1.一种设备异常检测方法，其特征在于，方法包括以下步骤：获取对设备进行监测得到的时域监测信号；

对所述时域监测信号进行频域变换，得到频域监测信号；

根据无量纲处理算法，调整所述频域监测信号中各级频域分量的幅值；

将所述频域监测信号中，幅值调整后的各级频域分量输入预先训练的异常检测模型中，得到异常检测结果；其中，所述异常检测模型已学习得到采用所述无量纲处理算法调整后的各级频域分量与异常检测结果之间的对应关系。

2.根据权利要求1所述的设备异常检测方法，其特征在于，所述根据无量纲处理算法，调整所述频域监测信号中各级频域分量的幅值，包括：采用归一化算法，调整所述频域监测信号中各级频域分量的幅值。

3.根据权利要求1所述的设备异常检测方法，其特征在于，所述对所述时域监测信号进行频域变换，得到频域监测信号之后，还包括：对所述频域监测信号的各级频域分量进行筛选，保留预设级数的频域分量；

和/或，对所述频域监测信号的各级频域分量进行去噪，以过滤掉频率高于预设阈值的频域分量。

4.根据权利要求1所述的设备异常检测方法，其特征在于，所述将所述频域监测信号中，幅值调整后的各级频域分量输入预先训练的异常检测模型中，得到异常检测结果之前，还包括：获取设备历史运行过程中监测到的时域历史信号；

对所述时域历史信号进行频域变换，得到频域历史信号；

根据所述无量纲处理算法，调整所述频域历史信号中各级频域分量的幅值；

根据所述频域历史信号中幅值调整后的各级频域分量，以及所述设备对应的历史运行状态，对所述异常检测模型进行训练；所述历史运行状态包括正常状态和异常状态。

5.根据权利要求4所述的设备异常检测方法，其特征在于，所述对所述异常检测模型进行训练，包括：采用回归预测的方式，对采用LSTM神经网络的异常检测模型进行训练。

6.根据权利要求1所述的设备异常检测方法，其特征在于，所述对所述时域监测信号进行频域变换，得到频域监测信号，包括：对时域监测信号进行傅里叶级数展开,得到频域监测信号 其中，k为频域分量 的级数，Ak为幅值。

7.一种设备异常检测装置，其特征在于，装置包括：获取模块，用于获取对设备进行监测得到的时域监测信号；

变换模块，用于对所述时域监测信号进行频域变换，得到频域监测信号；

调整模块，用于根据无量纲处理算法，调整所述频域监测信号中各级频域分量的幅值；

检测模块，用于将所述频域监测信号中，幅值调整后的各级频域分量输入预先训练的异常检测模型中，得到异常检测结果；其中，所述异常检测模型已学习得到采用所述无量纲处理算法调整后的各级频域分量与异常检测结果之间的对应关系。

8.一种计算机设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-6中任一项所述的设备异常检测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的设备异常检测方法。

10.一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如权利要求1-6中任一所述的设备异常检测方法。