1.一种基于极限学习机的重载机车粘着状态识别方法，其特征在于：包括以下步骤：S1.将重载机车粘着状态细化为正常、故障征兆、微小故障、大故障四种类型；

S2.选取蕴含重载机车四种粘着状态的在线或离线监测数据作为数据源，然后对数据源进行特征提取，提取得到的特征变量作为样本数据集，样本数据集分为训练集和测试集两个子集；

S3.构建基于极限学习机的粘着状态识别模型，确定粘着状态识别模型的输入节点数、隐含层节点数、输出节点数，并选定粘着状态识别模型的激活函数；

S4.将训练集内的特征变量输入至粘着状态识别模型内对粘着状态识别模型进行训练；

S5.将测试集内的特征变量输入至训练好的粘着状态识别模型内进行测试，粘着状态识别模型输出识别结果，识别结果为四种粘着状态之一；将输出的识别结果与重载机车实际粘着状态进行比较，计算识别的准确率；

S6.对蕴含重载机车粘着状态的在线或离线监测数据进行特征提取，然后将提取的特征变量输入至粘着状态识别模型内，粘着状态识别模型内输出识别结果。

2.根据权利要求1所述的基于极限学习机的重载机车粘着状态识别方法，其特征在于：所述步骤S4中，对粘着状态识别模型进行训练的具体过程如下：S41.对输入权重矩阵wi以及阈值bi进行随机赋值，x为训练集的特征变量，l为隐含层节点数，Q为训练集的特征变量的个数；

S42.计算对应于训练集的特征变量的隐含层输出矩阵:S43.利用最小二乘法求解隐含层输出矩阵Htrain的Moore-Penrose广义逆S44.计算输出权重矩阵 其中β＝[β1,…,βQ]T为隐含层与输出层间的连接权值,Ttrain＝[t1,…tQ]T为网络的输出，T′train为Ttrain的转置， 为方程组的最小二乘解。

3.根据权利要求2所述的基于极限学习机的重载机车粘着状态识别方法，其特征在于：所述步骤S5中，对测试集内的特征变量进行测试并输出测试结果的具体过程如下：S51.计算对应于测试集的特征变量的隐含层输出矩阵:其中，M为测试集的特征变量的个数，K为隐含层节点数；

S52.计算粘着状态识别模型的输出Ttest＝Htestβ。

4.根据权利要求1所述的基于极限学习机的重载机车粘着状态识别方法，其特征在于：所述数据源包括重载机车的蠕滑速度数据、粘着系数数据。

5.根据权利要求1所述的基于极限学习机的重载机车粘着状态识别方法，其特征在于：所述步骤S2中，四种粘着状态的监测数据的数量相等。

6.根据权利要求1所述的基于极限学习机的重载机车粘着状态识别方法，其特征在于：训练集和测试集的特征变量之间的比例为7:3。

7.根据权利要求1所述的基于极限学习机的重载机车粘着状态识别方法，其特征在于：所述粘着状态识别模型的激活函数选用径向基函数： 其中wi为输入权值矩阵，bi为阈值，x为样本数据。