1.一种数字孪生驱动的多轴数控机床轮廓误差抑制方法，其特征在于：包括如下步骤，S1，建立与物理实体对应的数字孪生体的虚拟模型，采用基于全局任务坐标系的多参数增益调度控制策略，得到多轴进给系统的时变耦合机理模型；利用信号测试与机器学习，建立多轴进给系统的数据驱动模型；

S2，虚实同步，通过具备强兼容性的通讯协议，建立数字孪生体与物理实体间的双向感知关系；

S3，轮廓误差动态预估，获取动态特性参数、运动控制参数、非线性干扰以及轮廓形状参数，动态特性参数包括固有频率和阻尼比，用Dy表示，运动控制参数包括各类控制器参数，用Co表示，非线性干扰包括摩擦力、切削力和惯性力，用Di表示，轮廓形状参数包括曲率和拐角，用Sh表示，运动学参数包括速度、加速度和加加速度，用Mo表示；采用KPCA、Relief‑X和LLE方法对数字孪生体进行降阶表征并泛化，得到轮廓误差与其多种影响因素间的动态映射模型，为CE＝M(Dy，Co，Di，Sh，Mo)；其中，CE表示轮廓误差，M表示轮廓误差与其影响因素间的映射关系；采用Q‑Learning、DRL算法对动态映射模型进行训练与精度修正，得到轮廓误差在线的预估模型；

S4，轮廓误差抑制，根据预估模型，采用多目标优化算法得到最优运动控制参数及与其相应的轨迹最大限制速度，然后将最大限制速度和其他常规因素作为约束，对多轴进给系统进行插补控制。

2.根据权利要求1所述的数字孪生驱动的多轴数控机床轮廓误差抑制方法，其特征在于：所述最优运动控制参数及与其相应的轨迹最大限制速度的求解流程如下，根据预估模型，以轮廓误差最小化为目标，以弓高误差、向心加速度、向心加加速度为约束，采用布谷鸟算法在限制速度和运动控制参数的可行域中进行寻优。

3.根据权利要求2所述的数字孪生驱动的多轴数控机床轮廓误差抑制方法，其特征在于：所述最优运动控制参数及与其相应的轨迹最大限制速度的求解流程如下，首先，根据布谷鸟算法规则确定输入项，并根据轮廓误差在线的预估模型计算得到初始适应度值；然后，对于迭代次数未达到最大的情况，随机选取一组旧解，然后通过Levy flight产生新解，进而判断新解是否优于旧解，选取较优的解；然后，通过判断弃解因子是否大于弃解概率，决定是否进行局部搜索并产生新解，并根据新解来更新最优解和最优适应度值；如此循环，直至得到全局最优解及最优适应度值，全局最优解即为包括轮廓误差在内的多约束条件下的参数曲线最大限制速度以及最优运动控制参数。

4.根据权利要求3所述的数字孪生驱动的多轴数控机床轮廓误差抑制方法，其特征在于：还包括S5，以得到的参数曲线最大限制速度为基础，采用参数曲线匀速分段算法进行曲线分段，将参数曲线上具有局部最大进给速度的点或断点间的区域作为关键区域，并据此将参数曲线划分为若干分段；将各关键区域的最小进给速度确定为该区域的恒值进给速度，获得速度规划所需的分段曲线约束和规划参数信息；然后，考虑加工时间最短，采用双向扫描前瞻算法进行速度规划，得到几何约束、动态性能约束以及最大限制速度、最小速度波动限制下的平滑速度曲线，将参数曲线对应的平滑速度规划与最优运动控制参数作为插补控制输入。

5.根据权利要求4所述的数字孪生驱动的多轴数控机床轮廓误差抑制方法，其特征在于：所述输入项包括：种群规模N、问题维度D、弃解概率Pa、上/下临界值L/U，最大迭代此时MaxGen，根据上述信息，计算初始解的适应度值，更新最优解Xbest以及最优适应度值fmin，然后判断迭代次数t是否满足最大迭代次数，若否，则输出全局最优解GXbest以及最优适应度值Gfmin；若是，则随机选取一个解，通过Levy flight产生新解，然后判断新解是否优于旧解，若是，则新解替代上一代旧解；若否，则保留上一代旧解；然后判断随机因子R是否大于弃解概率Pa，若是，则弃解并局部搜索产生新解，得到更新当代最优解Xbest以及最优适应度值fmin，然后再次判断迭代次数t是否满足最大迭代次数，进行循环；若否，则得到更新当代最优解Xbest以及最优适应度值fmin，然后再次判断迭代次数t是否满足最大迭代次数，进行循环。

6.根据权利要求5所述的数字孪生驱动的多轴数控机床轮廓误差抑制方法，其特征在于：所述时变耦合机理模型通过如下方式获得，采用达朗贝尔定理与拉普拉斯变换，即可得到进给系统的多自由度刚柔耦合传递函数模型， 其中，Grigid表示刚体传递函数矩阵，Gflex，k表示第k阶弹性体传递函数矩阵；通过辨识实验，采用最小二乘法、正交多项式曲线拟合法，估计得到进给系统的时变刚柔耦合传递函数矩阵，其中，us， Δ分别表示位移、速度和负载质量，均为时变变量，然后采用基于全局任务坐标系的多参数增益调度控制策略，得到多轴进给系统的时变耦合机理模型，用状态空间模型表示如下：

7.根据权利要求6所述的数字孪生驱动的多轴数控机床轮廓误差抑制方法，其特征在于：所述数据驱动模型通过如下方式获得：伺服驱动器采集得到各轴的位移、速度、加速度，采用机器学习方法，表征反向间隙对多轴进给系统位姿变化的影响关系；针对惯性力、切削力的不确定性，借助伺服驱动器和外置传感器采集位置和力数据，采用机器学习方法，表征惯性力和切削力作用下多轴进给系统的动态响应；针对反向间隙和摩擦力的跃变性，采集位移、速度、力矩，采用高斯过程回归法，表征多轴进给系统运行过程中死区、爬行现象，通过对采集得到的多种数据进行大数据分析，采用深度学习方法，表征非线性外干扰作用下多轴进给系统位姿、动态响应、跃变及其相互间的影响关系，得到数据驱动模型。