程中关键性能和状态的各种参数，包括但不限于：切削速或模态下的数据特征，以更全面和准确地分析机床运行状态和健康状况，所述多视角潜在特征指的是从多个视角或模态下提取的具有代表性和高度相关性的数据特征，所述潜在关联特征是指在数据中可能存在但不易直接观察到的相关性和模式，所述机床健康状态评估结果是基于多视图学习融合模型和多视角潜在特征分析得出的结论，反映了机床在特定时刻或周期内的整体运行健康状况。[0083]基于所述自演化数字孪生模型构建传感网络，对所述数控机床进行全面感知并通过分布式自适应采样获取机床运行参数，对所述机床运行参数进行预处理，得到多模态感知数据并添加至多视图学习融合模型中，提取多视角潜在特征并确定不同模态间的潜在关联特征，结合所述自演化数字孪生模型得到机床健康状态评估结果包括：[0084]基于所述自演化数字孪生模型，构建覆盖数控机床全部部件以及功能单元的传感[0085]基于所述传感网络对所述数控机床进行全面感知，结合预先设置在边缘节点的自适应采样触发器，根据数控机床的实时工况和退化状态，动态调整所述传感网络的采样频率，得到所述机床运行参数，对所述机床运行参数进行预处理，得到所述多模态感知数据；[0086]基于所述多模态感知数据，对于每个模态，设置对应的特征提取子视图，基于所述特征提取子视图对每个模态内的数据提取趋势特征和周期特征作为多视角潜在特征，基于所述多视角潜在特征，结合多视图融合算法，通过确定不同模态之间线性相关性和非线性相关性，生成跨模态公共表示并结合多视图对齐策略确定潜在关联特征；[0087]将所述潜在关联特征添加至所述自演化数字孪生模型中，结合实时监测数据，生成所述机床健康状态评估结果。[0088]所述功能单元指的是系统或模型中完成特定功能或任务的基本组成部分，所述自适应采样触发器用于根据系统状态或特定条件自动触发数据采集，所述特征提取子视图是从数据中提取特定方面或模态的特征的模块，所述跨模态公共表示指的是将不同模态或数据类型的信息映射到一个共享的表示空间中，以便于不同数据源之间的比较和融合，所述多视图对齐策略是指在多视图学习中用于确保不同视图之间信息一致性和相关性的方法或技术。[0089]根据数控机床的结构和功能特点，部署多类型传感器，包括振动传感器、温度传感器、应力传感器、位移传感器和电流传感器等，传感器的布置位置和数量应充分考虑机床的关键部件和薄弱环节，确保对机床状态的全面感知；[0090]在边缘节点设置自适应采样触发器，根据数控机床的实时工况和退化状态，动态调整传感网络的采样频率，当机床处于稳定工况时，降低采样频率以减少数据冗余，当机床工况发生变化或出现退化迹象时，提高采样频率以获取更精细的状态数据，采集到的机床运行参数经过预处理，得到多模态感知数据；[0091]针对每个数据模态，设置对应的特征提取子视图，在每个子视图中，提取数据的趋势特征和周期特征，作为多视角潜在特征，采用多视图融合算法，通过分析不同模态之间的线性相关性和非线性相关性，生成跨模态公共表示，结合多视图对齐策略，确定潜在关联特[0092]将得到的潜在关联特征作为新的输入，添加至自演化数字孪生模型中，基于更新后的模型，结合传感网络采集到的实时监测数据，对数控机床的当前健康状态进行评估，评估结果可以包括机床整体健康度、关键部件健康度、退化趋势预测等，得到所述机床健康状态评估结果。[0093]本实施例中，通过在数控机床的关键部件和薄弱环节布置多类型传感器，构建覆参数的全面感知，为后续的数据分析和健康评估提供了丰富的信息基础，多模态数据融合方法充分利用了不同模态数据之间的互补性和相关性，提高了特征表示的丰富性和鲁棒性，为健康状态评估提供了更全面、更准确的信息，数字孪生模型通过持续学习和自适应调整，能够动态地适应数控机床的退化过程和工况变化，提高了健康状态评估的准确性和实时性，综上，本实施例显著提升了数控机床健康管理的智能化水平，为实现预测性维护和优化运维策略提供了有力支撑。[0095]基于所述特征提取子视图对每个模态内的数据提取趋势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表示尺度参数，用于控制函数宽度，b表示平移参数，用于确定函数在时间轴上的位置，x(t)表示原始信号，ψ()表示母小波函数；第j个尺度的滑动窗口长度，J表示总尺度数量，i是索引变量，用于表示相对于当前时间点t向前回溯的时间步长。