1.一种基于CNN-SVDD的引风机故障识别方法，其特征在于，包括以下步骤：步骤1：采集足量训练数据，进行数据预处理；步骤1.1：对训练数据在时间维度上进行切片操作、缺失值处理和数据标准化，得到统一的特征数；步骤1.2：对于训练数据中数据缺失达到30％～50％的测点进行删除；步骤1.3：用取均值和标准差对已删除数据缺失测点的训练数据进行标准化处理：其中x * 表示归一化后的训练数据值，x表示实测的训练数据值，mean为训练数据集的均值，std为训练数据集的标准差；步骤2：利用预处理后的训练数据构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；步骤2.1：通过网络结构优化和参数调优，构建含有多个卷积层和多个全连接层的CNN网络结构；该CNN网络结构中每一个卷积层后都紧跟BN层，并增加dropout层；预处理后的训练数据经过若干卷积层，充分利用数据在时间维度的相关性进行特征提取；随后转入若干全连接层，进一步对特征进行转化提取；步骤2.2：将预处理后的训练数据输入已构建的CNN模型，经过CNN算法进行特征提取，将得到的特征输入SVDD算法中；SVDD球体中心为样本经卷积神经网络输出后的特征中心，求解得到使得损失函数最小的半径；所述损失函数Loss为：其中，X是训练数据，φ(X)是由输入数据经一定映射后的特征展示，c是样本经映射后的特征中心，R是SVDD球体半径，ν和λ是惩罚系数，n是样本容量，ω l 是神经网络权值参数，L是神经网络权值参数ω l 的个数；步骤2.3、利用神经网络的反向传播对神经网络权值参数ω l 进行学习更新，利用更新SVDD球体的聚类中心对球体半径R进行学习更新，令损失函数Loss最小；步骤3：采集足量实时数据，用基于已构建的CNN-SVDD模型对实时数据对应的引风机故障进行识别；步骤3.1：将输入的实时数据进行数据预处理：为使样本的原始特征维度一致，对实时数据在时间维度上进行切片操作，得到统一的特征数；对于实时数据中数据缺失达到30％～50％的测点进行删除；按照均值和标准差对删除数据缺失测点的实时数据进行标准化处理；步骤3.2：将预处理后的实时数据输入已构建的CNN模型，经过CNN算法进行特征提取，将CNN算法输出的特征值用于SVDD算法进行单分类：若样本的特征值离SVDD球体中心的距离小于等于半径，则实时数据的对应的引风机故障属于某类故障；若样本的特征值离SVDD球体中心的距离大于半径，则实时数据的对应的引风机故障属于其他类故障。
2.根据权利要求1所述基于CNN-SVDD的引风机故障识别方法，其特征在于：所述步骤2.1中该CNN网络结构中所有卷积层的激活函数均为Leaky ReLU，所有全连接层的激活函数均为ReLU，所有卷积层和全连接层均不设置偏置项。
3.根据权利要求1所述基于CNN-SVDD的引风机故障识别方法，其特征在于：所述步骤1和步骤3.1中进行预处理的数据均为时间序列数据。
4.根据权利要求1所述基于CNN-SVDD的引风机故障识别方法，其特征在于：所述步骤3中随着采集的实时数据的更新，每更新预定数量的实时数据后，扩充训练数据并返回执行所述步骤2和所述步骤3，重新构造并训练CNN-SVDD模型，得到识别结果。
