1.基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，包括以下步骤：
步骤1，采集磨煤机上个a修期起至下个a修期前的两个a修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；
步骤2，对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；
步骤3，对“db3”小波分解重构后的参数数据进行归一化；
步骤4，将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。
2.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，所述的磨煤机参数包括：电流(a)、给煤量(t/h)、进口风压(kpa)、磨煤机差压(kpa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(mw)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体co浓度(ppm)、密封风压(kpa)、密封风一次风差压(kpa)、磨辊加载油压反馈。
3.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤2中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：
1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；
2)定义低频分解滤波器lo_d矩阵与高频分解滤波器hi_d矩阵，“db3”小波lo_d＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，hi_d＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与lo_d进行卷积，卷积结果x1l(t)共计(n+5)/2项，x1l(t)为1层低频分解系数；
3)使用b)中的方法继续对x1l(t)再进行4层小波分解，获取x2l(t)，x3l(t)，x4l(t)，x5l(t)；
4)对5层低频系数x5l(t)进行小波重构，定义重构特征矩阵x5l(t)'，x5l(t)'中偶数项为0，奇数项为x5l(t)不变；
5)定义重构低频滤波器lo_r＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器hi_r＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5l(t)'与lo_r进行卷积，得到x4(t)”，x5l(t)'共有a项，x4l(t)'共有b项，计算d＝(a-b)/2，令c为d最小整数部分，e为d最大整数部分，计算f＝a-e；获取x4(t)”中由c项开始至f项结束项生成4层重构低频系数x4(t)；
6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。
4.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤3中归一化的公式为：
5.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别方法，其特征在于，步骤4中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的具体方法为：
以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者归一化前即给煤量相差小于0.1t/h的数据，计算两数据不同参数距离大小，公式如下所示：
q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2
对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签。
6.基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，包括：
数据采集模块，用于采集磨煤机上个a修期起至下个a修期前的两个a修期间不同时间段的磨煤机参数历史数据，对不同时间段的参数历史数据进行分类标签；
小波分解重构模块，用于对各分类标签的历史数据进行小波分解重构：采用“db3”进行5层分解并对第5层低频信号重构从而过滤掉高频噪声对状态判别的影响；
数据归一化处理模块，用于对“db3”小波分解重构后的参数数据进行归一化；
计算与判别模块，用于将归一化后的参数数据录入近邻算法训练集，实际数据经过小波分解重构后，以给煤量为条件，计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态。
7.根据权利要求6所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，所述的磨煤机参数包括：电流(a)、给煤量(t/h)、进口风压(kpa)、磨煤机差压(kpa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(mw)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体co浓度(ppm)、密封风压(kpa)、密封风一次风差压(kpa)、磨辊加载油压反馈。
8.根据权利要求1所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，小波分解重构模块中所述的采用“db3”进行5层分解并对第5层低频信号重构的具体方法为：
1)对每一项参数x(t)，共计n项，添加项生成分解特征矩阵，进行5次分解，新生成特征矩阵x(t)'共计n+10项，其中x(t)'前5项依次为x(t)5，x(t)4，x(t)3，x(t)2，x(t)1(x(t)5表示x(t)中第五项元素)，中间n项为x(t)且顺序不变，最后5项依次为x(t)n，x(t)n-1，x(t)n-2，x(t)n-3，x(t)n-4；
2)定义低频分解滤波器lo_d矩阵与高频分解滤波器hi_d矩阵，“db3”小波lo_d＝[0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327]，hi_d＝[-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352]，使用“valid”方式对x(t)'与lo_d进行卷积，卷积结果x1l(t)共计(n+5)/2项，x1l(t)为1层低频分解系数；
3)使用b)中的方法继续对x1l(t)再进行4层小波分解，获取x2l(t)，x3l(t)，x4l(t)，x5l(t)；
4)对5层低频系数x5l(t)进行小波重构，定义重构特征矩阵x5l(t)'，x5l(t)'中偶数项为0，奇数项为x5l(t)不变；
5)定义重构低频滤波器lo_r＝[0.3327,0.8069,0.4599,-0.1350,-0.0854,0.0352]，重构高频滤波器hi_r＝[0.0352,0.0854,-0.1350,-0.4599,0.8069,-0.3327]，使用“full”方式对x5l(t)'与lo_r进行卷积，得到x4(t)”，x5l(t)'共有a项，x4l(t)'共有b项，计算d＝(a-b)/2，令c为d最小整数部分，e为d最大整数部分，计算f＝a-e；获取x4(t)”中由c项开始至f项结束项生成4层重构低频系数x4(t)；
6)再重复步骤4)和5)进行4次分解重构，依次获得x3(t)，x2(t)，x1(t)，x(t)”；其中x(t)”即为x(t)5层小波分解重构后得到的结果。
9.根据权利要求6所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，数据归一化处理模块中的归一化的公式为：
10.根据权利要求6所述的基于小波分解重构及近邻算法的磨煤机运行状态判别系统，其特征在于，计算与判别模块中所述的计算给煤量小于0.1t/h时的实际数据与训练数据的近邻算法结果，判别实际数据与历史数据中相符的分类标签，进而判断磨煤机当前状态的具体方法为：
以当前数据x(t)”当前归一中给煤量作为参照，与历史归一化数据中给煤量对比，选取两者归一化前即给煤量相差小于0.1t/h的数据，计算两数据不同参数距离大小，公式如下所示：
q＝(x(t)”1,当前归一-x(t)”1,历史归一)2+(x(t)”2,当前归一-x(t)”2,历史归一)2+...+(x(t)”20,当前归一-x(t)”20,历史归一)2
对所有距离进行排序，根据算法中近邻点数个数k，选择前k个最小距离数据，统计这k个最小距离对应的状态标签，输出统计数量最多的状态标签，即为当前状态的状态标签。