1.一种基于有限传感器的矿用电铲动臂应力状态监测系统，其特征在于，包括感知测量模块、数据传输模块、计算模块和显示屏模块，所述感知测量模块的信号输出端与数据传输模块的信号输入端连接，所述数据传输模块的信号输出端与计算模块的信号输入端连接，所述计算模块的信号输出端与显示屏模块的信号输入端连接；

所述感知测量模块用于矿用电铲动臂应力数据的采集，包括多条数据采集通道，每条所述数据采集通道包括一个应变片传感器，每个所述应变片传感器依次连接电桥电路、前置放大电路和低通滤波电路，多条所述数据采集通道中的应变片传感器沿矿用电铲动臂长度方向等距设置；

所述数据传输模块包括多个终端节点和一个协调器节点，每个所述终端节点的信号输入端与对应数据采集通道中的低通滤波电路的信号输出端连接，多个所述终端节点的信号输出端均与协调器节点的信号输入端连接，所述终端节点用于分析处理应变片传感器采集的应力数据，并将终端节点数据发送给协调器节点，所述协调器节点用于接收和汇总终端节点的数据，并将汇总后的数据上传至计算模块；

所述计算模块用于接收协调器节点发送的矿用电铲动臂应力数据，并计算矿用电铲动臂应力的空间分布状态及其随时间的演化情况；

所述显示屏模块用于显示矿用电铲动臂应力的空间分布状态及其随时间的演化情况。

2.根据权利要求1所述的基于有限传感器的矿用电铲动臂应力状态监测系统，其特征在于，所述终端节点和协调器节点均内置有芯片和锂电池，设置于所述终端节点内的芯片用于将感知测量模块内的电压信号通过计算转换为应变数据，并通过ZigBee无线通讯将数据发送至协调器节点，所述协调器节点内的芯片用于与终端节点进行ZigBee无线通讯，接收数据并通过串口发送至计算模块。

3.根据权利要求1所述的基于有限传感器的矿用电铲动臂应力状态监测系统，其特征在于，所述计算模块包括微型工业主机和存储器，所述计算模块用于分析数据和建立矿用电铲动臂应力状态监测模型，所述计算模块输入、输出的接口包括通信串口、SD卡槽。

4.一种矿用电铲动臂应力状态监测方法，其特征在于，该监测方法基于权利要求1‑3任一项所述的基于有限传感器的矿用电铲动臂应力状态监测系统，包括如下步骤：S1、传感数据采集：在矿用电铲动臂上安装至少八个应变片传感器，依据无线传感器网络对应变数据进行采集，获取应力实测数据；

S2、构建应力感知数据库：通过对矿用电铲动臂的有限元分析构建应力感知数据库；

S3、构建应力状态监测模型：使用步骤S2中构建的数据库对网络iAE‑CNN进行训练，进而构建出矿用电铲动臂应力状态监测模型；

S4、应力状态监测模型轻量化：采用结构化剪枝方法，对矿用电铲动臂应力状态监测模型进行网络稀疏化处理，使矿用电铲动臂应力状态监测模型轻量化，实现矿用电铲动臂应力状态监测模型在微型工业主机上的实时快速计算；

S5、应力状态监测：根据步骤S1获取的应力实测数据作为步骤S4轻量化后的矿用电铲动臂应力分布监测模型的输入数据，计算输出矿用电铲动臂的应力分布状态，实现对矿用电铲动臂的实时应力监测；

S6、可视化与预警分析包括：三维应力可视化、结构风险预警和用户界面设计。

5.根据权利要求4所述的矿用电铲动臂应力状态监测方法，其特征在于，在所述的步骤S1中，传感数据采集具体包括如下步骤：S1.1、采样频率使用1HZ，选用星形拓扑组网方式，包含一个协调器节点和至少八个终端节点，采用ACK发送机制，协调器节点在收到数据后，会发送一个ACK帧给终端节点，告知数据已成功接收；

S1.2、如果终端节点在预定的时间内没有收到ACK帧，它会判断数据在传输过程中丢失或接收方未能正确接收数据，并重新发送数据。

6.根据权利要求4所述的矿用电铲动臂应力状态监测方法，其特征在于，在所述的步骤S2中，构建应力感知数据库包括如下步骤：S2.1、使用Soildworks软件建立矿用电铲动臂的三维模型；

