1.一种基于阳极导杆振动的阳极效应检测方法，其特征在于，包括：
步骤1：采集不同状态下阳极导杆的振动数据；
步骤2：对振动数据进行特征提取，得到振动特征数据；
步骤3：对振动特征数据进行自动标注，得到有标记的样本数据；
步骤4：对有标记的样本数据进行学习，训练生成状态检测模型；
步骤5：在线检测时，采集实时振动数据，对实时振动数据进行特征提取，将得到的实时振动特征数据并输入到训练好的状态检测模型进行状态检测，根据检测结果发出相应的信号。
2.如权利要求1所述的基于阳极导杆振动的阳极效应检测方法，其特征在于，所述步骤1具为：通过在各个阳极导杆上安装惯性测量单元以检测振动；惯性测量单元包括加速计和陀螺仪。
3.如权利要求2所述的基于阳极导杆振动的阳极效应检测方法，其特征在于，中阳极导杆的振动数据包括：加速计采集的横向加速度、前向加速度和纵向加速度；以及陀螺仪采集的横摆角速度、滚动角速度和俯仰角速度。
4.如权利要求1所述的基于阳极导杆振动的阳极效应检测方法，其特征在于，所述步骤1中不同状态包括：正常状态、注意状态和严重状态；正常状态表示未发生阳极效应，注意状态表示即将发生阳极效应，危险状态表示发生了严重阳极效应。
5.如权利要求3所述的基于阳极导杆振动的阳极效应检测方法，其特征在于，所述步骤2中以时间窗k秒，步长h秒提取数据时域特征和频域特征，其中h≤k；
提取的时域特征包括：最大值、大于第三四分位数据所有数据平方和、第三四分位数峰度；提取的频域特征包括：谱能量好和峰度。
6.如权利要求1所述的基于阳极导杆振动的阳极效应检测方法，其特征在于，所述步骤3包括：
步骤3.1：对不同状态下部分的振动特征数据进行标注；
步骤3.2：运用不同的聚类算法对上述标注后的振动特征数据进行聚类，并评估不同聚类算法的准确性；
步骤3.3：基于评估指标自动选择选择准确性高的聚类算法用于对未标注的振动特征数据进行聚类；
步骤3.4：对聚类结果的准确性进行提升：以k秒为时间窗，k秒为步长，用m个时间窗内最频繁的状态标记每个时刻状态，也就是在m个时间段内，状态是相同的，得到振动特征的类别，并计算各类别的特征中心，各类别的特征中心为各类别中特征值的平均值；
步骤3.5：对特征中心进行排序，特征中心值大、中、小对应的状态为危险状态、注意状态、正常状态；
步骤3.6：输出有状态标记的样本数据，用于训练生成状态检测模型。
7.如权利要求6所述的基于阳极导杆振动的阳极效应检测方法，其特征在于，所述步骤3.2对聚类算法的准确性评估准则可以选择调整兰德指数、调整互信息、fowlkes-mallows指数法。
8.如权利要求1所述的基于阳极导杆振动的阳极效应检测方法，其特征在于，所述步骤4中状态检测模型为：决策树模型、支持向量机模型、knn模型或随机森林模型，根据准确度自动选择模型。