数字孪生技术作为实践智能制造理念的使能技术与手段,能够有效解决智能制造的信息物理融合难题,当前已成为世界各国学术界和工业界关注的热点。目前,在工业过程监测领域,制造过程中数据的利用多数集中在直观可视化形式进行生产管理和控制,以及作为历史数据进行溯源,并未将其用于实现物理空间与信息空间的虚实映射和交互融合。生产企业对于制造过程中设备运行状态、产品生产质量等相关状态监测数据的实时展示与在线监测需求日益迫切。数字孪生技术可以准确地仿真和刻画物理实体在真实世界中的行为,自动化产线制造过程数字孪生模型的建立可以实时表征和同步映射制造过程,对于企业生产过程优化、降本增效、提升质量等具有重要的现实意义。本论文依托于国家自然科学基金项目和贵州省科技重大专项计划项目,依据贵州某航天科工企业的实际工程项目需求,建立自动化产线制造过程的数字孪生模型,实现孪生数据的实时感知与交互,对于孪生数据中无法直观用于当前状态表征的数据进行数据挖掘,解决产线上数控加工中心刀具的磨损状态以及产品表面质量状态实时表征和同步映射的问题,为数字孪生技术在制造过程状态监测领域的应用提供理论与技术支撑。具体包括如下内容:（1）针对自动化产线制造过程数字孪生系统的构建,在制造车间现有数字孪生系统架构分析的基础上,提出了自动化产线制造过程数字孪生系统体系架构,并且详细的阐述了系统架构中各层次间的关系;从孪生模型的关键要素实体建模、数字孪生虚拟建模、虚实映射关联建模三个维度出发,建立了统一的逻辑数据模型,搭建了某航空工业产品物理产线的虚拟模型,为后续产线制造过程数字孪生系统的研究提供虚拟模型。（2）针对孪生数据感知与交互问题,基于OPC UA技术建立了统一的架构-标准化通讯协议,解决自动化产线上不同设备通讯接口协议不统一导致的数据感知与交互难度大的问题;基于对象与节点信息建模方法构建了关键要素的数据感知模型,搭建了不同的软硬件接口,解决孪生异构数据间的集成问题;建立了产线信息空间对物理空间的实时映射,以此来驱动信息空间中虚拟模型的不断迭代更新,为后续孪生数据挖掘以及产线制造过程状态监测等奠定基础。（3）针对数控加工中心刀具磨损状态监测的数字孪生规则模型构建问题,提出了一种基于深度门控循环单元神经网络的轻量化状态监测模型,进而为构建宏观层面上自动化产线制造过程数字孪生模型提供基础。针对刀具磨损评估问题,提出了一种CABGRUs网络模型的算法,即:在预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;利用卷积神经网络从时序信号输入中自适应地提取特征,构建深度双向门控循环单元神经网络学习特征向量间的时序信息;将注意力机制的思想引入到改进后的网络模型中,有效地提升了网络模型实时监测的识别精度和泛化性能。实验结果表明:所提出的CABGRUs网络模型的预测精度达到97.58%,单次测试时间为8ms,均优于传统的机器学习算法,能够支持刀具磨损状态数字孪生规则模型的精确构建。（4）针对在制产品表面质量检测数字孪生的规则模型构建问题,提出一种基于模型压缩的改进产品表面质量在线检测模型,用于部署在边缘计算设备中在线识别产品的表面微小缺陷类型并标记缺陷位置,进而为构建宏观层面上自动化产线制造过程数字孪生模型提供基础。针对产品表面质量评估问题,提出了一种改进YOLOV4网络模型的算法,即:在预处理阶段提出采用CutMix的数据增强方法以及K-means++聚类算法提高模型的鲁棒性和泛化能力,并使生成的边界候选框可以较早地筛选出更精细的特征;借助CSP Darknet53网络及SPP模块提取输入原始图像的特征,通过训练获得产品表面质量的在线检测模型;在此基础上进行模型压缩,在保证模型精度基本不变的情况下,有效降低模型体积和前向推理时间。实验结果表明:所提出的基于模型压缩改进深度卷积神经网络的方法可以使模型大小从244M压缩到4.19M,预测精度达到97.41%,检测速度达到47.8 f/s（AGX Xavier测试结果）,均优于同类的深度学习算法,能够支持产品表面质量检测数字孪生规则模型的精确构建。（5）针对贵州某航天科工企业生产的某产品自动化生产车间的实际需求,提出了原型系统开发的技术框架;开发了数据库应用程序和自动化产线制造过程状态监测原型系统;并将其应用于实际搭建的自动化产线制造场景中,验证了所提相关理论与技术的可行性和有效性。