1.一种基于数字孪生驱动的跨层级智能系统预测性维护决策方法，包括以下步骤：
步骤S1：分析智能制造系统整体结构和层次；
步骤S2：根据智能制造系统整体结构和层次建立智能制造系统的数字孪生模型，确立数字孪生模型和智能制造系统的数据交互模式，包括智能制造系统向数字孪生模型输出的参数和数字孪生模型向智能制造系统输出的参数；智能制造系统向数字孪生模型输出的参数为所述智能制造系统的运行数据；
步骤S3：在数字孪生模型中，根据智能制造系统的运行数据对预测性维护问题进行数学建模，得到预测性维护的数学模型；
步骤S4：进行数字孪生操作，通过数字孪生模型采集智能制造系统实时运行数据，将智能制造系统实时运行数据传入数学模型，对预测性维护的数学模型的输入参数进行赋值，利用VNS‑ILP算法计算数学模型的输出参数，得到最佳的维护决策，并反馈给智能制造系统。
2.根据权利要求1所述的基于数字孪生驱动的跨层级智能系统预测性维护决策方法，其特征在于，步骤S1具体包括以下步骤：
S11：分析智能制造系统的整体结构和层次，建立物理实体层、传感器层、实时数据层；
S12：确立智能制造系统的关键信息，智能制造系统的关键信息包括关键组件的参数、设备之间的依赖关系、设备启动成本、设备停机成本、设备维护成本。
3.根据权利要求2所述的基于数字孪生驱动的跨层级智能系统预测性维护决策方法，其特征在于，步骤S2具体包括以下步骤：
S21：根据智能制造系统的整体结构和层次构建与物理实体层对应的虚拟设备层、数学模型层、与实时数据层对应的实时输出层；
S22，确立数字孪生模型与智能制造系统的数据交互模式：智能制造系统的运行数据包括制造系统的最小容量阈值、设备数量、维护设备的启动成本、每个维护周期的设备产量、设备在维护周期内的运行时间、每一维护周期的设备停机成本、关键组件剩余使用寿命、关键组件的失效阈值、关键组件的设计预期寿命、关键组件间的结构依赖、设备的关键组件类型、不同类型关键组件平均维护时间、关键组件的备件数量、每个备件的单位成本、维护决策维护周期、维护资源的数量和成本；
数字孪生模型向智能制造系统输出的参数包括维护设备的启动总代价、智能制造系统的停机总代价、每个关键组件的维护策略、每个维护周期设备的实际产能、每个维护周期维护设备的状态、每个维护周期关键组件的剩余备件、每个维护周期关键组件的剩余使用寿命、每个维护周期设备的运行状态、每个维护周期维护资源的可用性状态、维护资源的总可变成本。
4.根据权利要求1所述的基于数字孪生驱动的跨层级智能系统预测性维护决策方法，其特征在于，步骤S3具体包括以下步骤：
S31，根据预测性维护问题的输入参数包括G、N、T、g、n、t、i、j、t、q、oi、Ot、rij、Rj、fj、d、d′、sj、Sjt、wj、Wjt、mj、m、Ci、MA；
G、N、T分别表示智能制造系统中的设备集合、设备的关键组件集合、维护决策维护周期集合，g、n、t分别表示集合G、N、T元素的数量，下标i、j、t分别表示集合G、N、T中的元素；q表示每次维护设备的启动成本，是一个定量；oi表示设备i在单位时间内的设备产量；Ot表示维护周期t中制造系统的容量阈值；rij表示当前设备i中的关键组件j的剩余使用寿命；Rj表示关键组件j的剩余使用寿命；fj表示设计关键组件的预期寿命j；d表示维护决策间隔与剩余使用寿命之间的缩放关系；d′表示单元维护时间与剩余使用寿命之间的缩放关系；sj表示关键组件j备件的单位成本；Sjt表示维护周期t中库存的关键组件j的备件总数；wj表示维护关键组件j所需的工人数量；vj表示维护关键组件j的每个维护工人的所需成本；Wjt表示维护周期t中关于关键组件j的可用维护工人数；mj表示关键组件j的维护时间，m表示关键组件j的最大维护时间，m＝max{mj},j∈N；Ci表示单位时间内设备i造成的停机时间损失；MA表示一个固定的常数，大于关键组件的最大设计预期寿命；
S32，对预测性维护问题的数学模型的输出，进行参数建模；数学模型的输出参数包括xijt、zit、yt、lijt、ct、ot：
二元决策变量xijt表示设备i的关键组件j是否在维护周期t进行维护；
二进制变量zit指示设备i是否需要在维护周期t中关闭以进行维护；
二进制变量yt指示维护设备是否在维护周期t中启动；
非负整数变量lijt表示维护周期t结束后设备i的关键组件j的剩余使用寿命；
非负因变量ct表示维护周期t中整个系统的停机时间损失；
非负因变量ot表示维护周期t中整个系统的生产能力；
S33，建立预测性维护问题的目标函数，预测性维护问题的优化目标为最小化总维护管理成本Totalcost，总维护管理成本包括设备维护的启动成本、设备维护的总成本以及设备维护期间的停机损失；目标函数如下：
Minimize Totalcost＝Σt∈Tytq+Σi∈G，j∈N，t∈Txijt(sj+wjvj)+Σt∈Tct；
目标函数第一项表示设备维护的启动成本；第二项表示设备维护的总成本；第三项表示设备维护期间的停机损失；
S34，建立预测性维护问题的约束条件：将智能制造系统中各个设备之间、设备的各个关键组件之间的依赖关系构成了优化问题的约束条件，约束条件如下：
5.根据权利要求4所述的基于数字孪生驱动的跨层级智能系统预测性维护决策方法，其特征在于，步骤S4具体包括以下步骤：
S41，收集智能制造系统实时运行数据，传入数学模型，对预测性维护的数学模型的输入参数进行赋值；
S42，设置初始的解S，包括每一个决策变量xijt；随机选择设备集合的一个与xijt相关的子集G1；
S43，进行ILP求解：使用ILP求解器，基于当前的解S和子集G1，寻找最优的新解S’，新解S’包括更新后的决策变量xijt，比较S’和S，如果S’的维护策略更优，则将S’设置为新的当前的解；
S44，在每次迭代中，基于频率优先选择算子选择一个新的子集G2，固定与子集G2相关的决策变量xijt，然后取消当前解S中所有在子集G中的决策变量；
S45，重复步骤S42到S44，直到达到一定的迭代次数或者得到满足设定条件的解；返回找到的最优解Sb，最优解Sb中的决策变量代表最佳的维护决策。