1.一种基于工业互联网的控制分析方法，其特征在于：包括：

进行工业互联网旋转机械模型的构建管理；

对旋转机械进行工业互联网的检测预警及聚类控制；

进一步对旋转机械进行工业互联网的分析控制管理；

进行旋转机械的日志管理及预警统计；

所述进行工业互联网旋转机械模型的构建管理包括：

将工业互联网旋转机械的原始振动信号从时域转换到频域，使用傅里叶变换将其表示为频域信号，并将其作为卷积神经网络的输入，通过使用编码器进行逐层提取特征，从而降低数据特征的维度，并通过深度自编码器把高维的数据映射到低维的特征空间，从而构建深度自编码的预测模型；

该步骤中，获取机械信号的频域表示即频谱，并将其作为训练样本，然后，采用归一化将样本数据转换为[0，1]范围内的值，按照特定比例对数据集进行划分，获得模型的训练集和测试集，并采用无监督的学习方法逐层训深度自编码器，从而获取深度神经网络隐藏层的层数，对于每一个深度自编码器，将其隐藏层的输出作为下一层深度自编码器的输入，完成对应的深度自编码预测模型的构建，有效提升后续的分析管理准确度与处理效率，避免误差的产生；

所述对旋转机械进行工业互联网的检测预警及聚类控制包括：

完成深度自编码预测模型的构建后，对旋转机械设备部件在正常工作状态下的振动信号，进行标准化处理得到采样数据后，将其代入深度自编码预测模型进行检测预警处理；

该步骤中，将样本输入至深度自编码预测模型，得到样本的重构误差向量，通过自适应阈值算法确定自适应阈值，在获取旋转机械设备振动信号后，对其进行快速傅里叶变换处理，并对结果进行归一化处理，以获得对应数据后，将其输入至深度自编码预测模型，得到相应的重构误差，并将其设定的阈值范围进行对比，如果不符合设定的阈值范围，则立即进行预警通知，有效提升旋转机械设备的运行准确度与分析处理效率；

通过层次聚类方法对旋转机械数据信息进行处理，使其能够直观地呈现数据对象之间的相似性和距离关系；

该步骤中，按照层级结构对旋转机械数据对象进行聚类处理，根据数据对象之间的相似度或距离来构建一颗树形结构，其中顶端为单一的聚类，底部为单独的数据点，以每个数据点作为单独类别，然后逐渐合并这些类别，直到达到预设的聚类个数或者达到合并阙值，有效减少需要分析处理的数据量，极大程度的节约分析处理资源；

所述进一步对旋转机械进行工业互联网的分析控制管理包括：

采用多尺度方法对旋转机械数据信息进行处理，将其分为设定数量的子集，并对每个子集进行独立的分析；

该步骤中，通过多尺度处理，可以帮助识别出不同旋转机械设备的特征，并利用多个尺度下得到的特征信息，可以更好地定位和识别目标旋转机械设备，同时通过对不同时间和空间尺度下的旋转机械振动信号进行分析和处理来提高分析处理性能，在故障诊断中，小波变换可以将旋转机械振动信号分解为不同频率范围内的子带，并且每个子带都具有相应的时间和空间尺度，可有效地捕获信号中存在的局部特征，提升旋转机械设备检测分析的高效性与准确性；

进一步对旋转机械数据信息进行重构数据格式控制，按照设定的规则和结构重新组织和存储，使其更加规范化、易于处理和分析，更加便于旋转机械数据的可视化展示和呈现，从而更加直观和易于理解；

该步骤中，通过重构数据格式可以将旋转机械数据按照设定的结构和规则组织和存储，使其更加规范化和易于理解和使用，从而提高数据的可扩展性和可重用性，可以减少数据冗余，提高数据的质量，以增强数据的准确性和一致性；

从旋转机械数据中识别选择出符合隐私设定的敏感特征后，使用自适应层次聚类方法对其进行聚类，并通过计算类内和类间距离来确定最佳特征数后，进行脱敏控制处理；

该步骤中，对选定的敏感特征进行规范化处理，生成规范化特征集合，并使用自适应层次聚类方法对其进行聚类，可使旋转机械数据的脱敏处理更加高效、准确，避免误差的产生。

2.根据权利要求1所述的一种基于工业互联网的控制分析方法，其特征在于：所述进行旋转机械的日志管理及预警统计包括：记录用户在旋转机械系统中的每一个操作，使管理员可以通过安全日志记录来监控和存储用户的访问、操作，并对日志记录进行维护；

对旋转机械的预警信息进行统计，分别按照时间、设备、故障类型进行统计，以表格显示，包括报警时间、故障类型、故障时的振动值。