S2.2、进行矿用电铲动臂有限元计算；

S2.3、施加不同的外部载荷进行有限元分析，以模拟不同工况下矿用电铲动臂的应力分布状态，并将矿用电铲动臂每个网格单元的应力数据储存下来，构建不同工况下的应力感知数据库。

7.根据权利要求6所述的矿用电铲动臂应力状态监测方法，其特征在于，在所述的步骤S2.2中，进行矿用电铲动臂有限元计算具体包括如下步骤：S2.21、利用四面体网格，对电铲动臂几何模型进行网格单元划分；

S2.22、设置矿用电铲动臂的材料属性，包括动臂弹性模量、泊松比和密度；

S2.23、有限元计算得到各个网格单元的应力数据及其随时间的瞬态变化情况。

8.根据权利要求4所述的矿用电铲动臂应力状态监测方法，其特征在于，在所述的步骤S3中，构建矿用电铲动臂应力状态监测模型具体包括如下步骤：S3.1、将步骤S2中应力感知数据库中有限传感器位置对应的网格单元的应力值提取出来，合成感知矩阵Rsensor，将全部网格单元的应力值合成应力分布矩阵Rdistribution；

S3.2、将卷积神经网络CNN嵌入自编码器结构，利用无监督训练，提取应力分布的低维向量Rfeature，公式如下：其中， 表示编码过程， 表示解码过

程；

fCNN‑E和fCNN‑D均为3层CNN，嵌入在自编码器结构中，且在每层CNN均引入批规范化操作，每层CNN的批规范化计算公式为：其中，yCNN为单层CNN的计算结果，BN表示批规范化操作的函数， 为批规范化操作的2

输出结果， 和σ 分别是单层CNN计算结果的平均值和方差，ε是值趋近于0的正常数，避免分母为0，γ和β则为BN层中神经元的比例因子和偏置；

S3.3、利用全连接神经网络fFC计算感知矩阵Rsensor和低维向量Rfeature的回归关系S3.4、组合fFC和fCNN‑D，组成应力状态监测模型iAE‑CNN，该应力状态监测模型以Rsensor为输入，以Rdistribution为输出：实现基于有限传感器进行电铲动臂应力状态监测；

S3.5、初始化构建的iAE‑CNN神经网络模型，将步骤S2中应力感知数据库的数据作为该应力状态监测模型的训练数据，训练iAE‑CNN神经网络模型。

9.根据权利要求4所述的矿用电铲动臂应力状态监测方法，其特征在于，在所述的步骤S4中，将应力状态监测模型轻量化具体包括如下步骤：S4.1、选取步骤S3训练完成的应力状态监测模型作为待优化的目标网络，对矿用电铲动臂应力状态监测模型iAE‑CNN进行稀疏化网络训练，抑制不重要的神经元，同时保留重要的神经元，实现对网络模型的修剪，其中，对iAE‑CNN进行稀疏化网络训练的目标函数为：其中，f(xi；θ)为训练的神经网络，xi、θ为网络参数，L(·)为损失函数，P(·)为对网络权重的L2正则化，Ps(·)为对BN层中神经元的比例因子γ的极正则化，极正则化公式为：式中，γi代表第i个神经元的比例因子，令 为n个神经元的比例因子的平均值，t为惩罚因子，t值越大，正则项惩罚力度越大，网络稀疏程度越大；

S4.2、通过神经网络的极化效应设置阈值，修剪BN层中神经元比例因子低于阈值的神经元，使用步骤S2中应力感知数据库的数据微调修剪后的神经网络，得到轻量化后的应力分布监测模型。

10.根据权利要求4所述的矿用电铲动臂应力状态监测方法，其特征在于，在所述的步骤S6中，所述三维应力可视化是将三维应力监测模型的输出结果通过三维图形软件进行可视化展示；

所述结构风险预警是设置矿用电铲动臂应力阈值，当监测到的应力超过阈值时，触发预警信号；

所述用户界面设计，用于使操作人员查看三维应力分布、监控数据和预警信息。