1.一种基于数字孪生的工业机器人健康状态监测方法，其特征在于，包括以下步骤：根据工业机器人的物理实体构建三维仿真模型，利用多传感器采集工业机器人的实时状态数据，将所述实时状态数据与所述三维仿真模型匹配对齐构建工业机器人的数字孪生模型；

对所述数字孪生模型进行自适应模型参数更新，通过自适应模型参数更新后的数字孪生模型获取孪生数据，将所述孪生数据与实时状态数据进行数据融合，生成多源异构数据集；

在所述多源异构数据集中进行特征提取，获取能够表征工业机器人健康状态的特征数据；

利用所述特征数据构建工业机器人的健康指标，并划分健康状态等级，基于深度置信网络构建健康状态评估模型，获取当前健康指标参数作为模型输入，得到工业机器人健康状态评估结果；

构建工业机器人的数字孪生模型，具体为：

获取工业机器人的构件物理实体构建物理空间，绘制所述构件物理实体的三维模型，将所述三维模型进行拼装组合建立工业机器人的三维仿真模型，并通过预设的多个传感器进行工业机器人实时状态数据的多维度获取；

使用通信接口传输工业机器人物理实体的实时状态数据，将获取的实时状态数据进行转换与封装，并进行数据结构化预处理；

获取工业机器人的历史故障数据，将所述历史故障数据进行预处理，并使用聚类算法对预处理后的历史故障数据进行聚类，获取基于故障类型的聚类类簇，根据各个聚类类簇对应的故障构件及故障参数生成关键监测特征；

通过关键监测特征对应的聚类类簇训练与所述三维仿真模型各构件部分对应的故障虚拟模型，利用所述故障虚拟模型学习工业机器人的故障机理，利用所述三维仿真模型及故障虚拟模型构建孪生空间；

使用预处理后的实时状态数据将所述物理空间与所述孪生空间相连接，实现实时状态数据与三维仿真模型的匹配对齐及数字映射，构建工业机器人的数字孪生模型；

对所述数字孪生模型进行自适应模型参数更新，具体为：

在构建的工业机器人数字孪生模型中，对关键监测特征进行数据更新，获取各关键监测特征对应的参数变量，生成多变量集合，基于所述多变量集合初始化麻雀算法参数；

初始化麻雀种群及最大迭代次数，根据参数变量的实测值与数字孪生模型的输出的孪生数据值的误差构建目标函数，将所述目标函数映射为适应度函数，计算每只麻雀的适应度，作为当前的最优值；

根据适应度基于预设比例选取麻雀作为发现者，剩余麻雀作为加入者，进行位置更新，并基于预设警戒者比例随机选择警戒者，进行位置更新，更新后重新计算每只麻雀的适应度；

引入混沌算法对当前麻雀的适应度进行混沌化处理，并借助差分思想确定最优位置移动方向，指引麻雀进行位置更新，通过迭代位置更新，直到达到最大迭代次数获取参数变量的最优解；

根据各个关键监测特征对应参数变量的最优值配置数字孪生模型，反应工业机器人各部件的退化程度。

2.根据权利要求1所述的一种基于数字孪生的工业机器人健康状态监测方法，其特征在于，通过关键监测特征对应的聚类类簇训练与所述三维仿真模型各构件部分对应的故障虚拟模型，具体为：将关键监测特征对应的聚类类簇中的历史故障数据作为训练样本，将所述训练样本导入AlexNet网络，通过不同尺寸的卷积核进行特征提取，并利用激活函数进行激活计算；

