1.一种数控机床主轴电机运行监测方法，其特征在于，所述方法包括如下步骤：S1、采集主轴电机运行状态下的绕组温升t1、电机表面温度t2、运行电压V、运行电流I、转速N、输出转矩T、功率因数cosΦ；作为判断电机运行状态的特征参数集，并确定电机稳定运行状态下各数值的取值范围；

S2、持续采集上述7个参数，构成特征参数数据集，剔除特征参数数据集中含有不符合取值范围的数据集，获得分类后的电机稳定性数据集；

S3、采用快速搜索与寻找密度峰值法对电机稳定性数据集进行聚类，并获得聚类中心；

其中，聚类方法的过程如下：

数据集为 数据点xi和数据点yi之间的距离表示为：dij＝dist(xi,xj)，

用下式计算数据点的局部密度：

其中，函数χ(x)为：

ρi表示S中的那些与xi的距离小于截断距离dc的点；

当xi的局部密度最大时，有：

θi＝maxj(dij)，

其中，θi表示S中的数据点与xi的最大距离；

否则，若xi的局部密度不是最大，有：其中，θi表示S中的比xi的局部密度大的数据点与xi的最小距离；

将数据集中的每个点用ρi和θi来表示，将ρi和θi作为横纵坐标绘制决策图，由决策图确定稳定状态的类别中心；

S4、构建电机运行稳定性识别的可拓神经网络识别算法，利用聚类后的电机稳定性数据集对可拓神经网络识别算法进行训练，完成算法训练过程；

S5、在电机运行过程中实时采集特征参数，将未分类的特征参数数据集输入到训练后的可拓神经网络算法中，对电机运行稳定性进行判断，基于判断结果做出如下决策：(1)当判断电机处于稳定状态时，不发出预警；

(2)当判断电机处于非稳定状态时，发出预警信息。

2.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述步骤S4中，可拓神经网络识别算法的训练过程中如下：定义电机稳定性数据集为 Nd为总的数据个数，第i个数据点可以写为 表示第i个数据点的类别是p，数据点有n个属性，训练阶段的步骤如下：

(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值其中，k＝1…Nc，Nc为总的类别个数；

(2)计算每个数据对精度影响状态类别的初始类别中心(3)读取第i个稳定性特征数据集中的数据点以及此数据点所属的类别p(4)参照可拓理论中可拓距的计算公式，计算数据点 与第k个类别之间的距离(5)找出数据点 与第k个类别之间的距离最小的类别o，使得下式成立，如果o＝p，运行(7)，否则运行步骤(6)EDio＝min{EDik}；

(6)用下面的公式更新第p个类别中心和第o个类别中心用下面的公式更新第p个类别权值和第o个类别权值其中，η是学习率；

(7)重复第3‑6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；

(8)当达到目标错误率时，结束可拓神经网络识别算法的训练过程。

3.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述步骤S4的训‑6练过程中，周期迭代次数≥100，训练目标错误率＜1.0x10 、学习率η＝0.01。

4.如权利要求3所述的数控机床主轴电机运行监测方法，其特征在于：所述目标错误率的计算公式为：其中，E为目标错误率，NM为所有训练周期的错误数据，NP为所有训练周期的所有数据。

5.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述步骤S5中，电机运行稳定性识别阶段的步骤如下：(1)读取训练阶段的最终权值；

(2)使用公式Zk＝{zk1,zk2,…,zkn}， 计算初始类别中心；

(3)读取实时采集的数据点

Xt＝{xt1,xt2,...,xtn}，使用公式

计算采集的数据点与各类别之间的距离；

(4)若满足EDio*＝min{EDik}，则数据点属于该类别中心，满足条件；

(5)依次完成采集的所有数据点的识别，确定当前状态下主轴电机是否处于稳定状态。

6.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述绕组温升采用带电绕组温升检测仪进行非接触式测量，绕组温升检测仪通过测量绕组上的电阻的温度确定绕组的温度。

7.如权利要求1所述的数控机床主轴电机运行监测方法，其特征在于：所述电机表面温度通过温度传感器测量，电机的运行电压、运行电流、转速、输出转矩以及功率因数通过相应的电参数测量仪进行测量并输出。