1.一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，该方法基于调整训练集构成，从而驱动健康状态识别准确度计算，主要包括以下步骤：(1)数字孪生初始一致性判别：通过在建模软件中构建物理对象的数字孪生并进行动力学仿真获取正常状态和故障状态，不同健康状态下的仿真数据；比较不同健康状态下仿真数据与实测数据、理论计算的频率和故障特征频率两方面，验证虚实空间的初始一致性；

(2)数字孪生价值一致性判别：仿真数据驱动深度卷积神经网络模型，计算健康状态识别准确度；采用不同健康状态的仿真数据作为训练集，实测数据作为测试集，计算故障诊断的准确率，验证在服务健康状态智能识别决策方面，虚实空间的价值一致性；

(3)数字孪生趋势一致性判别：仿真数据与实测数据的构造训练集，训练深度卷积神经网络模型，测试集不变，计算健康状态识别准确度，混合数据中仿真数据占不同比例时，验证虚实空间数据趋势一致性；

(4)数字孪生工程一致性判别：以混合数据的实测数据分别构造训练集，训练深度卷积神经网络模型，测试集不变，计算健康状态识别准确度；当训练集中实测数据数量占不同比例时，获取故障诊断的准确率，验证数字孪生的工程一致性。

2.根据权利要求1所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，还包括步骤(5)服务决策的数字孪生精准一致性判别：通过虚实空间交互反馈，迭代优化数字孪生，然后重复(1)、(2)、(3)、(4)，分别观测健康状态识别的准确度，直到数字孪生进化成符合健康状态智能识别决策的精准一致性模型。

3.根据权利要求1所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，所述物理对象为行星齿轮箱。

4.根据权利要求1所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，所述物理对象为行星齿轮箱太阳轮。

5.根据权利要求4所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，确定行星齿轮箱太阳轮常见的四种健康状态，分别为磨损齿轮、点蚀齿轮、断齿齿轮和正常齿轮。

6.根据权利要求5所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，当物理对象为行星齿轮箱时，执行以下步骤：(1)数字孪生初始一致性判别：通过在CAD软件中构建行星齿轮箱数字孪生并通过ADMAS进行动力学仿真获取正常状态、磨损故障、断齿故障、点蚀故障四种不同健康状态下的仿真数据；验证四种健康状态下仿真数据与实测数据、理论计算的啮合频率和故障特征频率两方面；

(2)数字孪生价值一致性判别：仿真数据驱动深度卷积神经网络模型，计算健康状态识别准确度；采用不同健康状态的仿真数据作为训练集，实测数据作为测试集，计算故障诊断的准确率，验证在服务健康状态智能识别决策方面，虚实空间的价值一致性；

(3)数字孪生趋势一致性判别：仿真数据与实测数据的构造训练集，训练深度卷积神经网络模型，测试集不变，计算健康状态识别准确度；混合数据中仿真数据占不同比例时，计算故障诊断的准确率，验证虚实空间数据具有趋势一致性；

(4)数字孪生工程一致性判别：以混合数据的实测数据分别构造训练集，训练深度卷积神经网络模型，测试集不变，计算健康状态识别准确度。当训练集中实测数据数量各为300组和600组时，计算故障诊断的准确率，验证在旋转机械故障诊断中数据不足且现场难以获取的实际场景下，数字孪生的工程一致性。

7.根据权利要求6所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，所述(2)中，采用不同健康状态的仿真数据作为训练集，实测数据作为测试集为采用四种健康状态的各300组，共1200组仿真数据作为训练集，各100组，共400组实测数据作为测试集。

8.根据权利要求6所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，所述(3)中，混合数据中仿真数据分别占100％、75％、50％、25％。

9.根据权利要求6所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，还包括(5)服务决策的数字孪生精准一致性判别：通过虚实空间交互反馈，迭代优化数字孪生，然后重复(1)、(2)、(3)、(4)，分别观测健康状态识别的准确度，直到数字孪生进化成符合健康状态智能识别决策的精准一致性模型。

10.根据权利要求9所述的一种服务健康状态智能识别决策的数字孪生一致性判别方法，其特征在于，所述虚实空间交互反馈为基于以边缘计算与云边协同调度为核心，面向边缘侧数据实时处理技术，实现用于实时分析的数据通过网络传输到靠近数据源最近的边缘设备并本地存储，时延不敏感数据直接传送到云中心；基于智能算法实现云边数据的自适应优化调度，实现云端数据驱动数字孪生高逼真行为仿真与实时状态可视化；进而反馈控制物理空间，实现虚实空间的实时精确映射和同步进化。