1.一种基于模式识别的转辙机故障识别方法，其特征在于，包括以下步骤：步骤1，建立平面坐标系，x轴表示时间，y轴表示电流，设电流标准数据为S＝[i0,i1,...,in]、电流待测数据为S′＝[i′0,i′1,...,i′m]，将电流标准数据和电流待测数据输入至所述平面坐标系，基于x轴、y轴分段；

步骤2，针对步骤1中S、S'基于x轴、y轴分段所得数据进行小波分解重构法去噪；

步骤3，将步骤2中去噪后的数据进行FastDTW算法处理，得到每段数据与标准数据的相似度值；

步骤4，根据步骤3中每段数据相似度的权重值计算总相似度ω；

步骤5，比较步骤4中的总相似度ω与设定好的阈值ω'值，如果总相似度ω小于ω'值，则说并该段数据为故障数据，反之则为正常数据。

2.根据权利要求1所述的一种基于模式识别的转辙机故障识别方法，其特征在于，所述分段有两种情况：

1)当转辙机为双动状态时，分为四段，具体为：

记imax＝max(ir,ir+1...im)，其中r>第一个波峰点的时间点，参数m>第二个波峰的时间点；通过imax将S沿x轴分为两段，即Sx＝[i0,i1...imax]和Sy＝[imax+1,imax+2...im]，同理将待识别数据分为S′x、S′y；

分别取Sx与S′x在x轴上最中间的k个点、以数组的形式保存为p＝[is,is+1,...,is+k,]、p'＝[i′v,i′v+1,...i′v+k,]，记d(i,j)为p中第i个点与p'中第j个点的距离，取d(u,v)＝min(d(i,j))；则参数u将Sx在y轴分为S1＝[imax+1,imax+2...iu]和S2＝[iu+1,iu+2...im]；同理S′x被分为S′1和S′2，Sy被分为S3和S4，S′y被分为S3'和S4'；

2)当转辙机为单动状态时，分为两段，单动状态数据无需通过所述imax进行分段，仅需通过参数u分段即可具体为：分别取S、S'在x轴上最中间的k个点、以数组的形式保存为p＝[is,is+1,...,is+k,]、p'＝[i′v,i′v+1,...i′v+k,]，记d(i,j)为p中第i个点与p'中第j个点的距离，取d(u,v)＝min(d(i,j))；则参数u将S在y轴分为S1＝[imax+1,imax+2...iu]和S2＝[iu+1,iu+2...im]；同理S'被分为S′1和S′2。

3.根据权利要求2所述的一种基于模式识别的转辙机故障识别方法，其特征在于，所述步骤2具体为：将S1进行n层小波分解且n＝3-5，其分解过程为公式(1)：

公式(1)中参数Si和Wi分别为原始信号S1的低频信号和高频信号，参数H和V分别为低通滤波器和高通滤波器，分解到n层后，利用Mallat重构，具体过程如公式(2)：其中参数H*和G*分别为低通滤波器和高通滤波器的对偶算子；

参数S2、S3和S4、S′1和S′2、S3'和S4'重复上述计算过程。

4.根据权利要求3所述的一种基于模式识别的转辙机故障识别方法，其特征在，步骤3具体为：步骤3.1，分别取经步骤2处理过后标准数据第一段S1＝[i1,i2,...,im]，待测数据第一段S′1＝[i′1,i′2,...,i′n]；构建S1、S′1距离矩阵D：步骤3.2，数据粗粒度化，取分辨率系数τ作为S1、S′1距离矩阵Dk初始分辨率：步骤3.3，随后对Dτ[k,v]进场DTW算法处理，具体过程如下：

构建扭曲路径W＝w1,w2,...wt,...,ws，其中wt＝Dτ[k,v],max(m,n)＜t＜m+n，其中参数k、v分别是S1、S′1的索引，m、n分别是S1、S′1的长度，即最大索引；并保证w1＝D[1,1],ws＝D[m,n]，搜索扭曲路径如下：wt＝D[k,v],wt+1＝min(D[k',v']) k≤k'≤k+1,v≤v'≤v+1  (5)再将计算得到的W＝w1,w2,...wt,...,ws中每个wt粒度细化：取分辨率系数τ＝τ/2，重复上述步骤直到τ＝1；

步骤3.4，令k＝1时扭曲路径为W1＝w1,w2,...,wr，距离相似度为重复上述步骤可得S2、S′2的距离相似度Dist(W2)，S3、S′3的距离相似度Dist(W3)，S3、S′3的距离相似度Dist(W4)。

5.根据权利要求4所述的一种基于模式识别的转辙机故障识别方法，其特征在，步骤4具体为：分别设置经步骤3处理后的分段数据相似度为Dist(W1)、Dist(W2)、……的权重值α、β、…且α+β+…＝1，则总距离相似度