1.一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，包括以下步骤：S1：根据列车与轨道结构信息，利用MATLAB建立列车-轨道列车-轨道耦合动力学计算分析模型，通过扣件弹簧刚度折减程度来模拟扣件系统损伤程度；

S2：通过步骤S1中的列车-轨道列车-轨道耦合动力学计算分析模型，计算不同轨道不平顺激励、不同扣件损伤位置和损伤程度下钢轨的加速度响应，利用计算得到的钢轨加速度响应构建扣件系统损伤的大数据集；

S3：将步骤S2中的大数据集进行标准化处理以得到样本数据，并将样本数据进行数据增强；

S4：设计一维卷积神经网络模型，利用步骤S3中的样本数据进行网络训练和交叉验证调参；

S5：对步骤S4中的一维卷积神经网络模型进行检测性能测试；

S6：开展目标监测线路关键区段动力学实验，构建系统损伤的实测大数据集，利用该大数据集对步骤S5中的一维卷积神经网络模型进行迁移学习；

S7：采集目标监测线路关键区段钢轨的加速度响应，直接将该加速度响应信号作为网络输入，利用一维卷积神经网络模型进行扣件系统的损伤检测。

2.根据权利要求1所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S1中，列车与轨道结构信息包括列车、轨道的结构参数、不平顺信息、扣件刚度折减程度。

3.根据权利要求1所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S2中的大数据集包括训练集、验证集和测试集，且所述训练集、验证集和测试集均转化为TFRECORD文件。

4.根据权利要求1所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S3中的标准化处理包括：将大数据集分布标准化为一个均值为0，方差为1的正态分布，进而得到样本数据。

5.根据权利要求4所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S3中的数据增强包括：将所有样本数据在时间维度上进行倒序处理。

6.根据权利要求3所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S4包括：利用步骤S3中构建的训练集，通过Adam优化算法进行网络训练；基于步骤S3中提供的验证集对一维卷积神经网络模型进行交叉验证调参。

7.根据权利要求6所述的一种基于卷积神经网络的铁路扣件系统损伤检测方法，其特征在于，步骤S5包括：利用步骤S3中的测试集对步骤S4训练好的网络检测性能测试，通过一维卷积神经网络模型预测的模式与实际标签的对比计算网络的识别精度。