1.一种基于人工智能的电机异常检测方法，其特征在于，包括：S1、通过传感器采集电机运行的信号数据建立数据集，并对数据集进行预处理；

S2、通过变分模式提取获取预处理后的数据集的初步模态分量；

S2.1、初始化变分模式提取的模态分量数K，以线性平均分布方式初始化各模态分量的中心频率参数ωk和惩罚系数αk；

S2.2、构建含二次惩罚项和带宽约束的变分模式提取的目标函数；

S2.3、基于目标函数，对数据集使用交替方向乘子法迭代优化获取初步模态分量；

S3、通过深度残差网络提取各初步模态分量的残差特征，将残差特征与初步模态分量进行叠加，得到增强模态分量 ；

对每一模态分量uk(t)提取残差特征，所述提取残差特征的计算公式为：,

其中， 为深度残差网络的非线性映射函数，R(uk(t))表示模态分量提取的残差特征；

S4、对增强模态分量 进行稀疏收缩，将稀疏收缩后的模态分量重新代入S2的目标函数，通过自适应梯度下降迭代更新所述模态分量与模态分量的中心频率，直至目标函数收敛至预设阈值，输出迭代更新后的模态分量集合 作为变分模式提取最终的分解结果；

所述对增强模态分量 进行稀疏收缩，所述稀疏收缩公式为：，

其中， 表示第k个增强模态分量， 表示返回模态分量的符号；λk表示稀疏收缩阈值；

输出收缩后的模态分量：

；

S5、构建电机异常检测模型，并构建焦点损失函数作为所述电机异常检测模型的损失函数；将数据集经变分模式提取的分解结果分为训练集与测试集，基于训练集对电机异常检测模型进行训练，并通过测试集进行训练评估，得到训练好的电机异常检测模型；

S6、通过电机异常检测模型对工业控制系统中电机运行的不同类别的攻击进行检测分类。

2.根据权利要求1所述的基于人工智能的电机异常检测方法，其特征在于，S5中所述构建电机异常检测模型为通过LSTM人工神经网络构建电机异常检测模型，并通过粒子群优化得到优化后的改进电机异常检测模型。

3.根据权利要求2所述的基于人工智能的电机异常检测方法，其特征在于，所述电机异常检测模型包括三层LSTM人工神经网络，且每一层LSTM人工神经网络的节点数逐层减少，分别为128、64、32；第三层LSTM人工神经网络后引入通道注意力机制，其输出层连接全连接网络。

4.根据权利要求2所述的基于人工智能的电机异常检测方法，其特征在于，所述通过粒子群优化得到优化后的改进电机异常检测模型，具体为：a,初始化粒子群规模，并设定最大迭代次数；初始化确定粒子的初始速度和位置，单个粒子表示一个LSTM超参数；

b,通过训练集训练电机异常检测模型，通过适应度函数计算损失值；基于损失值更新粒子个体最优和全局最优，并更新粒子速度和位置；

所述粒子速度和位置的更新公式为：

,

,

其中：yi表示模型参数，vi(t)为控制参数调整的幅度，w表示惯性权重，pi表示粒子 i的个体最优位置，g表示全局最优位置，t表示当前迭代次数，c1，c2分别为学习因子；r1，r2是[0,1]之间的随机数；

若迭代次数达到最大迭代次数或损失值小于适应阈值，则确定最优粒子，选取该最优粒子的超参数，作为电机异常检测模型的参数，得到优化后的改进电机异常检测模型。

5.根据权利要求1所述的基于人工智能的电机异常检测方法，其特征在于，所述预处理的具体操作为：步骤一，基于数据集确定少数类样本与多数类样本，利用合成少数类过采样技术通过在少数类样本的近邻中合成新样本，并将新样本添加到数据集中；

步骤二，通过剔除重复样本技术识别并移除数据集中的重叠样本；

步骤三，对移除重叠样本后的数据集的所有信号数据进行归一化处理，将信号数据映射到区间[0，1]内。

6.根据权利要求1所述的基于人工智能的电机异常检测方法，其特征在于，所述变分模式提取的目标函数为：,

其中，u表示被提取的模态分量，ω表示模态分量的中心频率， 为时间微分算子，α正则化参数，j表示虚数单位。

7.根据权利要求1所述的基于人工智能的电机异常检测方法，其特征在于，S3中所述通过深度残差网络提取各初步模态分量的残差特征，将残差特征与初步模态分量进行叠加，具体包括：将提取的残差特征与初步模态分量进行叠加，生成增强模态分量 为：。

8.根据权利要求1所述的基于人工智能的电机异常检测方法，其特征在于，S5中所述焦点损失函数的公式为：,

其中，为当前样本被正确分类的预测概率， 为权重因子；γ为可调参数。

9.根据权利要求1所述的基于人工智能的电机异常检测方法，其特征在于，所述S5对电机异常检测模型进行训练时，还包括通过交叉验证评估电机异常检测模型的可靠性，其具体方法为：构建多分类混淆矩阵，并根据多分类混淆矩阵，分别计算用于评价电机异常检测模型的参数指标，所述参数指标包括Precision精确度、Recall召回率，以及调和平均值。

10.一种基于人工智能的电机异常检测系统，用于实现权利要求1所述的一种基于人工智能的电机异常检测方法，其特征在于，包括：数据采集模块，用于通过传感器采集电机运行的信号数据建立数据集，并对数据集进行预处理；

模态提取模块，用于通过变分模式提取获取预处理后的数据集的初步模态分量；初始化变分模式提取的模态分量数K，以线性平均分布方式初始化各模态分量的中心频率参数ωk和惩罚系数αk；构建含二次惩罚项和带宽约束的变分模式提取的目标函数；基于目标函数，对数据集使用交替方向乘子法迭代优化获取初步模态分量 ；

所述模态提取模块，还用于通过深度残差网络提取各初步模态分量的残差特征，将残差特征与初步模态分量进行叠加，得到增强模态分量 ；

所述模态提取模块，还用于对增强模态分量 进行稀疏收缩，将稀疏收缩后的模态分量重新代入S2的目标函数，通过自适应梯度下降迭代更新所述模态分量与模态分量的中心频率，直至目标函数收敛至预设阈值，输出迭代更新后的模态分量集合 作为变分模式提取最终的分解结果；

模型构建模块，用于构建电机异常检测模型，并构建焦点损失函数作为所述电机异常检测模型的损失函数；将数据集经变分模式提取的分解结果分为训练集与测试集，基于训练集对电机异常检测模型进行训练，并通过测试集进行训练评估，得到训练好的电机异常检测模型；

模型检测模块，用于通过电机异常检测模型对工业控制系统中电机运行的不同类别的攻击进行检测分类。