1.一种基于大数据的工业设备运行异常状态识别方法，其特征在于，该方法包括以下步骤：

获取工业设备的若干个检测参数在历史时段内对应的数据，得到各检测参数对应的数据序列，基于所述数据序列，计算任意两个检测参数之间的关联性；

基于所述关联性构建关联性矩阵；根据关联性矩阵从若干个检测参数中筛选出多个关键检测参数；

获取关键检测参数在设定时段内各检测时刻对应的数据，构建关键检测参数矩阵并对其进行降维，得到重构数据矩阵；

在重构数据矩阵中随机选取一个元素，计算该元素与所有元素的差值绝对值，根据差值绝对值与差异阈值，计算该元素的第一分布指标；

在以该元素为中心的窗口区域内获取第一分布指标大于该元素的第一分布指标对应的元素，计算该元素与获取的所有元素对应的差值绝对值，并将差值绝对值的最小值作为该元素的第二分布指标；所述窗口区域的尺寸为n×n，n大于等于3；

根据各元素对应的第一分布指标与第二分布指标，计算各元素对应的状态指标；

根据重构数据矩阵中元素的最大值与最小值和标准重构数据矩阵中元素的最大值与最小值，计算数据综合指标；

设置状态阈值，获取小于状态阈值对应的状态指标，计算所有小于状态阈值对应的状态指标的倒数的累加和，将累加和与数据综合指标的乘积作为运行状态指标，根据运行状态指标判断工业设备是否异常。

2.根据权利要求1所述的一种基于大数据的工业设备运行异常状态识别方法，其特征在于，所述检测参数包括工业设备对应的振动频率、功率、轴承温度、电机旋转速度以及进给速度。

3.根据权利要求1所述的一种基于大数据的工业设备运行异常状态识别方法，其特征在于，所述关联性的计算方法为：获取任意两检测参数在历史时段内同时出现故障的频次，对各个数据序列进行直线拟合，得到各个数据序列对应直线的斜率；计算各个数据序列对应的离散系数，计算任意两个数据序列的皮尔逊相关系数；根据所述频次、斜率、离散系数以及皮尔逊相关系数，计算任意两个检测参数之间的关联性；

所述关联性为：

其中， 为第i个检测参数与第j个检测参数之间的关联性； 为第i个检测参数与第j个检测参数在历史时段内同时出现异常的频次， 为第i个检测参数对应的数据序列与第j个检测参数对应的数据序列之间的皮尔逊相关系数；为第i个检测参数的数据序列对应直线的斜率，为第j个检测参数的数据序列对应直线的斜率，为第i个检测参数的数据序列对应的离散系数，为第j个检测参数的数据序列对应的离散系数， 为由第i个检测参数的数据序列构成的向量， 为由第j个检测参数的数据序列构成的向量， 为与 的内积， 、 分别为权值参数，为模型参数，为自然常数。

4.根据权利要求1所述的一种基于大数据的工业设备运行异常状态识别方法，其特征在于，所述关联性矩阵中第i行的元素为第i个检测参数与剩余其他检测参数之间的关联性归一化后的值；

所述根据关联性矩阵从若干个检测参数中筛选出多个关键检测参数的方法具体为：获取关联性矩阵中每一行元素的最大值，记为最大关联性；当最大关联性大于关联性阈值时，则从最大关联性对应的两个检测参数中随机选取一个检测参数作为关键检测参数，当最大关联性小于关联性阈值，则最大关联性对应的两个检测参数均为关键检测参数。

5.根据权利要求1所述的一种基于大数据的工业设备运行异常状态识别方法，其特征在于，所述第一分布指标为：其中， 为重构数据矩阵中的元素z对应的第一分布指标， 为差异阈值， 为重构数据矩阵中元素z与元素s的差值绝对值，为重构数据矩阵中元素的数量。

6.根据权利要求1所述的一种基于大数据的工业设备运行异常状态识别方法，其特征在于，所述状态指标为：其中， 为重构数据矩阵中的元素z对应的状态指标， 为重构数据矩阵中的元素z对应的第一分布指标， 为重构数据矩阵中所有元素对应的第一分布指标的最大值，为重构数据矩阵中的元素z对应的第二分布指标； 为重构数据矩阵中所有元素对应的第二分布指标的最大值， ， 分别为调节参数。

7.根据权利要求1所述的一种基于大数据的工业设备运行异常状态识别方法，其特征在于，所述数据综合指标为：其中，为数据综合指标， 为重构数据矩阵中元素的最大值， 为标准重构数据矩阵中元素的最大值， 为重构数据矩阵中元素的最小值， 为标准重构数据矩阵中元素的最小值， 为以e为底的指数函数。

8.根据权利要求1所述的一种基于大数据的工业设备运行异常状态识别方法，其特征在于，所述根据运行状态指标判断工业设备是否异常的方法具体为：设置指标阈值，比较运行状态指标与所述指标阈值的大小，当运行状态指标大于指标阈值时，则工业设备的运行状态为异常；当运行状态指标小于指标阈值时，则工业设备的运行状态为正常。