1.一种多风机联合轴承故障自诊断方法，其特征在于，包括：S1：收集获取正常和异常的风机轴承的时域振动信号，对收集到的时域振动信号数据进行数据处理，并进行分类；S2：将处理后的数据输入到构建的重构网络模型中进行训练，训练至重构网络模型对非异常数据重建效果和对异常数据的重建效果均满足预设阈值；所述重构网络模型，包括编码器、基于粒子群的LSTM和解码器三个部分，所述编码器、基于粒子群的LSTM和解码器依次连接，对输入的数据进行依次处理；S3：采集多个风机的时域振动信号并输入训练好的重构网络模型中，获得每个风机对应的异常分数；所述异常分数使用输入特征和输出特征的余弦相似度进行计算；S4：根据所有风机的异常分数，进行对比，判断风机轴承是否发生故障；异常分析判断的具体过程如下：获取输出的所有风机的异常分数，并去掉最大和最小的异常分数；除去最大和最小的异常分数后，计算剩余异常分数的平均值；具体的，为计算除当前待异常判断的剩余风机的平均异常分数，计算如下：其中，S else 表示上述的n-1个风机的平均异常分数，S m 表示所有风机的总异常分数，maxS m 表示所有风机最大异常分数，min S m 表示所有风机中最小异常分数，n表示风机数目；获取任一待异常判断的风机对应的异常分数，与所述平均值进行差值计算，若差值超出设定的异常阈值，则判定该风机轴承故障；即若S i ＜S ab &&S i ＜S else +δ，则当前第i个风机异常，反之正常；S i 表示当前第i个风机的异常分数，S ab 表示设定的异常阈值，δ表示设定的异常阈值与平均值的差值。
2.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，所述编码器包括四个模块，每个模块都包括一维卷积、正则化、ReLU激活和2x2平均池化四个部分；第一模块包括两个128×16的卷积层和一个64×16的卷积层，第二模块包括两个64×32的卷积层和一个32×32的卷积层，第三模块包括两个32×64的卷积层和一个16×64的卷积层，第四模块包括两个16×64的卷积层和一个8×64的卷积层。
3.根据权利要求2所述的多风机联合轴承故障自诊断方法，其特征在于，所述解码器与所述编码器的整体结构互为对称，所述解码器各模块的层级结构与所述编码器相反，每个模块都包括一维卷积、正则化、ReLU激活和2x2上采样层四个部分，在所述解码器的每个模块中，还设有一个dropout层。
4.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，所述基于粒子群的LSTM将输入门和遗忘门耦合，满足输入门＝1-遗忘门的结构。
5.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，所述重构网络模型中，所述重构网络模型的损失函数包括特征损失和三元损失两部分。
6.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，步骤S1中，将所述时域振动信号数据分为非异常和异常数据，所述非异常数据包括正常数据和锚数据。
7.根据权利要求1所述的多风机联合轴承故障自诊断方法，其特征在于，在步骤S4之后，还包括：S5：将所有风机的时域振动信号和故障判断评估结果通过网络上传存储。
8.一种多风机联合轴承故障自诊断系统，其特征在于，系统包括数据采集单元和评估模块，所述数据采集单元与所述评估模块连接；所述数据采集单元用于采集风机的时域振动信号，并将采集到的时域振动信号数据传输至所述评估模块；所述评估模块存储有权利要求1所述的重构网络模型，以及执行权利要求1-7任一方法的程序算法，用于接收所述数据采集单元传输的时域振动信号数据，并根据接收的数据对风机进行故障评估。
9.根据权利要求8所述的多风机联合轴承故障自诊断系统，其特征在于，系统还包括监控端，所述监控端与所述评估模块远程数据连接，所述监控端还通过基站与所述数据采集单元连接，接收所述评估模块输出的故障评估结果，以及通过基站网络传输的采集的风机时域振动信号数据。
