1.一种林业废弃物粉碎方法，其特征是，包括：

获取粉碎机的多个振动数据时段和功率数据时段，并对振动数据时段进行聚类，得到多个类簇；

以类簇中各个振动数据时段的发生故障可能性来筛选得到异常时段，发生故障可能性由类簇的聚类效果以及类簇中振动数据时段与同时段的功率数据时段之间的相关性得到；

其中，发生故障可能性的获取过程为：获取第一类簇中的第一振动数据时段与同时段的功率数据时段的相关系数；第一类簇为任意一个类簇，第一振动数据时段为第一类簇中的任意一个振动数据时段；将第一类簇的聚类效果作为第一类簇的故障发生可信度，结合第一振动数据时段与同时段的功率数据时段的相关系数，得到第一振动数据时段的发生故障可能性；

基于各异常时段的发生故障可能性，以及各异常时段与所处类簇中的各非异常时段的关联，得到各异常时段的故障程度；

其中，故障程度的获取过程为：根据第一异常时段与所处类簇中的各非异常时段之间的时间间隔和特征值差异，结合第一异常时段及其所处类簇中的各非异常时段的发生故障可能性，得到第一异常时段的初始故障程度；第一异常时段为任意一个异常时段；根据第一异常时段的初始故障程度以及第一异常时段的时长占比，得到第一异常时段的故障程度；

基于各异常时段的故障程度和时长，各异常时段的相邻异常时段的时长，以及与相邻异常时段之间的时间间隔，得到粉碎机的故障概率；

其中，故障概率的获取过程为：根据各异常时段的相邻异常时段的时长，以及各异常时段与相邻异常时段之间的时间间隔，得到与各异常时段相关的故障概率影响权重；故障概率影响权重与异常时段的相邻异常时段的时长成正比，与异常时段与相邻异常时段之间的时间间隔成反比；基于各异常时段相关的故障概率影响权重，对各异常时段的故障程度进行加权求和，并结合任两个异常时段之间的时间间隔的均值，得到粉碎机的故障概率。

2.如权利要求1所述的一种林业废弃物粉碎方法，其特征是，第一异常时段的初始故障程度的获取过程，包括：根据第一时间间隔，第一特征值差异，以及第一非异常时段的发生故障可能性，得到第一非异常时段对第一异常时段的故障影响子系数；故障影响子系数与第一时间间隔成反比，与第一特征值差异成正比，与第一非异常时段的发生故障可能性成反比；第一非异常时段为第一异常时段所处类簇中的任一个非异常时段；第一时间间隔为第一异常时段与第一非异常时段之间的时间间隔，第一特征值差异为第一异常时段与第一非异常时段之间的特征值差异；

融合第一异常时段所处类簇中的各非异常时段对第一异常时段的故障影响子系数，得到第一异常时段的故障影响系数；

根据第一异常时段的故障影响系数与第一异常时段的发生故障可能性，得到第一异常时段的初始故障程度。

3.如权利要求1所述的一种林业废弃物粉碎方法，其特征是，第一类簇的聚类效果的获取过程，包括：根据第一类簇中任两个振动数据时段的相似性的平均值，以及第一类簇的轮廓系数，得到第一类簇的聚类效果。

4.如权利要求1所述的一种林业废弃物粉碎方法，其特征是，获取粉碎机的多个振动数据时段和功率数据时段之前，林业废弃物粉碎方法还包括：获取粉碎机的振动数据序列和功率数据序列；

采用STL算法对振动数据序列进行分解，得到趋势项曲线；

采用APCA分段法对趋势项曲线进行分段，并基于分段点，对振动数据序列和功率数据序列进行分段，分别得到多个振动数据时段和功率数据时段。

5.如权利要求4所述的一种林业废弃物粉碎方法，其特征是，对振动数据时段进行聚类，得到多个类簇，包括：获取任两个趋势项时段的APCA近似值的差异，趋势项时段由APCA分段法对趋势项曲线进行分段得到；

采用K均值聚类算法，以任两个趋势项时段的APCA近似值的差异作为聚类距离，对趋势项时段进行聚类，并基于趋势项时段与振动数据时段的关系，得到多个类簇，类簇中包括多个振动数据时段。

6.如权利要求1所述的一种林业废弃物粉碎方法，其特征是，林业废弃物粉碎方法还包括：将粉碎机的故障概率与预设故障阈值进行比较；

若粉碎机的故障概率大于预设故障阈值，则输出粉碎机停机指令。

7.一种林业废弃物粉碎装置，其特征是，包括：存储器及处理器；所述存储器与所述处理器连接；所述存储器，用于存储程序指令；所述处理器，用于在程序指令被执行时，实现权利要求1‑6中任一项所述的林业废弃物粉碎方法。