1.一种基于深度强化学习算法的异构电梯故障检测方法，其特征在于，包括：获取电梯运行数据并提取相应的运行特征变量，结合电梯运行时间，将所述运行特征变量进行数据格式转换，得到统一数据格式的运行特征数据；

在同一电梯运行时间下，分析相关的运行特征数据之间的变量关联关系，并构建异构电梯的故障预测模型；

获取电梯异常时的故障特征变量和对应的故障运行状态，将所述故障特征变量和对应的故障运行状态输入至所述故障预测模型中，得到电梯故障预测结果；

对所述电梯故障预测结果进行故障判定处理，根据故障判定结果对电梯进行故障溯源处理，得到异构电梯的故障检测数据；

其中，所述在同一电梯运行时间下，分析相关的运行特征数据之间的变量关联关系，并构建异构电梯的故障预测模型，具体包括：在同一电梯运行时间下，获取电梯停靠位置和对应移动方向上的目标楼层高度，分析电梯停靠位置与下一目标楼层之间的运行速率；

通过公式（1）表示电梯相关的运行特征数据之间的变量关联关系，公式（1）如下所示：        （1）;

其中， 表示电梯变量关联函数，表示电梯第次移动的加速偏置，表示电梯第次移动的运行速率，表示电梯所在位置与目标停靠楼层之间的移动次数，表示第次运行的运行高度，表示电梯运行高度 所对应的重力加速偏置，表示同一运行方向上的电梯运行高度变化的次数， 表示第个目标楼层高度与第次运行的运行速率之间的关联权重；

根据所述变量关联关系，通过公式（2）计算第个目标楼层高度 的激活概率，公式（2）如下所示：        （2）;

通过公式（3）计算第次运行的运行速率 的激活概率，公式（3）如下所示：        （3）;

根据所述变量关联关系和对应变量的运行速率激活概率、目标楼层高度激活概率，构建异构电梯的故障预测模型。

2.根据权利要求1所述的基于深度强化学习算法的异构电梯故障检测方法，其特征在于，所述获取电梯异常时的故障特征变量和对应的故障运行状态，将所述故障特征变量和对应的故障运行状态输入至所述故障预测模型中，得到电梯故障预测结果，具体包括：获取电梯异常时的运行楼层数量并分析电梯相邻运行楼层之间的运行变量变化，得到电梯异常的故障特征变量和对应的故障运行状态；

将所述故障运行状态和所述故障特征变量输入至所述故障预测模型中，分析所述故障特征变量对应的故障发生概率，得到电梯故障预测结果。

3.根据权利要求2所述的基于深度强化学习算法的异构电梯故障检测方法，其特征在于，所述将所述故障运行状态和所述故障特征变量输入至所述故障预测模型中，分析所述故障特征变量对应的故障发生概率，得到电梯故障预测结果，具体包括：通过公式（4）计算故障特征变量对应的故障发生概率，公式（4）如下所示：        （4）;

其中， 表示故障特征变量对应的故障发生概率， 表示电梯异常运行高度与正常运行高度 之间的运行里程差， 表示电梯异常运行速率和正常运行速率 之间的运行速率差， 表示除运行高度和运行速率之外的电梯故障特征变量与正常运行变量 之间的变量差值， 、 分别表示运行高度激活概率、运行速率激活概率，表示变量关联函数。

4.根据权利要求1所述的基于深度强化学习算法的异构电梯故障检测方法，其特征在于，所述对所述电梯故障预测结果进行故障判定处理，根据故障判定结果对电梯进行故障溯源处理，得到异构电梯的故障检测数据，具体包括：通过公式（5）对电梯故障预测结果进行故障判定，公式（5）如下所示：        （5）;

其中， 、 分别表示电梯运行速率权重和电梯运行高度权重，表示电梯的最大运行高度；

当不符合故障判定条件时，结合运行楼层数量构建电梯堆叠结构，将故障特征变量输入所述电梯堆叠结构对故障特征进行溯源处理，得到异构电梯的故障检测数据。

5.一种基于深度强化学习算法的异构电梯故障检测系统，其特征在于，包括：数据获取模块，用于获取电梯运行数据并提取相应的运行特征变量，结合电梯运行时间，将所述运行特征变量进行数据格式转换，得到统一数据格式的运行特征数据；

模型构建模块，用于在同一电梯运行时间下，分析相关的运行特征数据之间的变量关联关系，并构建异构电梯的故障预测模型；

故障预测模块，用于获取电梯异常时的故障特征变量和对应的故障运行状态，将所述故障特征变量和对应的故障运行状态输入至所述故障预测模型中，得到电梯故障预测结果；

故障溯源模块，用于对所述电梯故障预测结果进行故障判定处理，根据故障判定结果对电梯进行故障溯源处理，得到异构电梯的故障检测数据；

其中，所述模型构建模块具体包括：

变量获取子模块，用于在同一电梯运行时间下，获取电梯停靠位置和对应移动方向上的目标楼层高度，分析电梯停靠位置与下一目标楼层之间的运行速率；

关联分析子模块，用于通过公式（1）表示电梯相关的运行特征数据之间的变量关联关系，公式（1）如下所示：        （1）;

其中， 表示电梯变量关联函数，表示电梯第次移动的加速偏置，表示电梯第次移动的运行速率，表示电梯所在位置与目标停靠楼层之间的移动次数，表示第次运行的运行高度，表示电梯运行高度 所对应的重力加速偏置，表示同一运行方向上的电梯运行高度变化的次数， 表示第个目标楼层高度与第次运行的运行速率之间的关联权重；

高度概率计算子模块，用于根据所述变量关联关系，通过公式（2）计算第个目标楼层高度 的激活概率，公式（2）如下所示：        （2）;

速率概率计算子模块，用于通过公式（3）计算第次运行的运行速率 的激活概率，公式（3）如下所示：        （3）;

根据所述变量关联关系和对应变量的运行速率激活概率、目标楼层高度激活概率，构建异构电梯的故障预测模型。

6.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

4任一项所述基于深度强化学习算法的异构电梯故障检测方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于深度强化学习算法的异构电梯故障检测方法的步骤。