1.一种基于深度学习的计轴器故障监测方法，其特征在于，包括以下步骤：S1、获取计轴器发出的信号，并将其处理为轮脉冲监视信号；

S2、通过通信系统将轮脉冲监视信号发送给计算机；

S3、通过计算机对轮脉冲监视信号进行小波分解与重构，得到高频细节信号的包络谱图；

S4、通过深度卷积神经网络对输入的包络谱图进行分类，并输出分类结果；

S5、判断分类结果与设定的故障分类是否有相同项，若是则进入步骤S6；否则返回步骤S2；

S6、在计算机端显示计轴器的故障分类；

所述步骤S3中小波分解与重构运用MATLAB软件中的小波工具箱完成，具体方法为：S3-1、对获取的轮脉冲监视信号采用db10小波函数，进行尺度为1到5的信号分解计算，得到每层信号相应的高频系数和低频系数；其中db10小波表示阶数为10的小波；

S3-2、对分解后每层高频系数进行阈值量化处理，其中阈值为MATLAB软件中的默认阈值；

S3-3、根据原始输入图像分解后的第5层的低频系数和经阈值量化处理的每层对应的高频系数，运用重构算法进行信号重构，得到轮脉冲信号高频细节信号的包络谱图。

2.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S1中计轴器包括两套有源磁钢和一个集成电路板；

每套所述有源磁钢均包括一个发送磁头和一个接收磁头；

将计轴器发出的信号处理为轮脉冲监视信号的方法具体为：S1-1、通过集成电路板驱动两个发送磁头在空间内产生交变磁场；

S1-2、通过接收磁头感应空间磁场的变化，并输出正弦感应信号；

S1-3、通过集成电路板接收并处理正弦感应信号，并通过DSP采样分析，产生轮脉冲监视信号。

3.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S2中的通信系统为CBTC通信系统。

4.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S3-3中高频细节信号的包络谱图的图像分辨率为227×227×3。

5.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S4的深度卷积神经网络为经过训练的网络参数固定的深度卷积神经网络；

所述输入深度卷积神经网络的若干张高频细节信号的包络谱图图像包括训练集和测试集，所述训练集和测试集占比均为1/2。

6.根据权利要求1-5任一所述的基于深度学习的计轴器故障监测方法，其特征在于，所述深度卷积神经网络包括3层卷积层、Avpool层和softmax分类层；

每层所述卷积层之间均设置有Batch Normorlization结构和Relu激活函数。

7.根据权利要求1所述的基于深度学习的计轴器故障监测方法，其特征在于，所述步骤S5中包络谱图对应的设定的故障分类包括：磁头误触：包络谱图幅值高、持续时间短；

板卡故障：包络谱图脉冲信号紊乱，无法有效监测轮脉冲；

电磁干扰：包络谱图幅值低，持续时间不确定；

电源故障：包络谱图幅值低，持续整个周期；

通信故障：无脉冲信号输出；

其中板卡为计轴器内的集成电路板。