1.一种基于多源信号的智能列车综合故障分析方法，其特征在于，包括以下步骤：步骤一：构建第一样本集和第二样本集；

所述第一样本集和第二样本集中的样本数据均从智能列车大数据多源信息平台获取，所述样本数据包括智能列车机械设备在运转时的多源信号特征矩阵和机械故障标记；

步骤二：训练多个不同的基分类器；

从第一样本集中获取样本数据；

以第一样本集中样本数据的多源信号特征矩阵作为输入、机械故障标记作为输出，同时对多个不同的基分类器进行训练，得到训练后的各个机械故障初级分类器；

步骤三：训练元分类器；

从第二样本集中获取样本数据；

分别使用训练后的各个机械故障初级分类器对第二样本集中样本数据的多源信号特征矩阵进行分类，各个机械故障初级分类器分别输出初始机械故障标记；

以各个机械故障初级分类器输出的初始机械故障标记作为输入、样本的机械故障标记作为输出，对元分类器进行训练，得到训练后的机械故障次级分类器；

步骤四：判断确认待测机械设备是否有故障；

实时采集智能列车机械设备在运转时的多源信号，样本数据的多源信号和实时采集的多源信号均包括至少两种运转信号；

对多源信号中的各个运转信号进行特征提取，得到待测机械设备的多源信号特征矩阵；

采用步骤二训练得到的各个机械故障初级分类器，根据待测机械设备的多源信号特征矩阵对待测机械设备进行分类，各个机械故障初级分类器输出待测机械设备的初始故障标记；

采用步骤三训练得到的机械故障次级分类器，对所有机械故障初级分类器输出的初始故障标记果进行验证，输出最终故障标记，最终故障标记判断确认待测机械设备是否有故障。

2.根据权利要求1所述的方法，其特征在于，所述多个不同的基分类器包括至少2种不同类型的基分类器，所述基分类器的类型包括加权正则化极限学习机、K最近邻算法、径向基神经网络和自适应神经模糊推理系统。

3.根据权利要求1所述的方法，其特征在于，采用Stacking集成算法集成机械故障初级分类器与次级分类器得到多级结合策略分类模型。

4.根据权利要求1所述的方法，其特征在于，所述元分类器采用Elman神经网络元分类器。

5.根据权利要求1所述的方法，其特征在于，所述运转信号为轮对转速信号、受电弓电流信号、转向架三向振动加速度信号、动力机工作噪声信号和轴承多工况声发射信号中的任意一种。

6.根据权利要求1所述的方法，其特征在于，采用经验小波分解方法对运转信号进行分解，然后对分解信号进行特征提取处理，得到若干个特征值，该若干个特征值构成该运转信号的特征向量，多源信号的全部运转信号的特征向量构成多源信号特征矩阵。

7.根据权利要求6所述的方法，其特征在于，所述经验小波分解采用基于最大类间方差法阈值分割的尺度空间边界检测方法。

8.根据权利要求6所述的方法，其特征在于，对分解信号进行特征提取处理包括计算分解信号的近似熵、样本熵、偏度、峰度和/或四位分距。

9.根据权利要求1所述的方法，其特征在于，将该待测机械设备的多源信号特征矩阵和是否为故障机械的判断结果增量式存储于所述智能列车大数据多源信息平台；利用所述智能列车大数据多源信号平台中的数据对机械故障初级分类器和次级分类器进行增量式训练。

10.根据权利要求1所述的方法，其特征在于，包括步骤五：当待测机械设备被判断确认为有故障时，则对故障信号进行定性和定位，并进一步对机械设备进行故障排除处理。