1.一种基于数字孪生的织物瑕疵预测方法，其特征在于：包括如下工艺步骤：

1)，基于纺织机械结构构建其三维几何模型，并赋予其各个部件相应的力学属性，再根据纺织工艺步骤得到可以运行的装备数字孪生模型；

2)，基于织造所用纱线几何尺寸构建其柔性体模型，并根据其力学属性建立本构关系，再基于纺织工艺建立织物织造物理模型；

3)，基于纺机械的传感器件收集运行信息和设备状态；

4)，通过人工标记将设备异常运行信息和织物瑕疵事件进行关联，再通过长短期记忆神经网络(LSTM)训练得到织物瑕疵事件预测神经网络模型，并在装备数字孪生模型和织物织造物理模型中对瑕疵事件事件进行模拟显示；

5)，在实际生产过程中应用训练好的神经网络模型，当判断为织物瑕疵事件时，对瑕疵进行自动标记。

2.如权利要求1所述的基于数字孪生的织物瑕疵预测方法，其特征在于：所述步骤1)中，纺织机械的三维几何模型中需包含参与织造过程相关部件；部件的力学属性包括但不限于材料类型、弹性模量、屈服强度、表面粗糙度；得到的装备数字孪生模型和纺织机械实际运行状况进行对比，通过对模型几何和参数进行不断调整直到误差符合要求。

3.如权利要求1所述的基于数字孪生的织物瑕疵预测方法，其特征在于：所述步骤2)中，纱线柔性体模型由奇数根纤维模型并排组成，每根纤维模型由若干刚体圆柱首尾相连构成；纱线柔性体模型的力学性能由纤维模型根数和刚体圆柱几何尺寸决定，通过平衡模型的模拟精度调节纱线柔性体模型直到误差和算力需求在接受范围内。

4.如权利要求1所述的基于数字孪生的织物瑕疵预测方法，其特征在于：所述步骤2)中，基于纺织机械的三维模型建立纱线柔性体模型的运动约束，以及基于织造工艺步骤确定纺织机械部件的运行动作，来建立织物织造物理模型。

5.如权利要求1所述的基于数字孪生的织物瑕疵预测方法，其特征在于：所述步骤3)中，传感器收集的运行信息包括但不限于纺织机械中的电机电压、电机电流、纱线张力、放线速率、收卷张力以及收卷速率；设备状态包括纺织工艺程序中设定的当前工艺步骤。

6.如权利要求1所述的基于数字孪生的织物瑕疵预测方法，其特征在于：所述步骤4)中，关联方法为：在纺织机械运行过程中，由数据采集卡记录运行信息，由人工通过架设在设备织口处的相机监测织物表面状态；当出现织物瑕疵事件时，由人工对运行信息进行时间标记。

7.如权利要求1所述的基于数字孪生的织物瑕疵预测方法，其特征在于：所述步骤4)中，基于记录的织物瑕疵事件和对应的运行信息建立训练数据库，采用长短期记忆神经网络(LSTM)方法构建神经网络模型，通过数据训练后得到织物瑕疵事件的预测模型，具体方法为：将采集到过的电机电压、电机电流、纱线张力、放线速率、收卷张力、收卷速率作为输n×f入抽离成one‑hot编码形式，即每种编码对应一种属性参数，其形式为X∈R ；然后进行数据预处理，并采用归一化将不同维度的数据放缩至同一水平，其形式为再将归一化得到的数据按时间步长构造，其

n×t×f

形式为X∈R ，通过LSTM神经网络确定优化迭代效果。

8.如权利要求1所述的基于数字孪生的织物瑕疵预测方法，其特征在于：所述步骤5)中，瑕疵标记方法为：当预测到瑕疵事件后，根据织造速率计算出瑕疵事件所在织物位置到瑕疵标记位置的织造时间；当织物瑕疵到达瑕疵标记位置时，由水性喷漆自动喷洒到织物瑕疵的预测位置。