1.一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，所述的工业涂胶机器人包括往复运动关节组件，往复运动关节组件的关联部位安装有用于获取位置信息三维数值的传感器，往复运动关节组件的作业臂前端安装有姿态传感器，图像采集装置的图像采集范围位于作业臂前端，位差监测终端的监测范围位于作业臂前端，其特征在于，所述的工业涂胶机器人运行状态监测方法包括以下步骤：

11)获取传感器所采集的工业涂胶机器人运行状态数据：所述的运行状态数据包括设备位置三维数值、姿态图片、数值、信号，反映设备环境状态的温度、噪声数值信息，反映设备运行状态的数值信息，反映设备生产运行状态的质量信息；

12)工业涂胶机器人运行状态数据的预处理：对工业涂胶机器人的运行状态数据进行初步比对，剔除干扰数据；

13)构建数字孪生设备驱动模型：根据工业涂胶机器人的分析需要构建数字孪生设备驱动模型；

14)设备运行状态的初期评价：将预处理后的工业涂胶机器人运行状态数据输入数字孪生设备驱动模型，数字孪生设备驱动模型以虚拟方式实现工业涂胶机器人作业，得到工业涂胶机器人随运行时间变化而演化的运行状态数值；

15)数字孪生设备驱动模型的修正：将数字孪生设备驱动模型演化后的运行状态数值与实时传输的设备状态进行对比匹配，实现数字孪生设备驱动模型的修正；

16)工业涂胶机器人运行状态的监测：获取传感器采集的工业涂胶机器人运行状态实时数据，将实时数据预处理后输入修正后的数字孪生设备驱动模型，预测出工业涂胶机器人运行的远期趋势，判定出运行疲劳点。

2.根据权利要求1所述的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，其特征在于，所述工业涂胶机器人运行状态数据的预处理使用经验模式分析与辅助机械报警相结合的处理方法，其具体步骤如下：

21)获取利用经验判断建立的专家库，输入数据符合专家库规则的判定为稳定数据，将辅助报警装置提供的故障报警规则作为排他判定，接近排他判定的运行数据，作为干扰数据进行剥离；

22)将经过预处理的数据进行多源数据融合：使用带有权重分析的特征融合法对影响模拟性能的关键数据进行权重分析，并抽取不同来源数据的数据特征开展模型训练，对不同结果进行合并，使得数字孪生模型中的数据特征能够准确反映工业机器人作业臂的实际工作状态用于下一步的状态预测，其表达式如下：式中：k为影响因素的权重个数，u为影响因素代号，reck(u)为各项权重值，rec(u)为综合权重分析值。

3.根据权利要求1所述的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，其特征在于，所述构建数字孪生设备驱动模型包括以下步骤：

31)利用三维模型构建数字孪生设备驱动模型，实现通过逻辑控制构建出基于数字孪生的工业机器人作业臂运行工作特征；

32)利用虚拟引擎开发软件，开展针对三维模型的深度个性化定制，使其准确反映工业涂胶机器人作业臂的运行工况特性；自定义三维模型及适用于机器人产线工业作业水平的工艺流程；建立适用于工业涂胶机器人作业特征的控制逻辑规划，利用计算机语言及虚拟引擎的控制函数，完成逻辑控制触发，实现虚拟引擎软件开发环境下的适用于工业涂胶机器人真实产线设备的数字孪生体，用于运行特征的实时展现与关键部位、关键时间节点的个性化信息定制与评估；

33)将预处理后的数据信息，输入构建的数字孪生设备驱动模型当中，利用计算机语言及虚拟引擎的控制函数，调整逻辑控制，完成满足工业涂胶机器人实际个性化工作需求的点对点位置控制，实现实时数据输入与响应运行状态的耦合同步；通过在数字孪生虚拟开发环境中添加虚拟传感器，获得虚拟操作环境的工艺状态特征，使得数字孪生驱动系统具备在任意目标状态时点、任意目标操作位置实现工业涂胶机器人实时状态监控与个性化信息提取的目的；利用自定义控制函数，将预处理后的数据信息，在数字孪生设备驱动模型中建立数据偏差分析，结合耦合权重获得随记录时间变化的点对点偏差累积函数η(t)，用于远期偏差预测；

