1.一种智慧消防设备故障识别方法，其特征在于，所述方法包括：

数据采集：包括采集实时数据和采集历史数据；

采集实时数据：采集消防设备的实时数据；

采集历史数据：采集消防设备的历史数据以及历史数据对应的故障类型标签，所述历史数据包括历史设备运行数据和历史力学特征数据；

模型构建：构建消防设备故障识别模型，所述消防设备故障识别模型包括隐马尔科夫子模型和故障分类子模型；所述故障分类子模型包括决策树层和神经网络层；

模型训练：包括第一分类、第一处理、定义根节点、第一故障分类训练、第二故障分类训练和第二分类；

第一分类：将消防设备的历史数据以及历史数据对应的故障类型标签作为隐马尔科夫子模型的输入，得到第一数据；

第一处理：将第一数据与消防设备的历史数据进行拼接，记作第二数据；

定义根节点：计算第二数据中所有数据特征的信息增益比，选择信息增益比最大值的数据特征作为根节点；

第一故障分类训练：将第二数据输入决策树层进行推理，计算预测故障类型标签与历史数据对应的故障类型标签的残差，根据计算的残差与根节点构建决策树，进行模型推理，输出故障预测概率；

第二故障分类训练：将故障预测概率与第二数据进行拼接，得到第三数据，将第三数据作为样本训练集，输入神经网络层，进行模型推理，定义特征损失函数，通过最小化特征损失函数迭代优化神经网络层，得到训练好的故障分类子模型，作为新的故障分类子模型；

第二分类：将第二数据作为故障分类子模型的输入，输出第二数据对应的故障类型标签；

故障识别：将消防设备的实时数据输入至训练后的消防设备故障识别模型中，输出实时数据的故障类型标签。

2.根据权利要求1所述的智慧消防设备故障识别方法，其特征在于，在执行模型构建的步骤之后，在执行第一分类的步骤之前，还包括：时间阈值设定：根据消防设备的使用寿命，划分出不同的设备使用时间标签；

故障类型标签分类：根据历史数据的故障分类标签，划分出不同的故障类型；

定义隐含状态：基于采集的历史数据，为历史数据标注对应的设备使用时间标签，将历史数据的设备使用时间标签与对应的故障类型进行匹配，将匹配后的数据作为隐马尔科夫子模型的隐含状态；

第一迭代训练：将历史数据输入隐马尔科夫子模型进行概率计算，得到隐含状态的前向概率和后向概率，记作第一概率，根据第一概率更新观测概率矩阵，优化隐马尔科夫子模型，得到优化后的隐马尔科夫子模型，记作新的隐马尔科夫子模型。

3.根据权利要求2所述的智慧消防设备故障识别方法，其特征在于，在执行时间阈值设定的步骤之后，在执行故障类型标签分类的步骤之前，还包括：第一判别：判断当前历史数据中的历史设备运行数据是否均处于预设运行阈值范围内：若是，则将当前历史数据中历史设备运行数据的类型均标注为正常运行数据，执行第二判别的步骤；

若否，则将超出预设运行阈值范围的历史设备运行数据的类型标注为非正常运行数据，将未超出预设运行阈值范围的历史设备运行数据的类型标注为正常运行数据，执行第二判别的步骤；

第二判别：判断当前历史数据中的历史力学特征数据是否处于预设特征阈值范围内：若是，则将当前历史数据中历史力学特征数据的类型均标注为正常特征数据；

若否，则将超出预设特征阈值范围的历史力学特征数据的类型标注为非正常特征数据，将未超出预设特征阈值范围的历史力学特征数据的类型标注为正常特征数据；

第一标识：将当前历史数据中标注后的历史力学特征数据的类型和历史设备运行数据的类型与对应的故障类型标签进行匹配，记作第一匹配标签，将第一匹配标签作为当前历史数据的新的故障类型标签。

4.根据权利要求2所述的智慧消防设备故障识别方法，其特征在于，在执行模型构建的步骤之后，在执行时间阈值设定的步骤之前，还包括：故障数值化：将故障分类标签进行独热编码处理，得到第一标签；

