1.一种转向架故障诊断方法，其特征在于，包括以下步骤：S1、通过传感器采集高速列车转向架的振动信号；

S2、将振动信号进行分割，构建训练集；

S3、采用训练集对故障诊断模型进行训练，得到训练完成的故障诊断模型；

S4、采集待测转向架的振动信号，输入训练完成的故障诊断模型中，得到故障类型。

2.根据权利要求1所述的转向架故障诊断方法，其特征在于，所述故障诊断模型包括：第一卷积层、第一特征提取单元、第二特征提取单元和分类单元；

所述第一卷积层的输入端作为故障诊断模型的输入端，其输出端与第一特征提取单元的输入端连接；所述第一特征提取单元的输出端与第二特征提取单元的输入端连接；所述第二特征提取单元的输出端与分类单元的输入端连接；所述分类单元的输出端作为故障诊断模型的输出端。

3.根据权利要求2所述的转向架故障诊断方法，其特征在于，所述第一特征提取单元和第二特征提取单元均包括：密集模块、压缩模块和过渡模块；

所述密集模块的输入端作为第一特征提取单元或第二特征提取单元的输入端，其输出端与压缩模块的输入端连接；所述压缩模块的输出端与过渡模块的输入端连接；所述过渡模块的输出端作为第一特征提取单元或第二特征提取单元的输出端。

4.根据权利要求3所述的转向架故障诊断方法，其特征在于，所述过渡模块包括：第一BN层、第一激活层、第二卷积层和第一池化层；

所述第一BN层的输入端作为过渡模块的输入端，其输出端与第一激活层的输入端连接；所述第一激活层的输出端与第二卷积层的输入端连接；所述第二卷积层的输出端与第一池化层的输入端连接；所述第一池化层的输出端作为过渡模块的输出端。

5.根据权利要求2所述的转向架故障诊断方法，其特征在于，所述分类单元包括：第二激活层、第一全局池化层、第一全连接层和分类层；

所述第二激活层的输入端作为分类单元的输入端，其输出端与第一全局池化层的输入端连接；所述第一全局池化层的输出端与第一全连接层的输入端连接；所述第一全连接层的输出端与分类层的输入端连接；所述分类层的输出端作为分类单元的输出端。

6.根据权利要求3所述的转向架故障诊断方法，其特征在于，所述密集模块包括：第一瓶颈块、第二瓶颈块和第三瓶颈块；

输入第一瓶颈块的特征数据，还分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第一瓶颈块处理后的特征数据分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第二瓶颈块处理后的特征数据输入第三瓶颈块中，以及输出密集模块；所述第三瓶颈块处理后的特征数据输出密集模块。

7.根据权利要求6所述的转向架故障诊断方法，其特征在于，所述第一瓶颈块、第二瓶颈块和第三瓶颈块均包括：第二BN层、第三激活层、第三卷积层、第三BN层、第四激活层和第四卷积层；

所述第二BN层的输入端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输入端，其输出端与第三激活层的输入端连接；所述第三卷积层的输入端与第三激活层的输出端连接，其输出端与第三BN层的输入端连接；所述第四激活层的输入端与第三BN层的输出端连接，其输出端与第四卷积层的输入端连接；所述第四卷积层的输出端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输出端。

8.根据权利要求3所述的转向架故障诊断方法，其特征在于，所述压缩模块包括：第二全局池化层、第二全连接层和第三全连接层；

所述第二全局池化层的输入端作为压缩模块的输入端，其输出端与第二全连接层的输入端连接；所述第三全连接层的输入端与第二全连接层的输出端连接，其输出端作为压缩模块的输出端。

9.根据权利要求8所述的转向架故障诊断方法，其特征在于，所述压缩模块输出的计算公式为：

其中， 为压缩模块的输出特征，xc为压缩模块的输入特征，σ[]为Sigmoid函数，δ()为Relu函数，W为输入特征xc的宽度，H为输入特征xc的高度，W1为第二全连接层的权重，W2为第三全连接层的权重，xc(i,j)为i行j列的输入特征，“×”为叉乘，“·”为点乘。