1.一种基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，包括以下步骤：S1、收集安装在转向架上的多个传感器获得的原始数据信号；

S2、将收集的原始数据信号切分成各个通道单独的信号；

S3、生成每个通道的信号对应的频谱图；

S4、通过随机森林算法，得到每个通道频谱图的分类结果；

S5、通过投票方法，对所有通道频谱图的分类结果进行融合，得到故障类型。

2.根据权利要求1所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S1中多个传感器获得的原始数据信号对应转向架上不同位置不同方向的振动信号。

3.根据权利要求2所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S2中各个通道单独的信号与步骤S1中安装在不同位置传感器获得的原始数据信号一一对应。

4.根据权利要求3所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S3中生成每个通道的频谱图的具体方法为：将每个通道的数据信号根据其采样频率切割成多个片段，得到通道信号的频谱图。

5.根据权利要求1所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S4中随机森林是决策树的组合，随机森林算法主要包括以下步骤：S4-1、从数据集中的训练集随机选取一个样本子集；

S4-2、通过随机选择一定数量的特征构建一棵决策树，对于每个分裂节点，根据基尼或信息增益的准则选择最佳分裂值，直到无法进一步分裂，构建出一定数量的树；

S4-3、通过多数投票方法统计随机森林的所有的决策树的结果，得到该样本子集最终分类结果。

6.根据权利要求5所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S5中的投票方法为单层神经网络的投票方法，所述单层神经网络的投票方法具体为：S5-1、根据步骤S4-3得出的分类结果中，有L个类别，M个分类器，M个分类器的分类结果联合表示为一个L×M的矩阵X，其中每个元素xij满足：j

其中，S表示第j个分类器的输出类别，xij＝1表示第j个分类器认为该样本是第i类，xij＝0表示第j个分类器认为该样本不是第i类；其中i、j分别为频谱图的分类结果中的分类器和类别的编号，i≤M，j≤L；

S5-2、将矩阵X作为神经网络的输入，连接神经网络中的输入层的L×M个神经节点。

S5-3、确定神经网络隐藏层中权重和偏置的初始值，该权重与每个分类器和每个类别相关，偏置作为一个修正量；

S5-4、使用交叉熵作为该神经网络中隐藏层的损失函数，sigmoid函数作为激活函数，并使用随机梯度下降和反向传播方法更新权重和偏置，获得最优网络。