本发明公开了一种基于机器学习的机械振动数字孪生模型构建方法，通过将数字孪生网格模型中所有节点的动力学特征向量送入并行的多个非线性动力学处理模块中，则可摈弃指定PDE方程的显式形式和复杂耗时的数值求解过程，通过非线性动力学处理模块自动提取机械振动传播的非线性微分动力学特征，使模型得以向真实物理系统进行不断优化和逼近，使模型最终学习到无限贴合真实场景下机械振动传播的隐式动力学行为，且可通过大规模GPU加速进行前向运算，极大提高甚至跟进真实固定振动传播速度并不断根据历史行为进行实时优化；因此，通过本发明方法构建得到的机械振动数字孪生模型能够用于对机械振动传播的快速精确模拟和预测。