1.一种基于区块链和大数据的故障识别方法，其特征在于，包括以下步骤：

步骤S1：获取实时运行数据；对实时运行数据进行数据有效值初步识别，从而获得预识别运行数据，并对预识别运行数据进行降噪处理，从而获得预处理运行数据；对预处理运行数据进行规律波形分解，从而生成前分解运行数据；获取历年运行数据，并将历年运行数据投入初步建立的深度学习训练模型中进行数据类型分类训练，从而生成运行数据分类模型；根据运行数据分类模型对前分解运行数据进行类型分类并标记类型属性，从而生成属性运行数据并标记为定向数据，并将定向数据进行汇总从而获得定向数据集；

步骤S2：对定向数据集中的定向数据进行分割并排序，从而获得定向数据段集，并对定向数据段集中的定向数据段进行傅里叶变换，从而生成定向数据段的数据编码段；

步骤S3：获取定向安全数据库内的正常定向数据编码段；根据定向数据段的数据编码段与定向安全数据库内的正常定向数据编码段进行匹配，从而获得异常定向数据编码段；

获取计算节点所存储的故障运行数据随机字符串；根据异常定向数据编码段进行哈希加密，从而生成异常定向数据随机字符串，并根据计算节点所存储的故障运行数据随机字符串对异常定向数据随机字符串进行识别，从而获得初步故障信息；

步骤S4，包括：

当初步故障信息判断为已存储过异常信息时，则将初步故障信息所对应的定向数据段集中的定向数据段所对应的异常定向数据随机字符串标记为故障定向数据段，并将故障定向数据段进行分类后再进行第一通道广播共享；或者，当初步故障信息判断为未存储过异常信息时，则对初步故障信息所对应异常定向数据随机字符串的进行第一通道广播共享后在进行第二通道广播共享，从而更新计算节点所存储的故障运行数据随机字符串，并根据更新后的计算节点所存储的故障运行数据随机字符串对异常定向数据随机字符串进行识别，从而获得更新故障信息；

当更新故障信息判断为出现过的故障信息，则将更新故障信息所对应的定向数据段集中的定向数据段所对应的异常定向数据随机字符串标记为故障定向数据段，并将故障定向数据段进行分类后再进行第一通道广播共享，其中第一通道广播共享的数据影响范围小于第二通道广播共享的数据影响范围；或者，当更新故障信息判断为未出现过的故障信息，则将更新故障信息所对应的定向数据段集中的定向数据段所对应的异常定向数据随机字符串标记为异常定向数据段，并对异常定向数据段的数据源进行跟踪及深度处理。

2.根据权利要求1所述的基于区块链和大数据的故障识别方法，其特征在于，步骤S2包括以下步骤：根据运行时间轴对定向数据集中的定向数据进行分割，从而获得离散定向数据段；

根据运行时间轴对离散数据定向数据段进行顺序归为排序，从而获得具有时间顺序的定向数据段集；

对定向数据段集中的定向数据段进行傅里叶变换，从而生成定向数据段的数据编码段。

3.根据权利要求1所述的基于区块链和大数据的故障识别方法，其特征在于，根据定向数据段的数据编码段与定向安全数据库内的正常定向数据编码段进行匹配，从而获得异常定向数据编码段的步骤包括以下步骤：用定向安全数据库内的正常定向数据编码段对定向数据段的数据编码段进行识别匹配，并结合预设的达标阈值进行对比，从而去除大于达标阈值的定向数据段的数据编码段，并保留小于达标阈值的定向数据编码段，并将小于达标阈值的定向数据编码段标记为异常定向数据编码段。

4.根据权利要求1所述的基于区块链和大数据的故障识别方法，其特征在于，所述对异常定向数据段的数据源进行跟踪及深度处理包括以下步骤：对异常定向数据段进行第一通道广播共享；

对异常定向数据段所对应的定向数据段进行根源追溯，从而获得定向数据段数据发生源，并对获得定向数据段数据发生源进行实时定向专属通道检测，从而收集异常定向数据段所对应的定向数据段数据发生源的系统实时运作数据；

对系统实时运作数据进行数据处理，从而获得定向运作数据集随机字符串，并对定向运作数据集随机字符串进行第一通道广播共享。

5.根据权利要求4所述的基于区块链和大数据的故障识别方法，其特征在于，所述对系统实时运作数据进行数据处理包括以下步骤：步骤S81：获取实时运作效率数据；

步骤S82：根据运作效率数据建立效率曲线，从而生成运作效率曲线，并根据系统实时运作数据所对应的运行时间与运作效率曲线进行截取，获得局部时间运作效率曲线，并根据运作效率曲线与局部时间运作效率曲线进行效率影响计算，从而获得异常定向数据段所发生的异常对整体的效率影响数值；

步骤S83：根据影响数值与预设的影响阈值进行对比，当影响数值大于预设的影响阈值时，执行步骤S84，或者，当影响数值小于预设的影响阈值时，执行步骤S85；

步骤S84：确定出现故障，则将系统实时运作数据标记为重点排查故障系统运行数据，对重点排查故障系统运行数据进行数据重定向处理，从而获得定向运作数据集随机字符串；

步骤S85：将异常定向数据段的数据源标记为局部异常观察数据源，对局部异常观察数据源进行预设时间进行实时监控与检测，并执行步骤S81，从而确定局部异常观察数据源所发生的异常情况为正常现象，从而获取定向运作数据集随机字符串。

6.根据权利要求5所述的基于区块链和大数据的故障识别方法，其特征在于，所述效率影响计算的计算公式为：其中，表示为效率影响数值，表示为当前检测设备运作的时间，表示为设备发生异常后开始进行检测的时间，表示为当前发生异常时设备的检测时长，其中， ，表示为在 时间段内的单位时长序列，表示为出现异常运作时设备生产合格率，表示为出现异常运作时设备平均处理能力， 表示为出现异常运作时设备温度变化曲线 在单位时间段内的异常运作时设备温度值，表示为出现异常运作时设备温度变化曲线 在单位时间段内的异常运作时设备温度值，表示为出现异常运作时设备噪音频率曲线 在单位时间段内的异常运作时设备噪音频率值，表示为常规运作时设备生产合格率，表示为常规运作时设备平均处理能力，表示为常规运作时设备温度均值，表示为常规运作时设备噪音频率曲线。

7.一种基于区块链和大数据的故障识别通用计算节点，其特征在于，包括：

处理器，以及

至少一个与所述处理器电性连接的存储器，所述存储器内存储有计算机程序，所述计算机程序用于执行如权利要求1‑6中任一项所述的基于区块链和大数据的故障识别方法。