1.一种智能列车牵引故障大数据异常检测辨识方法，其特征在于，包括以下步骤：步骤一，实时采集智能列车的牵引设备的工作信号S；

步骤二，对工作信号S进行采样处理得到采样数据集D；使用孤立森林异常值快速检测器对采样数据集D进行快速检测，获取工作信号S中的显著异常点；

步骤三，根据显著异常点建立汉佩尔滑动窗口标识符过滤器，并对采样数据集D进行处理，得到处理后的采样数据集D'；

步骤四，获取训练样本集，训练样本包括经汉佩尔滑动窗口标识符过滤器处理过的处理后的采样数据和相应的故障类型，以训练样本的处理后的采样数据为输入、相应的故障类型为输出，对基于松弛支持向量机的分类器进行训练，得到牵引故障诊断分类器；

使用牵引故障诊断分类器对步骤三得到的处理后的采样数据集D'进行诊断，检测工作信号S中的微小和可疑故障的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述步骤二具体包括以下步骤：步骤A1，对实时采集到的工作信号S进行采样得到采样数据集D＝{x1,x2,x3...xPsi}，其中Psi表示采样数据量；

步骤A2，构建孤立森林列车牵引异常值检测器：设定孤立森林中iTree的数量t，并根据公式1.1设定每棵iTree的最大高度l，其中：l＝ceiling(log2Psi)   (1.1)；

步骤A3，将采样数据集D输入到孤立森林列车牵引异常值检测器进行分类，得到第n个采样数据xn在第j棵iTree上的高度为hj(xn)，在孤立森林中所有iTree上的高度均值为E(h(xn))；

步骤A4，根据高度均值E(h(xn))，按公式1.2计算采样数据xn的异常指数S(xn)是否为显著异常点：其中，ξ为欧拉常数；

步骤A5，根据异常指数S(xn)判断采样数据xn是否为显著异常点，工作信号S中的全部显著异常点组成显著异常点信息矩阵Ot＝{Ot1,Ot2,Ot3...Otm}，m表示显著异常点的个数。

3.根据权利要求2所述的方法，其特征在于，所述步骤三具体包括以下步骤：步骤B1，为每个显著异常点Oti构建相应的工作窗口Wi，其中工作窗口Wi包括显著异常点Oti及前后各其前后各k个采样数据；

步骤B2，计算显著异常点Oti与工作窗口Wi内的标准差δi，并取全部显著异常点的标准差中的最小值δmin＝minδi；

步骤B3，建立汉佩尔滑动窗口标识符过滤器，其中窗口宽度K＝2k+1，输入参数局部均值绝对偏差MAD＝δmin；

步骤B4，使用汉佩尔滑动窗口标识符过滤器对采样数据集D进行处理，得到处理后的采样数据集D'。

4.根据权利要求1所述的方法，其特征在于，在将处理后的采样数据输入基于松弛支持向量机的分类器进行训练或使用时，先将处理后的采样数据进行经验模态分解，得到一系列频谱分布各异的模态信号，再将该一系列频谱分布各异的模态信号输入到松弛支持向量机。

5.根据权利要求1所述的方法，其特征在于，训练基于松弛支持向量机的分类器时，采用灰狼优化算法对基于松弛支持向量机的分类器的参数进行优化。

6.根据权利要求5所述的方法，其特征在于，所述采用灰狼优化算法对基于松弛支持向量机的分类器的参数进行优化过程包括：步骤C1，将狼群中每个个体的位置作为待优化的参数，依次包括惩罚参数C、高斯核函数作用宽度参数γ及松弛变量项参数Υ；

步骤C2，按公式1.4确定搜索空间的上下界：

其中，C0、γ0、Υ0分别表示经过搜索和验证确定的最优参数，hC、lC分别表示惩罚参数C的上界和下界，hγ、lγ分别表示高斯核函数作用宽度参数γ的上界和下界，hΥ、lΥ分别表示松弛变量项参数Υ的上界和下界，a1及a2为搜索空间大小的系数；

步骤C3，生成初始化种群，设定狼群中的个体数目为n，狼群中第i只狼的位置为posi：posi＝[lC+r(hC-lC),lγ+r(hγ-lγ),lΥ+r(hΥ-lΥ)]    (1.5),式中，r∈[0,1]为随机数；

步骤C4：取分类的准确度作为目标函数，并采用K折交叉验证方法求解目标函数值；

将训练样本集分为k组，其中k-1组作为训练集，剩下的1组作为验证集，采用循环的方式保证每个训练样本都成为一次验证集；其中，目标函数定义如下：fin＝(Tn+Tp)/n   (1.6),

式中，n为验证集的样本数量，Tn为验证集中被正确划分为异常点的数量，Tp为验证集中被正确划分为正常点的数量。

7.根据权利要求1所述的方法，其特征在于，所述牵引设备包括受电弓、牵引电机和牵引转向架，从牵引设备采集的工作信号包括受电弓电流信号、牵引电机功率信号和牵引转向架振动加速度信号。

8.根据权利要求7所述的方法，其特征在于，当步骤二检测到显著异常点时，对显著异常点所对应的显著性故障进行部件定位和故障类型确定；当步骤二检测到显著异常点或步骤四检测到微小和可疑故障类型时，所述方法还包括：步骤五，根据牵引设备的故障位置和类型采取相应的牵引设备故障处理措施。

9.根据权利要求8所述的方法，其特征在于，所述牵引设备故障处理措施包括：D1：对于显著异常点所对应的显著性牵引设备故障，立即解除牵引设备故障；

D2：对于微小或可疑牵引设备故障，则持续监督观察牵引设备故障；

D3：将本次异常检测时得到的处理后的采样数据集D'及最终微小和可疑故障的故障类型云存储于大数据云存储系统。