34)初步完善的数字孪生设备驱动模型，结合已采集信号的已知偏差，利用工业涂胶机器人实际运行工况的运行经验组建经验库，建立基于已知偏差的置信区间；利用自定义控制函数，根据实际工业涂胶机器人的工艺控制需要，选择相应的控制手段或编译自定义控制特征，采用记忆累加方式对偏差进行累加触发并满足△S(uii)＝△S(ui0)+η(t)，使得数字孪生驱动模型具备适用于工业涂胶机器人个性化运行需求的随时间变化的远期演化分析能力；

其中△S(u)为系统触发故障偏差，△S(uii)为不同采集特征的末次触发偏差，△S(ui0)为新触发前的原始偏差，u为影响因素代号，η(t)为随时间变化偏差累积函数；

35)设定构建数字孪生设备驱动模型利用持续采集的设备运行特征与演化结果进行比较，符合运行需求的结果直接进入下一轮迭代，不符合运行需求的结果，根据不同设备、部件特征及其允许的特征阈值偏差进行系统调整与自修正；

36)设定疲劳点判定：设定数字孪生设备驱动模型利用疲劳分析与算法优化实现机械臂疲劳点判定。

4.根据权利要求1所述的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，其特征在于，所述数字孪生设备驱动模型的修正包括以下步骤：

41)获取指标标准状态库，指标标准状态库中存放所采集信号的模糊症状、异常信息、故障规则、诊断专家初步的诊断逻辑；

42)预处理后的现场实时数据在导入数字孪生模型后形成状态子集S＝{N1，N2，N3，…,Nm}，与标准库标准状态库子集P＝{T1，T2，T3，…,Tn}之间建立模糊推理，构建状态子集S的归属集合SX＝(X1/N1，X2/N2，X3/N3，…,Xm/Nm},根据X的拟合程度，判定状态的接近程度，其中Xi(i＝1,2..,m,)表示在状态表征过程中第i类采集数据值，Ni(i＝

1,2..,m,)表示在状态表征过程中第i类状态数据值，Xi/Ni(i＝1,2..,m,)表示在状态表征过程中第i类采集数据对第i类状态数据的呈现度，SXn(n＝1，2，..m)＝0表示不接近，SXn(n＝1，2，..m)＝1表示完全接近，S与P子集之间通过置信度Cm建立置信区间与偏差因子；

自修正模糊推理表示为：

5.根据权利要求3所述的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，其特征在于，所述设定疲劳点判定包括以下步骤：

51)将数字孪生模型中累积触发的工作臂运行状态，根据运行监控时点的需要，利用MCD软件结合UG或ANSYS建立工业涂胶机器人关键易受损部件的热力学分析模型计算应力场，或者持续运行状态下的设备作业演化分析云图，获得关键时点的疲劳点状态图；

52)在数字孪生驱动模型中，建立算法优化模块，采集并保存不同关键时点的数据特征，输入算法优化模块；模型采用神经网络Viterbi算法，将由数字孪生模型内演化训练得到的疲劳值进行聚类分析与疲劳状态评估，获得疲劳点数值精准分类，使疲劳评估结果按照所具有的最大可能性的疲劳状态序列进行排列分布，分布情况采用疲劳评价指标r(α，i)折合的0-1的占比值进行直观展不；

53)将Viterbi算法推测得到的最可能的状态序列与常规疲劳经验分析专家库的状态序列进行对比分析，得出疲劳评价指标r(α，i)用于疲劳指标的量化评价与准确率评估，其表达式如下：r(α，i)＝(recentstates(α，i)-states(α，i))/states(α，i)进而获得疲劳指标量化评分，其表达式如下：

式中：i为疲劳要素的权重个数，α为疲劳要素的代号，recentstates(α，i)为当前预测值，states(α，i)疲劳经验值，Score(α，i)为疲劳指标量化评分；

式中：m1为健康值下限评分，m1为健康值上限评分；

当Score(α，i)≥m1时，系统输出等级为三级，显示为健康；当m2＜Score(α，i)≤m1时，输出等级为二级，显示为疲劳；当Score(α，i)≤m2时，系统输出等级为一级，显示为极度疲劳。