[0100]本实施例中，采用小波变换提取周期特征，能够有效捕捉信号在不同尺度下的周期性成分，滑动平均法通过对不同尺度的滑动窗口内数据进行加权平均，能够有效平滑短期波动，突出长期趋势，通过结合不同尺度下的周期特征和趋势特征，实现了多尺度特征的本实施例能够有效捕捉数控机床运行过程中的周期性行为和长期趋势，并具有良好的降噪和特征增强能力，为后续的健康状态评估提供了高质量、高可靠性的特征输入。[0101]S3.基于所述机床健康状态评估结果，结合预先设置的多时间尺度故障预测模型生成多层次故障预测结果，结合历史维护案例，通过基于深度强化学习的维护策略优化算法自适应确定候选维护方案，将所述候选维护方案和所述多层次故障预测结果添加至知识图谱构建模块中，通过关联机床故障原因和失效机理，生成语义关联网络并结合多目标优[0102]所述多时间尺度故障预测模型考虑不同时间尺度下系统或设备的故障预测，所述多层次故障预测结果指的是对系统或设备可能发生的不同类型故障的多层次预测和分析，所述历史维护案例是指记录和分析过去对系统或设备进行维护和修理的案例和经验，所述维护策略优化算法是针对设备维护的决策问题，基于数据分析和模型预测，通过优化方法来确定最优的维护时间、方式和资源配置，所述知识图谱构建模块是利用知识图谱技术，将系统或设备的关键信息、属性、关系和行为以图的形式进行建模和表示的模块，所述失效机理指的是导致设备或系统失效的根本原因或物理过程，所述语义关联网络是一种基于语义关系构建的网络结构，用于描述和分析实体之间的关联性。[0104]基于所述机床健康状态评估结果，结合预先设置的多时间尺度故障预测模型生成多层次故障预测结果，结合历史维护案例，通过基于深度强化学习的维护策略优化算法自适应确定候选维护方案，将所述候选维护方案和所述多层次故障预测结果添加至知识图谱构建模块中，通过关联机床故障原因和失效机理，生成语义关联网络并结合多目标优化算[0105]获取所述机床健康状态评估结果并添加至预先设置的多时间尺度故障预测模型，通过基于门控循环单元的短期预测模型生成短期预测结果，通过基于卷积长短时记忆网络的中期预测模型确定中期预测结果，通过基于深度生存模型的长期预测模型生成长期预测结果，组合预测得到的预测结果，得到所述多层次故障预测结果；[0106]基于所述多层次故障预测结果，结合工况条件设置全局决策层和子任务决策层，其中，所述全局决策层以数控机床健康状态为状态，以候选维护方案集合为动作，以维护绩效指标为奖励，所述子任务决策层以子任务状态为状态，以子任务执行方案为动作，以子任务性能指标为奖励；[0107]基于所述全局决策层和所述子任务决策层，结合主动探索机制确定全局最优决策和局部最优决策，结合纳什均衡策略对所述全局最优决策进行协同优化，生成全局维护方案集合，通过多智能体强化学习算法对所述子任务决策层进行分布式优化，生成子任务执行方案，将所述子任务执行方案和所述全局维护方案集合进行集成，得到候选维护方案，重[0108]设计数控机床领域本体，定义核心概念和关系类型，从结构化数据和非结构化数据中抽取实体以及所述实体对应的属性信息，通过基于规则和图嵌入的方法进行知识融合，生成数控机床知识图谱，将所述候选维护方案和所述多层次故障预测结果添加至所述数控机床知识图谱中，通过语义关联分析和以及路径推理和图谱嵌入推理算法，确定故障原因和失效机理，生成语义关联网络以及当前故障对应的故障传播路径；[0109]以故障复发率最小化和维护成本最小化为目标，结合多目标优化算法设置目标函数并从所述候选维护方案集合中随机选取多个元素构成初始种群，对所述初始种群进行交叉操作和变异操作，生成子代种群并进行非支配排序，计算拥挤度并结合支配关系确定保留个体，重复操作，生成帕累托前沿并根据帕累托解集进行排序，选择位于第一的个体作为所述最优维护决策。[0110]所述全局决策层指的是整个系统或多智能体系统中负责全局任务分配和优化决策的层级，所述子任务决策层是多智能体系统中负责执行具体任务和局部决策的层级，所述纳什均衡策略是博弈论中的一个重要概念，指的是在多方决策者之间，每个决策者根据其他决策者的策略选择，选择自己的最佳策略，使得每个决策者无法通过单方面改变策略而提高自身效用，所述多智能体强化学习算法是针对多智能体系统设计的一类算法，结合强化学习的思想，使得多个智能体在与环境交互中学习如何最大化累积奖励，所述路径推理是指在复杂系统中根据历史数据和模型，推断出可能的事件序列或行为路径，所述图谱嵌入推理算法是一种将知识图谱中的实体和关系映射到低维向量空间的方法，以便于进行推理和分析，所述故障传播路径描述了在系统中故障发生后，故障如何通过系统的各个部分或组件传播和影响，所述非支配排序是多目标优化问题中的一种方法，用于比较和排序多个目标函数之间的解。