本发明涉及智能制造，具体涉及数字孪生智能制造方法、系统、计算机介质及终端设备。
背景技术：
1、随着科技的进步和社会需求的不断增长，制造业正面临着日益激烈的竞争压力。在工业互联网、智能制造和新一代信息技术的推动下，传统制造业正与大数据、人工智能和数字孪生等技术融合，建设数字孪生工厂，以实现生产过程的自动化、智能化和高效化，成为新的发展趋势。
2、数字孪生工厂是指通过数字化技术将实物与虚拟物相结合，以数字化的方式重现实际设备、生产过程等，达到优化生产的目的自动化工厂；与传统工业相比，数字孪生工厂将实体工厂数字化，形成一个全面的、可交互的数字孪生模型，从而提高制造过程的可视化、可追溯性、可优化性，它已成为智能制造的重要驱动力。
3、然而，目前现有的数字孪生工厂制造环境中常常发生复杂的、非线性的变化，例如产品更换、客户需求的变化、原材料特性的波动等，在制造现场，使得当前数字孪生工厂的模型在面对快速变化或高度动态的制造环境时，其部署的模型无法适应这些复杂变化，导致模型在未来行为的预测性能不足，难以提前识别潜在的问题或优化机会，降低了其应对实时问题的能力。
4、因此，目前亟需一种能够适应快速变化或高度动态的制造环境，提高应对实时问题能力的数字孪生智能制造方法。
技术实现思路
1、发明目的：为了克服以上不足，本发明的目的是提供数字孪生智能制造方法及系统，其应用灵活，在数字孪生模型中引入机器学习算法，使得数字孪生模型能够自动适应变化的条件或应对未预见的情况，提高应对实时问题的能力，且能够更全面、深入地分析大规模和复杂的数据，提高模型在未来行为的预测性能。
2、为解决上述技术问题，本发明提供了数字孪生智能制造方法，包括：
3、步骤1：根据收集的生产数据，进行预设数据处理，生成数据集；
4、步骤2：采用深度学习方法不断对数据集进行训练，获得修正后的数字孪生模型，其中：根据所述数据集，进行特征处理，使用特征处理过的所述数据集对神经网络模型进行训练，生成修正后的数字孪生模型；
5、步骤3：将所述数字孪生模型部署至生产控制中心，同时通过生产控制中心将采集的实时生产数据集成至所述数字孪生模型；
6、步骤4：通过所述数字孪生模型进行生产预测及分析，进而将生产预测及分析结果进行可视化反馈。
7、作为本发明的一种优选方式，在步骤1中，所述方法还包括：
8、步骤10：收集至少包含有设计数据、生产参数、产品质量信息的生产数据，进而对所述生产数据进行数据清洗，所述数据清洗包括：处理缺失值和异常值；
9、步骤11：对所述生产数据进行标注，建立与生产状态、质量水平和设备状态相关的标签；
10、步骤12：将标签与匹配的数据样本源进行关联，形成数据集。
11、作为本发明的一种优选方式，在根据所述数据集进行特征处理时，所述方法还包括：
12、步骤20：识别与产品目标相关的关键特征，进而分析所述数据集中数据的分布、关系和趋势，生成数据分析结果；
13、步骤21：根据所述关键特征和数据分析结果，选择所述数据集中的相关特征；
14、步骤22：根据所述相关特征，构建预设特征。
15、作为本发明的一种优选方式，在使用特征处理过的所述数据集对神经网络模型进行训练时，所述方法还包括：
16、步骤23：将经过特征处理的数据集划分为训练集和测试集，同时配置神经网络模型：设置神经网络模型的层数、神经元数、激活函数、损失函数、学习率和优化方法；
17、步骤24：将训练集输入所述神经网络模型，获得预测输出，进而更新所述神经网络模型的参数；
18、步骤25：使用测试集评估所述神经网络模型的性能，进而生成数字孪生模型。
19、作为本发明的一种优选方式，在步骤24中，所述方法还包括：
20、步骤240：对训练集中的每个数据样本，进行前向传播方法计算模型的输出：
21、s(l)＝s(l―1)w(l)+b(l)
22、s(l)＝σ(s(l))
23、其中，s(l)是第l层的输入，s(l―1)是l层上一层的输出，w(l)是l层的权重项，b(l)是l层的偏置项，s(l)是第l层的输出；
24、步骤241：使用损失函数计算所述神经网络模型模型输出的预测值与真实值之间的误差：
25、
26、其中，j是损失函数，n是训练集中总数据样本数量，是损失函数的每个数据样本项，度量模型对单个数据样本的预测误差，y(i)是第i个数据样本的预测值，yi是第i个数据样本的真实值；
27、步骤242：通过反向传播方法计算损失函数关于模型权重参数的梯度：
28、
29、其中，是损失函数j对神经网络第l层的权重项w(l)的偏导数，表示损失函数关于该权重的变化率，是损失函数关于第l层权重w(l)的偏导数，表示单个数据样本的损失对该权重的影响；
30、步骤243：更新神经网络模型的权重参数：
31、
32、其中，α是学习率；
33、步骤244：重复步骤240-步骤243，直至达到预设停止条件。
34、作为本发明的一种优选方式，在步骤4中，所述方法还包括：
