1.一种基于轮对横移量的蛇行状态识别方法，其特征在于，包括以下步骤：S1、构建车辆运行数据集；

S2、对车辆运行数据集中的轮对横移信号进行分析及检验，得到蛇行状态分类结果；其中，蛇行状态分类结果包括正常蛇行、异常蛇行失稳以及异常小幅蛇行；

S3、基于车辆运行数据集中的传感器测点信号、轮对横移信号以及蛇行状态分类结果之间的对应关系，训练蛇行状态识别模型；

所述蛇行状态识别模型以传感器测点信号为输入，蛇行状态分类结果为输出，并按照蛇行状态分类结果的分类标签进行训练；

S4、在列车运行过程中，将实际的传感器测点信号输入至蛇行状态识别模型中，得到蛇行状态识别结果；

所述步骤S2中，对轮对横移信号进行分析的方法具体为：

A1、在轮对横移信号中选取表征蛇行状态的指标；

其中，表征蛇行状态的指标包括幅值类、摆幅类、时域类，以及频域类的特征；

A2、采用主成分分析法对各类特征进行降维处理，得到主成分空间内的各轮对横移特征；

A3、采用K‑均值聚类分析法在主成分空间内按照特征距离对轮对横移特征进行分析，得到蛇行状态分类簇；

A4、采用流形学习降维方法观察蛇行状态分类簇的分布，并根据极限环理论，标记已知为正常蛇行状态和蛇行状态失稳的样本，基于其在各蛇行状态分类簇中的分布，确定各蛇行状态分类簇的分类标签，将其作为初步蛇行状态分类结果。

2.根据权利要求1所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤A3中，采用K‑均值聚类分析法进行分析时的目标函数为：式中，J为目标函数，l为聚类的数目，K为聚类总数，h为主成分空间内轮对横移特征数目，n为轮对横移特征总数，uhl为主成分空间内任意一个轮对横移特征与簇的隶属度，ml为第l类的簇的中心位置，rh为第h个轮对横移特征的位置。

3.根据权利要求1所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤S2中，通过t‑SNE方法对初步蛇行状态分类结果进行检验。

4.根据权利要求1所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤S3中的蛇行状态识别模型为一维卷积神经网络；

所述一维卷积神经网络包括依次连接的输入层、第一卷积层、第二卷积层、池化层、展开层、全连接层以及输出层；

所述第一卷积层和第二卷积层通过卷积核对输入通道进行卷积操作，产生的结果视为隐藏层，并作为输出通道；

所述池化层通过池化核对输入通道的子集取平均值或最大值，获得输出通道。

5.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述池化层和展开层之间通过注意力机制连接。

6.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述卷积操作的表达式为：式中，step为步长，每个卷积核长度为m，拥有n个输入特征图， 为第k个卷积核中，第l个特征图的第j个长度位置上的值， 为第k个卷积核中第i个节点的输出，为该卷积核在第l个特征图的第j个长度位置上的i的上一个步长的节点的k输入特征向量，b 为第k个卷积核的偏置项，fc(*)为激活函数。

7.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述池化层对输入通道的子集取平均值的公式为：式中， 为池化层输入到的第k个卷积核输入的特征向量中第i个节点的输出，为池化层第k个输入的第r个步长下的i的上一个步长的节点的特征向量，step为池化层的移动总步长。

8.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述池化层对输入通道的子集取最大值的公式为：式中， 为池化层输入到的第k个输入的特征向量中第i个节点的输出，step为池化层的移动总步长， 为池化层第k个卷积核输入的第1个步长下的i的上一个步长的节点的特征向量。

9.根据权利要求3所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤S4中的实际的传感器测点信号为加速度传感器的测点信号。