利用池化层采用下采样的方法降低特征维度，将降维后的特征导入全连接层采用softmax函数获取多类样本标签的概率分布；

通过训练更新AlexNet网络的模型参数，采用学习率自适应的Adam进行权值参数优化，在验证AlexNet网络的分类性能后保留网络参数，输出故障虚拟模型。

3.根据权利要求1所述的一种基于数字孪生的工业机器人健康状态监测方法，其特征在于，在所述多源异构数据集中进行特征提取，获取能够表征工业机器人健康状态的特征数据，具体为：调用AlexNet网络对所述多源异构数据集进行卷积、池化及全连接操作，获取全连接输出的一维特征向量序列，获取一维特征向量序列中各特征向量与工业机器人健康状态的皮尔逊相关系数，根据相关程度选取预设数量的特征向量；

在选取的特征向量集中设置近邻个数k，计算特征向量之间的皮尔逊相关系数，根据近邻个数选取数值最小的前k个特征向量，生成各特征向量对应的特征数据集；

将特征向量对应的特征数据集进行取交集操作获取能够表征工业机器人健康状态的特征数据。

4.根据权利要求1所述的一种基于数字孪生的工业机器人健康状态监测方法，其特征在于，利用所述特征数据构建工业机器人的健康指标，并划分健康状态等级，基于深度置信网络构建健康状态评估模型，具体为：根据获取的特征数据构建工业机器人的健康指标，获取工业机器人的历史运维实例，基于所述历史运维实例进行聚类划分，生成不同健康状态的历史运维实例数据集，根据其平均健康状态划分健康状态等级；

基于深度置信网络构建健康状态评估模型，在所述健康状态评估模型中引入Dropout防止过拟合，根据历史运维实例获取健康指标在正常健康状态下的特征数据集，生成训练数据；

初始化深度置信网络，利用粒子群算法进行受限玻尔兹曼机层数的寻优，根据受限玻尔兹曼机层数的最优解将受限玻尔兹曼机层数堆叠；

将训练数据从底层到顶层进行逐层训练，通过对权值的迭代更新生成深层非线性映射能力的深度架构，将提取的特征从顶层到底层进行传输，获取输入训练数据对应的重构数据；

根据重构数据与输入训练数据的误差最小原则训练健康状态评估模型，获取重构数据与训练数据的平均误差设置健康状态阈值。

5.根据权利要求1所述的一种基于数字孪生的工业机器人健康状态监测方法，其特征在于，利用健康状态评估模型得到工业机器人健康状态评估结果，具体为：基于健康指标采集当前工业机器人的健康指标参数，将所述健康指标参数导入健康状态评估模型作为模型输入，对所述健康指标参数进行数据重构；

获取重构数据与健康指标参数的误差，利用所述误差与健康状态阈值进行对比，通过对比结果生成工业机器人的健康状态评估结果，当所述健康状态评估结果为异常健康状态时则生成健康状态异常告警。

6.一种基于数字孪生的工业机器人健康状态监测系统，其特征在于，实现如权利要求

1‑5任一项所述的基于数字孪生的工业机器人健康状态监测方法，该系统包括：数据采集及预处理模块，数字孪生体模块、多源数据融合模块、健康状态评估模块及健康状态输出及可视化模块；

所述数据采集及预处理模块利用多传感器采集工业机器人的实时状态数据，并将采集的实时状态数据进行预处理；

所述数字孪生体模块根据工业机器人的物理实体构建三维仿真模型，将所述三维仿真模型匹配采集的实时状态数据并进行数据对齐，构建工业机器人的数字孪生模型，通过对数字孪生模型进行自适应模型参数更新，保持与物理实体的退化状态一致；

所述多源数据融合模块将数字孪生模型输出孪生数据与实时状态数据进行数据融合，生成多源异构数据集；

所述健康状态评估模块利用特征选择在所述多源异构数据集中获取能够表征工业机器人健康状态的特征数据；利用所述特征数据构建工业机器人的健康指标，并划分健康状态等级，建立健康状态评估模型，利用训练后的健康状态评估模型获取工业机器人健康状态评估结果；

所述健康状态输出及可视化模块将健康状态评估模块输出工业机器人健康状态评估结果进行三维可视化显示，并根据健康状态评估结果进行异常告警。