[0111]获取机床健康状态评估结果，并添加至预先设置的多时间尺度故障预测模型中，通过基于门控循环单元的短期预测模型生成短期预测结果，通过基于卷积长短时记忆网络的中期预测模型确定中期预测结果，通过基于深度生存模型的长期预测模型生成长期预测[0112]基于多层次故障预测结果，结合工况条件设置全局决策层和子任务决策层，全局决策层以数控机床健康状态为状态，以候选维护方案集合为动作，以维护绩效指标为奖励，子任务决策层以子任务状态为状态，以子任务执行方案为动作，以子任务性能指标为奖励，采用纳什均衡策略对全局最优决策进行协同优化，生成全局维护方案集合，通过多智能体强化学习算法对子任务决策层进行分布式优化，生成子任务执行方案，将子任务执行方案和全局维护方案集合进行集成，得到候选维护方案。重复集成过程，得到候选维护方案集[0113]设计数控机床领域本体，定义核心概念和关系类型，从结构化数据和非结构化数据中抽取实体以及实体对应的属性信息，通过基于规则和图嵌入的方法进行知识融合，生成数控机床知识图谱，将候选维护方案和多层次故障预测结果添加至数控机床知识图谱中，通过语义关联分析以及路径推理和图谱嵌入推理算法，确定故障原因和失效机理，基于知识图谱生成语义关联网络，以及当前故障对应的故障传播路径，语义关联网络和故障传播路径用于显示故障发生的根本原因和演化过程，为维护决策提供知识支持；[0114]以故障复发率最小化和维护成本最小化为目标，设置多目标优化问题，结合多目标优化算法设置目标函数，并从候选维护方案集合中随机选取多个元素构成初始种群，对初始种群进行交叉操作和变异操作，生成子代种群，对子代种群进行非支配排序，计算个体的拥挤度，结合支配关系确定保留个体，组成新一代种群，重复生成子代种群，直至达到预设的最大迭代次数，最终生成帕累托前沿，表示故障复发率和维护成本之间的最优权衡解[0115]根据帕累托解集进行排序，选择位于第一的个体作为最优维护决策，其中，最优维护决策综合考虑了故障预测结果、候选维护方案、知识图谱推理以及多目标优化，能够在最小化故障复发率和维护成本的同时，保证维护方案的可行性和有效性。[0116]本实施例中，采用多时间尺度故障预测模型，从短期、中期和长期三个层次对数控机床的故障进行预测，为维护决策提供了重要依据，有助于提高维护策略的前瞻性和针对性，通过全局决策层和子任务决策层的协同优化，生成候选维护方案集合，能够在与环境的交互中不断学习和优化，自适应地调整维护策略以适应机床状态的变化，构建数控机床知识图谱，融合结构化和非结构化数据，形成对机床故障的全面语义表示，为维护决策提供了丰富的领域知识支持，有助于提高决策的可解释性和可信度，以故障复发率最小化和维护成本最小化为目标，构建多目标优化问题，能够系统地考虑不同维护目标之间的约束和冲突，生成全局最优的维护决策，实现了维护效果和维护成本的平衡，综上，本实施例实现了数控机床维护决策的智能化和优化，为数控机床的智能维护提供了一种全新的解决方案，具有显著的技术优势和应用价值。[0118]基于深度生存模型的长期预测模型对应的损失函数如下公式所示：(x,T)表示模型对输入特征x和时间t的预测结果，Tg表示第8个样本的事件发生事件，μ表示[0121]本实施例中，将事件发生的时间点纳入损失函数中，使模型能够学习事件发生的时间特征，能够充分利用事件发生时间的信息，提高长期故障预测的准确性，通过多层非线性变换，模型能够捕捉特征之间的复杂交互和高阶关系，提取出对长期故障预测最有效的特征表示，生存概率估计为制定长期维护策略提供了量化的风险评估依据，正则化约束能够提高模型的泛化能力，使其在未知的机床状态下也能做出可靠的长期预测，深度生存模型采用端到端的训练方式，通过反向传播算法直接从输入特征和事件发生时间中学习预测模型，避免了手动特征工程的需要，简化了模型构建流程，能够自动优化特征提取和生存概率估计的整个过程，提高模型的整体性能，综上，本实施例能够有效处理机床状态数据，提供对长期故障风险的概率估计，为制定长期维护策略提供量化的决策依据。[0122]图2为本发明实施例基于数字孪生的数控机床智能化维护决策系统的结构示意[0123]第一单元，用于获取数控机床的结构数据和仿真精度要求，结合自适应网格划分算法确定有限元模型的最优网格尺寸和分布参数，获取所述有限元