1.一种基于生物信息特征的列车转向架故障识别方法，其特征在于，包括以下步骤：步骤1，针对每种故障类型均构建相应的DNA序列集；

步骤1.1，获取列车转向架的历史振动信号，且已知列车转向架的故障类型，对历史振动信号进行预处理得到由4种构成元素排列组合而成的预处理信号；

步骤1.2，以4种构成元素分别作为A、T、C、G四个碱基，将预处理信号作为人工DNA序列，并将人工DNA序列存放在与故障类型对应的序列文件中；其中，每个序列文件中的所有人工DNA序列，构成与故障类型对应的DNA序列集；

步骤2，提取特征序列；

步骤2.1，利用滑动窗口法，从所有DNA序列集的所有人工DNA序列中获取预设长度的窗口序列，并计算窗口序列的特征值；

步骤2.2，利用特征值从所有窗口序列中，选择部分窗口序列作为特征序列；

步骤3，每条人工DNA序列均生成基因特征向量；

计算当前人工DNA序列中A、T、C、G四个碱基的含量、当前人工DNA序列的长度以及预设特征序列分别在当前人工DNA序列中的数量，并组成当前人工DNA序列的基因特征向量；所述预设特征序列是指从所有特征序列中预选得到的部分特征序列；

步骤4，构建训练样本集；

获取v个历史振动信号，均按步骤1-3获取相应的人工DNA序列和基因特征向量，构建v个训练样本(xi,yi)，所有训练样本构成训练样本集；其中，yi表示相应历史振动信号的类别标号；

步骤5，针对每种故障类型，均按以下步骤训练相应的LPBoost二分类器，用于负责检测相应的故障类型；

步骤5.1，确定正负训练样本；

按照负责检测的故障类型，从训练样本集中选取训练样本作为正训练样本，其余训练样本作为负训练样本，所述正训练样本的类别标号yi＝1，所述负训练样本的类别标号yi＝-

1；

步骤5.2，训练弱分类器；

构建M个SVM模型，设定迭代次数t＝1,2,...,T，利用训练样本集并采用LPBoost算法对M个SVM模型进行迭代训练，得到M个弱分类器fm(xi)以及相应的权重am，m＝1,2,…,M；

步骤5.3，将步骤5.2训练得到的M个弱分类器按以下公式集成，得到LPBoost二分类器：步骤6，对列车转向架进行故障类型检测；

获取待检测列车转向架的实时振动信号，按步骤1获取相应的人工DNA序列，按步骤3生成相应的基因特征向量，并将基因特征向量输入至步骤5得到的每个LPBoost二分类器中，每个LPBoost二分类器均根据基因特征向量进行二分类；最终，对所有LPBoost二分类器的输出值采取投票表决方法，确定待检测列车转向架的故障类型。

2.根据权利要求1所述的方法，其特征在于，步骤2.1的具体过程为：步骤B1，设置窗口的宽度初始值l＝lmin及滑动步长 取第1个序列文件作为当前序列文件；

步骤B2，针对当前序列文件，首先将窗口定位在当前序列文件的第1个字符，顺序读出l个字符并组成字符串，作为1个窗口序列；

步骤B3，将窗口向前滑动 个字符，顺序读出l个字符并组成字符串，作为另1个新的窗口序列；重复执行步骤B3，直到读出当前序列文件的最后1个字符；

步骤B4，修改l＝l+1，返回步骤B2，直到得到所有字符长度范围为[lmin,lmax]的窗口序列；

步骤B5，取下一个序列文件作为当前序列文件，取窗口的宽度初始值为l＝lmin，并返回步骤B2。

3.根据权利要求2所述的方法，其特征在于，lmin＝3，lmax＝7。

4.根据权利要求1所述的方法，其特征在于，在步骤2.1中每次获取得到预设长度的窗口序列x(l)时，均按以下公式计算该窗口序列x(l)的单条序列重复度F(x(l))、置信度S(x(l))、序列集重复度F(x(l))：其中，F(x(l))表示窗口序列x(l)在人工DNA序列中的单条序列重复度，T(x(l))表示窗口序列x(l)在人工DNA序列中出现的次数，W(l)表示人工DNA序列中序列长度为l的所有窗口序列的总数，且W(l)＝L-1+l；

