1.一种智慧城市智轨车辆故障基因预测方法，其特征在于，包括以下步骤：

*

1)采集列车部件的振动数据X h(0)＝[e1,e2,e3,...,en]∈R，其中，e1,e2,...,en代表列车上每一个采样点的振动信息；n表示采样点个数；

2)将所述振动数据编码为DNA序列，提取所述DNA序列的特征，并排列组合所述特征，形成可预测的DNA序列，即候选车辆部件故障基因；

3)利用所述候选车辆部件故障基因训练ESNs深度回声状态网络，得到预测模型；

4)根据实时采集的振动数据，利用所述预测模型预测车辆故障；

步骤3)的具体实现过程包括：

A)将车辆部件故障基因Vs随机划分为训练集和测试集；初始化多目标灰狼优化算法的迭代次数m、预期精度；

B)将所述训练集、ESNs深度回声状态网络模型储蓄池的初始层数θ0和每一层储蓄池矩阵谱的初始半径κ0作为ESNs深度回声状态网络模型的输入，以具有储蓄池层数θm和储蓄池矩阵谱半径κm的ESNs深度回声状态网络模型作为输出，训练ESNs深度回声状态网络模型；

C)将所述测试集、储蓄池层数θm和储蓄池矩阵谱半径κm作为多目标灰狼优化算法两个目标优化函数的输入，计算两个目标优化函数的值；

D)根据两个所述目标优化函数的值的乘积，更新ESNs深度回声状态网络储蓄池层数和每一层储蓄池矩阵谱半径的搜索路径，使得下一次两个目标函数值的乘积大于当前次两个目标函数值的乘积，从而得到新的储蓄池层数θm+1和储蓄池矩阵谱半径κm+1；

E)迭代次数加1，将新的储蓄池层数θm+1和储蓄池矩阵谱半径κm+1作为多目标灰狼优化算法目标优化函数的输入，返回步骤C)，直至多目标灰狼优化算法目标优化函数值达到预期精度或完成所设定的迭代次数，完成ESNs深度回声状态网络训练，并获取最优参数θoptimal和κoptimal，该最优参数θoptimal和κoptimal对应的ESNs深度回声状态网络模型即预测模型；

两个所述目标优化函数表达式为：

其中，θ是储蓄池层数，κ是储蓄池矩阵谱半径， 是将θ和κ代入ESNs模型输出的预测值， 是所有预测值的平均值；Vt是DNA序列的真实值， 是所有真实值的平均值；N是DNA序列的长度，且1≤t≤N，下标CT表示车体故障，ZXJ表示转向架故障，QY表示牵引传动控制系统故障，ZD表示制动系统故障，LJ表示车端连接装置故障，SL表示受流装置故障，SB表示车辆内部设备和驾驶室设备故障；

2.根据权利要求1所述的一种智慧城市智轨车辆故障基因预测方法，其特征在于，步骤

2)中，将所述振动数据编码为DNA序列的具体实现过程包括：

A)选中采集的原始振动信号X的第g列样本，将所述第g列样本赋值到初始的DNA螺旋序列数据矩阵Xh(0)，赋值后的矩阵表示为Xg；

B)计算赋值后的DNA螺旋序列数据矩阵Xg与最大投影值矩阵Xh(z‑1)在子空间中的正交投影，得到维度为U的数据矩阵集合Y；z是投影值的序号；h(z‑1)是最大投影值；最大投影值正规化后为G，即垂直投影，最小投影值h(0)为0，即平行投影，从最小值开始投影角度每变化一个数值Υ，投影值增大 Z为投影值数量；

C)将所述数据矩阵集合Y划分为由A，T，C，G四种碱基元素表达的U维特征向量；将A，T，C，G整合为DNA序列S＝S1,S2,S3,...,SN；其中，N为DNA序列长度。

3.根据权利要求2所述的一种智慧城市智轨车辆故障基因预测方法，其特征在于，步骤

2)中，候选车辆部件故障基因Vs表示为：Vs＝(W11,W12,...,WUU,C1,...,CU,D1,...,DU)；其中，碱基Bi转移到碱基Bj的概率 ni为单个碱基点Bi在DNA序列S中出现的次数；Bi为DNA序列S中第i个数据点位置的碱基；1≤i≤U；1≤j≤U；U指碱基元素所代表特征向量的维度；N为DNA序列S的长度；nij为碱基对BiBj在DNA序列S中出现的次数；碱基含量 碱基位置比 DNA序列S中碱基Bi出现的位置标记为Si，si是Si中的值。

4.根据权利要求1所述的一种智慧城市智轨车辆故障基因预测方法，其特征在于，还包括：将预判定的候选车辆部件故障基因Vs作为聚类模型的输入，搭建模板库。

5.根据权利要求4所述的一种智慧城市智轨车辆故障基因预测方法，其特征在于，搭建模板库的具体实现过程包括：步骤1：将连续投影法降维得到的预判定的候选车辆部件故障基因Vs作为随机邻接嵌入算法的输入，得到高维数据点Vi和Vj的条件概率pj|i、低维数据点vi和vj的条件概率qj|i，将条件概率最小化，得到最小化的高维数据的条件概率pj|i和最小化的低维数据的条件概率qij；

步骤2：依据条件概率最小化结果计算出高低维条件概率差异的最小值pij，

通过梯度下降法最小化代价函数L： 得到最优解 将

所述最优解 作为tSNE聚类算法的聚类结果输出；所述聚类结果对应ART城市智轨车辆的模板库template：template＝[CT,ZXJ,QY,ZD,LJ,SL,SB]；

其中，CT,ZXJ,QY,ZD,LJ,SL,SB为DNA序列模板库中的故障类别；CT：车体故障；ZXJ：转向架故障；QY：牵引传动控制系统故障；ZD：制动系统故障；LJ：车端连接装置故障；SL：受流装置故障；SB：车辆内部设备和驾驶室设备故障；KL表示散度。

6.根据权利要求5所述的一种智慧城市智轨车辆故障基因预测方法，其特征在于，步骤

4)之后，还包括：

5)判断所述预测模型输出的预测序列对应故障类别是否与所述模板库中的故障类别匹配，若所述故障类别从属于模板库中某一故障类别中的子类别，则将所述故障类别划入该故障类别中，记为旧类故障 若所述故障类别不属于模板库中的任何一类，则将预测序列对应的故障类别添加进模板库，并标记为新的故障类型

7.根据权利要求1～6之一所述的一种智慧城市智轨车辆故障基因预测方法，其特征在于，还包括：利用预测模型对实时采集的振动数据进行预测，再利用DNA螺旋序列解码及虚拟模板库实现预测结果的可视化；具体实现过程包括：对预测模型输出的预测结果进行二进制逆编码转换，其中，二进制逆编码转换后的预测结果中的腺嘌呤、胸腺嘧啶的结合碱基对被解码后对应数字0，即设备故障程度未达到警戒线阈值，鸟嘌呤、C胞嘧啶的结合碱基对被解码后对应数字1，即设备故障程度达到了警戒线阈值，必须进行检修修复。

8.一种智慧城市智轨车辆故障基因预测系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～7之一所述方法的步骤。