35、步骤40：将有关于生产设备故障的实时生产数据输入所述数字孪生模型，进而通过所述数字孪生模型进行故障预测，生成各个生产设备的故障预测结果；
36、步骤41：根据所述故障预测结果，判断是否有生产设备存在潜在故障，若是，则根据潜在故障种类，生成匹配的解决方案，同时将所述潜在故障种类和匹配的解决方案可视化反馈，若否，则返回步骤40，重新获取有关于生产设备故障的实时生产数据。
37、作为本发明的一种优选方式，在步骤40中，所述方法还包括：
38、步骤400：将生产设备的实时运行参数输入所述数字孪生模型，进而通过所述数字孪生模型进行故障预测，生成各个生产设备的实时故障预测结果；
39、步骤401：根据所述实时故障预测结果，判断是否有生产设备存在运行参数异常；
40、步骤402：若是，则获取异常生产设备的待停机时间，进而根据待停机时间、异常运行参数判断异常生产设备是否会在产品加工过程中出现故障，若否，则返回步骤400，重新获取生产设备的实时运行参数；
41、步骤403：若否，则在异常生产设备的当前产品加工完成后，将异常生产设备停机，同时根据异常生产设备待出现故障问题，生成匹配的解决方案，同时将异常生产设备和所述解决方案可视化反馈，若是，则将异常生产设备停机，同时将异常生产设备待出现故障可视化反馈。8.根据权利要求1所述的数字孪生智能制造方法，其特征在于，在步骤4中，所述方法还包括：
42、步骤42：将有关于产品的生产数据输入所述数字孪生模型，进而通过所述数字孪生模型进行产品生产预测，生成产品的生产预测结果；
43、步骤43：根据所述生产预测结果，判断产品交付周期内是否能够满足生产数量要求，若是，则根据所述生产预测结果，每隔预设时间生成产品的产量数据，进而将实时生产数据和预设时间的产量数据进行可视化反馈，若否，则将所述生产预测结果和生产延误警报进行可视化反馈。
44、作为本发明的一种优选方式，在步骤4中，所述方法还包括：
45、步骤44：将有关于更换产品的生产数据输入所述数字孪生模型，进而通过所述数字孪生模型进行产品更换预测，生成更换产品的生产预测结果；
46、步骤45：根据所述生产预测结果，生成至少包含产品成品参数、产品加工时间、良品率、产品加工停机时间、产品交付周期、产品交付准确率的生产数据，进而将所述生产数据进行可视化反馈。
47、本发明还提供一种数字孪生智能制造系统，包括：
48、数据处理模块，用于收集生产数据，且根据收集的生产数据，进行预设数据处理，生成数据集；
49、模型训练模块，用于采用深度学习方法不断对数据集进行训练，获得修正后的数字孪生模型，其中：根据所述数据集，进行特征处理，使用特征处理过的所述数据集对神经网络模型进行训练，生成修正后的数字孪生模型；
50、模型部署模块，用于将所述数字孪生模型部署至生产控制中心，同时通过生产控制中心将采集的实时生产数据集成至所述数字孪生模型；
51、结果处理模块，用于通过所述数字孪生模型进行生产预测及分析，进而将生产预测及分析结果进行可视化反馈。
52、本发明的上述技术方案相比现有技术具有以下优点：
53、1、本技术的数字孪生模型，通过学习历史数据、实时反馈以及环境变化，能够自动适应变化的条件，并更灵活地应对未预见的情况，显著提高了其在实时问题应对方面的能力。
54、2、通过对动态和非线性系统的实时学习，本技术的数字孪生模型能够更准确地反映制造环境中的复杂变化，进而更好地处理制造环境中常见的复杂、非线性的变化，确保在快速变化或高度动态的制造环境中仍然保持模型的准确性。
55、3、能够更有效地应用于预测性维护、生产效率改进等方面，通过对数据的深入学习和模式识别，本技术的数字孪生模型能够前识别潜在的问题或机会，增强了在未来行为预测方面的性能。
56、4、本技术的数字孪生模型能够根据新的数据和情境进行学习和调整，实现更快速、更智能的反馈和决策，确保在不断变化的制造环境中保持高效稳定运行。
1.数字孪生智能制造方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的数字孪生智能制造方法，其特征在于，在步骤1中，所述方法还包括：
3.根据权利要求1或2所述的数字孪生智能制造方法，其特征在于，在根据所述数据集进行特征处理时，所述方法还包括：
4.根据权利要求3所述的数字孪生智能制造方法，其特征在于，在使用特征处理过的所述数据集对神经网络模型进行训练时，所述方法还包括：
5.根据权利要求4所述的数字孪生智能制造方法，其特征在于，在步骤24中，所述方法还包括：
6.根据权利要求1所述的数字孪生智能制造方法，其特征在于，在步骤4中，所述方法还包括：
7.根据权利要求6所述的数字孪生智能制造方法，其特征在于，在步骤40中，所述方法还包括：
8.根据权利要求1所述的数字孪生智能制造方法，其特征在于，在步骤4中，所述方法还包括：
9.根据权利要求1或8所述的数字孪生智能制造方法，其特征在于，在步骤4中，所述方法还包括：
10.数字孪生智能制造系统，其特征在于，包括：
