1.一种基于深度学习的导轨精度预测模型，其特征在于，包括导轨、数据采集部分、数据处理部分和导轨状态判断与执行部分：所述导轨用于提供待检测数据的来源；

所述数据采集部分包含了声音采集部分，与振动采集部分；

所述数据处理部分包含了音频数据的处理部分与振动数据的处理部分；所述音频数据的处理部分包括：声音处理模型；所述声音处理模型对导轨磨损状态以及故障类型进行分类识别，并将识别到的数据传递至导轨状态判断与执行部分；所述振动数据的处理部分包括：振动处理模型；所述振动处理模型用于对所述振动采集部分获取的振动数据进行训练，并获取导轨运行状态劣化曲线；

所述导轨状态判断与执行部分，包含了对于导轨运行状态的判定，与最终的需要执行的结果；所述导轨状态判断部分包括：振动状态判断部分以及声音状态判断部分；所述振动状态判断部分基于劣化曲线获取导轨运行状态变化趋势，结合磨损深度设置阈值保证导轨精度，当超过阈值执行相应决策；所述声音状态判断部分是声音处理模型以识别到的数据判断导轨运行状态，直接分类得出导轨目前状态；

所述执行部分基于所述振动状态判断部分以及声音状态判断部分共同的状态判断结果，对导轨执行相应的决策。

2.一种根据权利要求1所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，包括以下步骤：

S1、声音信号采集装置采集导轨运行的声音，并将声音送入已训练好的声音处理模型；

所述声音处理模型对导轨磨损状态以及故障类型进行分类识别，并将识别到的数据传递至导轨状态判断与执行部分；

S2、同时振动信号采集装置采集振动运行的状态数据，并将振动数据送入振动处理模型进行处理；所述振动处理模型对所述振动采集部分获取的振动数据进行训练，并获取导轨运行状态劣化曲线；

S3、结合声音处理模型与振动处理模型的状态数据对导轨的精度状态进行判断；

判断部分由振动与声音状态共同的结果得出；

其中振动部分：根据振动数据劣化曲线知道导轨的运行状态变化趋势，在曲线图上通过设置阈值来保证导轨的精度，或者结合磨损深度设置阈值，当超过阈值时进行相应的决策；

磨损深度设置阈值具体过程：在导轨中对精度影响比较大的是直线度，而导轨的直线度A用磨损深度hm表示，通过计算导轨的劣化曲线的趋势，得到导轨的精度衰减变化Δh，采用每次磨损Δhij的累加值计算得到直线度A，Δhij表示第i次采样点的第j次磨损；设置阈值Amax，当A

其中声音部分：声音处理模型根据声音信号对机器的运行状态进行判断，直接分类得出机器目前的状态；

S4、根据导轨的状态进行相应的决策。

3.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S1中，通过声音信号采集装置，麦克风、拾音器、测声器对导轨运行时的声音进行采集，其中已经训练好的声音处理模型为训练好的卷积神经网络算法，该算法通过前期训练对磨损状态以及一些常见的故障类型进行识别；当声音处理模型识别出为故障类别时，或者载荷突然增大造成的磨损时，声音处理模型将识别到的数据传递到导轨状态判断与执行部分。

4.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S1中，所述声音处理模型的训练方法，具体包括以下步骤：(1)在导轨运行时，利用声音采集装置采集声音，按运行状况将音频进行分类标签；

(2)按照Tms每帧，Nms帧移，对音频消耗对每种信号进行截取，转化为频谱图；

(3)通过卷积层频谱图进行提取特征：利用激活层增加非线性因素，池化层降低数据尺寸；

(4)重复步骤(3)；

(5)经过训练后，最后全连接层完成分类；

训练时，在全连接层使用随机失活的方法防止过拟合函数，为了防止权值更新过慢，使用交叉熵代价函数作为损失函数，此模型在导轨运行的时候对剥离损伤、导轨杂粒磨损、氧化磨损的状态进行识别。

5.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S2中，在导轨振动测量中，振动测量器对剥落、压痕、锈蚀、裂纹、磨损的迹象造成损伤，引起的振动较为敏感，因此振动中包含着具体的故障细节；当振动信号采集装置采集到振动信号时，同时声音处理模型通过导轨运行的声音对实时状态情况进行了分类识别。

6.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，步骤S2中振动处理模型的训练过程为：S2.1、预处理，为了便于计算，将振动信号统一成未定的大小或者长度，如：每一小段取值长度为T；

S2.2、对数据集进行训练：

(1)将预处理后的长度为T的片段送入深度置信网络中受限玻尔兹曼机RBM中，训练第1个RBM，使其达到稳定状态；

(2)将上一个RBM的得到的输出作为下一个RBM的可视层的输入，直至稳定状态；

(3)重复步骤(2)直到最后一个RBM训练完成；

(4)用反向传播算法微调各层层数，使整个网络找到最优的参数{W，a，b}；

S2.3、训练完成模型之后，对导轨的运行状态进行在线判断：首先提取实时信号的特征，让测试信号通过RMB前几层，将其作为特征提取器提取特征，再通过主成分分析法PAC提取导轨状态的关键特征，并计算特征向量间的相似度，相似度计算用：d越小表示导轨的状态越好，越大表示状态越差；根据相似度画出导轨运行状态的劣化曲线，至此完成了导轨运行状态的曲线图。

7.根据权利要求2所述的基于深度学习的导轨精度预测模型的建立方法，其特征在于，所述导轨直线度A的计算公式为：

式中：h基—初始磨损的基准；hij—表示第i次采样点的第j次磨损。