建模仿真作为人类认识世界和改造世界的重要工具,极大的推动了人类工业化的进程,随着制造业向信息化、智能化发展,对建模仿真的应用广度、深度和精确度都有了更高的要求。然而,现有建模和仿真技术中,模型大多缺乏随设备生命周期变化的动态实时更新能力,限制了模型在不同生命周期阶段应用的适应性。针对以上问题,本文提出了云-雾-边缘协同的制造系统数字孪生动态一致性仿真模型构建方法,旨在基于数字孪生理念,使用深度学习等算法进行扰动识别,利用云-雾-边缘框架协调大计算量与实时性之间的矛盾,实现对设备运转过程中动态扰动的快速识别。同时针对识别的结果,对仿真模型进行一致性保持。具体研究内容如下:根据功能需求,划分为云、雾、边缘三个部分,充分发挥云端充足的计算能力和雾端个性化适应能力以及实时处理能力,在边缘端实现对设备状态的采集和控制。在云端,首先使用公共数据集训练出针对同类型场景的普适化识别模型,该模型对同类场景具有普适性,但针对具体场景时,准确率不高。针对这一缺点,使用感知数据对普适化模型进行迁移学习,最终得到针对具体场景的个性化识别模型。经实验验证,该模型对具体场景具有较高的识别准确率。在雾端,基于Hadoop构建了分布式数据存储系统,用于边缘端采集数据的存储。将云端得到的个性化识别模型进行部署,基于边缘端采集的数据,进行实时扰动识别。最后,根据识别结果,使用XML语言和仿真求解器K文件,将扰动更新到模型中。边缘端,主要负责控制设备运转,同时采集实时数据上传至雾端。随后搭建了针对动态扰动的实验平台。将不同故障类型的轴承装载在该实验台上运行,通过边缘端采集实时数据上传至雾端。同时,完成了雾端分布式存储服务器和云端高性能计算服务平台的搭建。最后进行了实验验证,首先验证了在云-雾-边缘协同的框架下,提出的动态扰动识别算法模型的可行性与准确性,随后通过对一致性更新后的模型进行仿真分析,提取相应故障位置的仿真数据,与实际采集的真实数据进行时频域对比,验证了提出的一致性保持方法的实时性、准确性、实用性。