1.一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，包括以下步骤：S1：获取生产车间的生产要素数据和实时生产数据；

S2：根据所述生产车间的生产要素数据构建生产车间的数字孪生模型；

S3：利用生产车间的数字孪生模型，对所述实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据；

S4：将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量；

S5：利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果；

S6：根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理。

2.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S1中，生产车间的生产要素数据包括：设备实体要素数据和信息要素数据；

所述设备实体要素数据包括：生产车间中各设备的几何尺寸、物理机制、行为特性、位置信息和生产车间中各设备间的交互关系；

所述信息要素数据包括：生产车间中各设备和人员状态的信息、任务订单加工信息和调度决策信息。

3.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S5之后还包括：预测性维护层次结构模型将生产车间的故障预测结果上传到数据库，生产车间的数字孪生模型与数据库进行交互，获取故障预测结果并对所预测的故障位置信息进行显示。

4.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4中，构建的预测性维护层次结构模型具体为：所述预测性维护层次结构模型包括目标层、准则层和措施层；

所述目标层表示目标设备预测性维护，记为A；

所述准则层包括若干个准则层元素，记为Bk，表示第k准则层元素；

所述措施层包括若干个措施层元素，记为Cn，表示第n措施层元素。

5.根据权利要求4所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4中，利用随机森林算法获得预测性维护层次判断矩阵的具体方法为：所述随机森林算法包括若干棵决策树；

将生产车间的数字孪生数据作为原始数据集；

S4.1.1：对原始数据集多次进行有放回的随机抽样，获取若干个子数据集，每个所述子数据集的元素数量与原始数据集的元素数量保持一致；

S4.1.2：针对每个子数据集，从所有预设的特征中随机选取若干个特征，每个特征作为一棵决策树的输入特征，获得若干棵决策树；

S4.1.3：将信息增益值大的决策树设置在信息增益值小的决策树顶部，组成随机森林；

S4.1.4：根据所述随机森林的输出结果获得预测性维护层次判断矩阵。

6.根据权利要求5所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4.1.4中的预测性维护层次判断矩阵具体为：对于每个准则层元素，均有预测性维护层次判断矩阵，第k准则层元素对应的预测性维护层次判断矩阵为：其中，Cij表示第i措施层元素与第j措施层元素相比，对第k准则层元素的重要程度；

根据随机森林的输出结果获取不同的Cij的值，组成不同的预测性维护层次判断矩阵。

7.根据权利要求6所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4中，求解预测性维护层次判断矩阵，获得判断矩阵特征向量的具体方法为：求解第k准则层元素对应的预测性维护层次判断矩阵的方法为：S4.2.1：对第k准则层元素对应的预测性维护层次判断矩阵中的每个元素取平方，得到2

新的判断矩阵C(Bk)：

其中，i和j满足1≤i≤n,1≤j≤n；

2

S4.2.2：计算新的判断矩阵C(Bk)中每行所有元素的和：2

其中，sumi表示新的判断矩阵C(Bk)中第i行所有元素的和；

2

S4.2.3：计算新的判断矩阵C(Bk)中所有元素的和：2

其中，sum表示新的判断矩阵C(Bk)中所有元素的和；

2

S4.2.4：计算新的判断矩阵C(Bk)每行所有元素和的归一化向量：2

其中，Wi(q)表示第q次计算的新的判断矩阵C(Bk)第i行所有元素和的归一化向量；

S4.2.5：更新生产车间的数字孪生数据，再次执行步骤S4.2.1‑S4.2.4，获得新一轮次2

的新的判断矩阵C (Bk)每行所有元素和的归一化向量，计算连续两次得到的归一化向量的误差值：其中，T表示连续两次得到的归一化向量的误差值。

S4.2.6：将连续两次得到的归一化向量的误差值T与预设阈值进行比较；若误差值T小于预设阈值，将此时的归一化向量作为第k准则层元素的判断矩阵特征向量，记为 否则，执行步骤S4.2.5，直到误差值T小于预设阈值。

8.根据权利要求7所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S5中，利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，具体方法为：S5.1：求解每个准则层元素对应的预测性维护层次判断矩阵，获得措施层相对于每个准则层元素的判断矩阵特征向量，记为S5.2：获取准则层相对于目标层的预测性维护层次判断矩阵并求解，获取准则层相对于目标层的判断矩阵特征向量，记为WB‑A；

S5.3：根据获得的判断矩阵特征向量，获得预测性维护最终优先级排序，将预测性维护最终优先级排序作为生产车间的故障预测结果。

9.根据权利要求8所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S5.2中，准则层相对于目标层的预测性维护层次判断矩阵具体为：其中，Bab表示第a准则层元素与第b准则层元素相比，对目标层的重要程度。

10.根据权利要求8所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S5.3中，根据获得的判断矩阵特征向量获得预测性维护最终优先级排序，具体方法为：根据以下公式获得措施层相对目标层的特征向量：其中，WC‑A表示措施层相对目标层的特征向量；

根据措施层相对目标层的特征向量WC‑A获得每个措施层元素相对于目标层的重要性程度，并根据重要性程度的大小对所有措施层元素进行排序，获得预测性维护最终优先级排序。