其中，S(x(l))表示窗口序列x(l)在序列集{Li},i＝1,2,…,n的置信度，C(x(l))表示窗口序列x(l)在序列集{Li}的所有人工DNA序列中出现的总序列数，n表示序列集{Li}中包括的人工DNA序列的数量；

其中，F(x(l))表示窗口序列x(l)在序列集{Li}的序列集重复度；

表示窗口序列x(l)在序列集{Li}的所有人工DNA序列中出现的总次数； 为序列集{Li}中序列长度为l的所有窗口序列的总数；

所述步骤2.2的具体过程为：

步骤C1，对每个得到的窗口序列的x(l)，均判断其单条序列重复度F(x(l))、置信度S(x(l))、序列集重复度F(x(l))，分别是否在预设的单条序列重复度阈值范围、置信度阈值范围和序列集重复度阈值范围内，若均在相应的阈值范围内，，则将该窗口序列x(l)作为当前序列集的候选序列y(l)；

步骤C2，计算候选序列y(l)在该序列集{Li}与其余各序列集的相对差α(x(l))，再取平均值作为候选序列y(l)在序列集{Li}的平均相对差其中，候选序列y(l)在该序列集{Li}与序列集A的相对差α(x(l))的计算公式为：式中，FA(y(l))、 分别为候选序列y(l)在A、{Li}这两个DNA序列集中的DNA序列集重复度；

步骤C3，对候选序列y(l)，判断其在序列集{Li}的平均相对差 是否在预设的平均相对差阈值范围内，，则将该候选序列y(l)作为当前序列集{Li}的特征序列。

5.根据权利要求1所述的方法，其特征在于，在步骤3中，第i条人工DNA序列中A、T、C、G四个碱基的含量的计算方法为：其中，xi表示第i条人工DNA序列的基因特征向量，x1i、x2i x3i x4i分别为基因特征向量xi中的前4个属性，Length(xi)表示第i条人工DNA序列的长度，countbases(xi)(bases＝A,T,C,G)分别表示第i条DNA序列所含有的碱基A、T、C、G的数量。

6.根据权利要求1所述的方法，其特征在于，还需要对步骤3得到的基因特征向量进行归一化预处理，后续步骤对归一化预处理得到的基因特征向量进行处理。

7.根据权利要求1所述的方法，其特征在于，在步骤5.2中，对M个SVM模型进行第t次迭代训练的具体过程为：步骤d1，归一化各训练样本的样本权重 并在当前样本权重下训练第m个弱分类器 其中归一化公式为：步骤d2，计算第m个弱分类器 的分类错误率

式中， xj表示多个样本xi的集合，yj表示

弱分类器的值；

如果 或者 则停止训练过程；

步骤d3，计算弱分类器 的权值

式中，

步骤d4，更新各训练样本的样本权重：

式中， 为概率分布的归一化因子；

步骤d5，返回步骤d1，训练下一个弱分类器 直到训练完M个弱分类器或者满足训练终止条件，则完成对M个弱分类器的第t次训练；

其中，在第1次迭代训练对第1个弱分类器进行训练时，各训练样本的初始样本权重设为：以上一次迭代训练对最后1个弱分类器训练完毕后更新的样本权重，作为下一次迭代训练对第1个弱分类器进行训练的样本权重。

8.根据权利要求1所述的方法，其特征在于，步骤A1中对历史振动信号进行的预处理包括：小波阈值滤波和PCA降维处理，得到预处理信号的4种构成元素分别数字1、2、3、4。

9.根据权利要求1所述的方法，所述投票表决方法具体为：判断每个LPBoost二分类器的输出值是否均为0，若是，则将待检测列车转向架的故障类型作为未知的新故障类型；否则将每个输出值为1的LPBoost二分类器所对应的故障类型，均作为待检测列车转向架的故障类型。