1.一种针对工业时序不平衡数据的时间序列数据增强方法，其特征在于，包括以下步骤：S1、将不平衡时序数据集划分为少数类数据集M＝{m1,m2,...,mm}，其中，mi表示第i个子序列；多数类数据集N＝{n1,n2,...,nn}，其中，nj表示第j个子序列；设置近邻样本数量参数K；确定需要生成的样本总数量num；

S2、根据平均欧氏距离D1、D2的大小，将M划分为近多数类数据集N‑Maj，样本数量为n_maj；近少数数据集N‑Min，样本数量为n_min；

S3、计算N‑Maj的子序列之间的DTW距离，并组成DTW距离矩阵E3；计算N‑Min的子序列之间的DTW距离，并组成DTW距离矩阵E4；确定N‑Maj需要生成的序列数量为num1，确定N‑Min需要生成的数量为num2；

S4、随机选取N‑Maj中的子序列ap，通过E3的对应元素位置，筛选ap的K个近邻子序列，组成近邻序列集P＝{ap1,ap2,...,apK}；

S4.1、通过ap和P＝{ap1,ap2,...,apK}之间的DTW规整对齐，得到临时对齐序列集Cp＝{ap‑avg1,ap‑avg2,...,ap‑avgK}；

S4.2、根据子序列ap及其近邻序列集Cp，确定距离权重集W；

S4.3、：按照距离权重集W，对临时对齐序列集Cp求取加权平均值，构成新的平均序列ap‑avg；

S4.4、将新的平均序列ap‑avg加入N‑Maj中，并与N‑Maj中每个子序列进行DTW计算，更新DTW距离矩阵E3；

S4.5、重复步骤S4到S4.4，直到生成num1条新数据；

S5、随机选取N‑Min中的第q个子序列bq，通过E4的对应元素位置，筛选bq的K个近邻子序列，组成近邻序列集Q＝{bq1,bq2,...,bqK}；

S5.1、通过bq和Q＝{bq1,bq2,...,bqK}之间的DTW规整对齐，得到临时对齐序列集Cq＝{bq‑avg1,bq‑avg2,...,bq‑avgK}；

S5.2、根据子序列bq及其近邻序列集Cq，确定距离权重集W；

S5.3、按照距离权重集W，对临时对齐序列集求取加权平均值，构成平均序列bq‑avg；

S5.4、在bq‑avg的每个时间步上添加样本随机差异rand_diff，形成新的序列bq‑new；

S5.5、将新生成序列bq‑new加入N‑Min中，并与N‑Min中每个子序列进行DTW计算，同时更新DTW距离矩阵E4和N‑Min；

S5.6、重复步骤S5到S5.5，直到生成num2条新数据；

S6、合并N‑Min和N‑Maj，组成新的少数类数据集M'，将新的数据集M'与N合并，组成平衡数据集。

2.根据权利要求1所述针对工业时序不平衡数据的时间序列数据增强方法，其特征在于，步骤S2中，D1表示子序列mi与少数类数据集M中K个近邻子序列的平均欧氏距离；D2表示子序列mi与多数类数据集N＝{n1,n2,...,nn}中K个近邻序列的平均欧氏距离；

当D1>D2时，子序列mi储存至近多数类数据集N‑Maj；

当D1≤D2时，子序列mi储存至近少数数据集N‑Min。

3.根据权利要求1所述针对工业时序不平衡数据的时间序列数据增强方法，其特征在于，步骤S4、S5中，通过E3、E4对应的元素位置，筛选ap的K个近邻子序列，组成近邻序列集P＝{ap1,ap2,...,apK}和bq的K个近邻子序列，组成近邻序列集Q＝{bq1,bq2,...,bqK}。

4.根据权利要求1所述针对工业时序不平衡数据的时间序列数据增强方法，其特征在于，步骤S4.2中，对子序列ap和近邻序列集P中的子序列进行DTW规整对齐，根据DTW计算过程中求得的最优匹配路径，获得子序列ap和近邻序列集P最优对齐的临时对齐序列集Cp＝{ap‑avg1,ap‑avg2,...,ap‑avgK}；通过序列bq和近邻序列集Q的DTW最优对齐，得到临时对齐序列集Cq＝{bq‑avg1,bq‑avg2,...,bq‑avgK}。

5.根据权利要求1所述针对工业时序不平衡数据的时间序列数据增强方法，其特征在于，步骤S4.3和S5.3中，根据子序列ap与Cp在E3中对应的DTW距离，确定权重集；权重集W初始权重为ω0，权重数量为K+1，其和为1，权重集W为：W＝[ω0,ω1,ω2,...,ωK]

其中，ωj表示权重集中第j个权重，1≤j≤K；ej表示子序列与自身第j条近邻序列DTW距离；fj表示与距离成反比的系数，ρ为配置参数；

同理，S5.2中，按根据子序列bq与近邻序列集Cq子序列在E4中对应的DTW距离，确定权重集。

6.根据权利要求1所述针对工业时序不平衡数据的时间序列数据增强方法，其特征在于，步骤S5.4中，对于由N‑Min中生成的新序列bq‑avg，在其每个时间步的值上添加随机差异rand_diff；其中，每条新序列的随机差异由步骤S5中的子序列bq与近邻序列集Q＝{bq1,bq2,...,bqK}决定，即bq‑avg每个时间步上的值需要添加的随机差异，都是由bq＝(xq,1,xq,2,...,xq,t)与近邻序列集Q＝{bq1,bq2,...,bqK}中的所有子序列在同一时间步上的平均差异得到，组成长度为t的rand_diff(r)：其中，bqi为近邻序列集Q＝{bq1,bq2,...,bqK}的子序列之一；bqi(r)和bq(r)为bqi和bq在不同时间步上的值，1≤r≤t；

在bq‑avg所有时间步上，添加随机差异，得到bq‑new：

bq‑new(r)＝bq‑avg(r)+rand_diff(r)。