1.一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于：包括以下步骤：步骤S1、实时监测车床主轴径向跳动频域特征以及实时标定车床主轴径向跳动状态，将车床主轴径向跳动频域特征和车床主轴径向跳动状态构建为样本数据集；

步骤S2、在所述样本数据集中选取出车床主轴径向跳动状态为异常状态的时序点标记为异常时序点，以及选取出车床主轴径向跳动状态为正常状态的时序点标记为正常时序点，依次将每个异常时序点与每个异常时序点相距最近的前置正常时序点构成风险时序段，并对各个风险时序段进行协方差分析确定出监测时序段；

步骤S3、提取监测时序段处的车床主轴径向跳动频域特征、异常时序点处的异常状态以及监测时序段与风险时序段的时差进行风险识别模型构建，以实现对车床主轴径向跳动风险的模型化超前识别；

步骤S4、在目标车床的工况时序阶段实时监测目标车床的车床主轴径向跳动频域特征，并在每经过一个监测时序段时将监测时序段处目标车床的车床主轴径向跳动频域特征利用所述风险识别模型得到目标车床在后续工况时序处的异常状态以及异常状态的发生工况时序；

对各个风险时序段进行协方差分析确定出监测时序段，包括：

设置监测时序段的时长期望值作为未知量，构建出各个风险时序段的时长与监测时序段的时长期望值间的协方差优化函数以衡量监测时序段的时长冗余性，协方差优化函数的函数表达式为：式中，F为协方差优化函数值，ti为第i个风险时序段的时长，T为监测时序段的时长期望值，cov(ti,T)为ti和T的协方差运算符，n为风险时序段的总数量，i为计量常数；

设定时长期望值的取值范围，时长期望值的取值范围表达式为：

T≤ti；

式中，ti为第i个风险时序段的时长，T为监测时序段的时长期望值；

在时长期望值的取值范围内对协方差优化函数进行最小化求解得到表征监测时序段的时长冗余性最小化的时长期望值，并将时长期望值作为监测时序段的时长，以各个风险时序段的时序起点为监测时序段的时序起点，在风险时序段中以时序起点向后选取出与监测时序段的时长一致的时序段作为监测时序段。

2.根据权利要求1所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于：所述实时监测车床主轴径向跳动频域特征以及实时标定车床主轴径向跳动状态，包括：在每个实时时序处监测车床主轴径向跳动的径向距离，并将实时时序与径向距离构成车床主轴径向跳动时域特征，再将所述车床主轴径向跳动时域特征经傅里叶变换得到所述车床主轴径向跳动频域特征；

在每个实时时序处标记出车床主轴径向跳动状态，所述车床主轴径向跳动状态包括异常状态、正常状态和风险状态，所述标记车床主轴径向跳动状态利用预设的状态识别模型进行模型化标记。

3.根据权利要求2所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于：所述状态识别模型的预设包括；

随机选取多个实时时序作为训练时序，人为标记训练时序处的车床主轴径向跳动状态；

将训练时序处的车床主轴径向跳动时域特征作为分类器的输入项，将训练时序处的车床主轴径向跳动状态作为分类器的输出项，利用所述分类器的输入项和分类器的输出项对所述分类器进行分类训练得到所述状态识别模型；

所述状态识别模型的模型表达式为：

Type＝Classifier(S)；

式中，Type为车床主轴径向跳动状态，S为车床主轴径向跳动时域特征，Classifier为分类器。

4.根据权利要求3所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于：所述将车床主轴径向跳动频域特征和车床主轴径向跳动状态构建为样本数据集，包括：将同一实时时序处的车床主轴径向跳动频域特征和车床主轴径向跳动状态作为单个样本数据，并将对应的实时时序作为所述单个样本数据的时序属性；

将各个单个样本数据依据时序属性进行时序排列构成所述样本数据集。

5.根据权利要求4所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于：所述风险识别模型构建，包括：计算监测时序段与风险时序段的时差作为风险临近时长；

将监测时序段处的车床主轴径向跳动频域特征作为CNN神经网络的输入项，将异常时序点处的异常状态、风险临近时长作为CNN神经网络的输出项，所述CNN神经网络对所述CNN神经网络的输入项和CNN神经网络的输出项进行网络训练得到所述风险识别模型；

所述风险识别模型的模型表达式为：

[Label,W]＝CNN(U)；

式中，Label为异常时序点处的异常状态，W为检测时序段处的风险临近时长，U为监测时序段处的车床主轴径向跳动频域特征，CNN为CNN神经网络。

6.根据权利要求5所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于：所述监测时序段处的车床主轴径向跳动频域特征由监测时序段处车床主轴径向跳动时域特征经傅里叶变换得到。

7.根据权利要求6所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于，所述利用所述风险识别模型得到目标车床在后续工况时序处的异常状态以及异常状态的发生工况时序，包括：将监测时序段处目标车床的车床主轴径向跳动频域特征输入至所述风险识别模型，其中，若风险识别模型输出异常状态和风险临近时长，则风险临近时长加上监测时序段的时序终点为异常状态的发生工况时序；

若风险识别模型输出正常状态，则继续进入目标车床的下一个监测时序段。

8.根据权利要求7所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于，所述监测时序段的车床主轴径向跳动时域特征、风险时序段内的车床主轴径向跳动时域特征均进行归一化处理。

9.根据权利要求8所述的一种基于识别模型的车床主轴径向跳动的风险监测方法，其特征在于，所述分类器包括多分类器，所述CNN神经网络包含至少三层结构。