第一筛选：计算历史设备运行数据与第一标签的相关性，记作第一相关性数据，筛选出第一相关性数据高于预设相关状态阈值的历史设备运行数据，作为新的历史设备运行数据；

第二筛选：计算历史力学特征数据与第一标签的相关性，记作第二相关性数据，筛选出第二相关性数据高于预设相关特征阈值的历史力学特征数据，作为新的历史力学特征数据。

5.根据权利要求2所述的智慧消防设备故障识别方法，其特征在于，在执行第一分类的步骤之后，在执行第一处理的步骤之前，还包括：概率差值计算：计算第一数据中不同隐含状态下同一数据的概率差值，记作第一概率差值，将第一概率差值和第一数据作为新的第一数据。

6.根据权利要求1所述的智慧消防设备故障识别方法，其特征在于，所述特征损失函数为：其中，n为样本训练集中样本的数量，wj表示第三数据中第j个数据特征的权重，xij表示第i个样本中的第j个数据特征， 表示第i个样本中的第j个数据特征的预测值，γ表示平衡系数，yi为表示第i个样本的故障类型标签真实标签， 为神经网络层输出的第i个样本的预测故障类型标签。

7.根据权利要求1所述的智慧消防设备故障识别方法，其特征在于，在执行第一处理的步骤之后，在执行定义根节点的步骤之前，还包括：第三筛选：计算第二数据中各个数据特征之间的相关性，记作第三相关性数据，筛选出第三相关性数据大于预设筛选阈值的数据特征组，记作第一数据组；

特征选择：采用主成分分析法将第一数据组中每一个数据组的两个数据特征转换为融合的数据特征，记作融合数据特征，汇集每一个数据组的融合数据特征，得到融合数据特征组，利用融合数据特征组替换第二数据中第一数据组的数据，得到替换后的数据，作为新的第二数据。

8.一种智慧消防设备故障识别系统，其特征在于，所述系统适用于如权利要求1‑7任一项所述的方法，所述系统包括：数据采集模块，包括采集实时数据模块和采集历史数据模块；

采集实时数据模块，用于采集消防设备的实时数据；

采集历史数据模块，用于采集消防设备的历史数据以及历史数据对应的故障类型标签，所述历史数据包括历史设备运行数据和历史力学特征数据；

模型构建模块，用于构建消防设备故障识别模型，所述消防设备故障识别模型包括隐马尔科夫子模型和故障分类子模型；所述故障分类子模型包括决策树层和神经网络层；

模型训练模块，与数据采集模块、模型构建模块通信连接，包括第一分类单元、第一处理单元、定义根节点单元、第一故障分类训练单元、第二故障分类训练单元和第二分类单元；

第一分类单元，用于将消防设备的历史数据以及历史数据对应的故障类型标签作为隐马尔科夫子模型的输入，得到第一数据；

第一处理单元，用于将第一数据与消防设备的历史数据进行拼接，记作第二数据；

定义根节点单元，用于计算第二数据中所有数据特征的信息增益比，选择信息增益比最大值的数据特征作为根节点；

第一故障分类训练单元，用于将第二数据输入决策树层进行推理，计算预测故障类型标签与历史数据对应的故障类型标签的残差，根据计算的残差与根节点构建决策树，进行模型推理，输出故障预测概率；

第二故障分类训练单元，用于将故障预测概率与第二数据进行拼接，得到第三数据，将第三数据作为样本训练集，输入神经网络层，进行模型推理，定义特征损失函数，通过最小化特征损失函数迭代优化神经网络层，得到训练好的故障分类子模型，作为新的故障分类子模型；

第二分类单元，用于将第二数据作为故障分类子模型的输入，输出历史数据对应的故障类型标签；

故障识别单元，与数据采集模块、模型构建模块通信连接，用于将消防设备的实时数据输入至训练后的消防设备故障识别模型中，输出实时数据的故障类型标签。