1.一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，包括以下步骤：S1、采集无人驾驶车辆整段电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd，将所*

述电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd整合为数据矩阵X；

*

S2、将数据矩阵X 输入到RNNs网络，剔除异常值，输出X，利用X进行故障信号检测，得到故障信号矩阵E；

S3、将故障信号矩阵E转化为由4种碱基A,T,C,G表达的可编码基因序列O1,O2,O3,O4；

S4、将O1,O2,O3,O4整合为DNA序列S＝S1,S2,S3,...,SN，对S进行特征提取，得到预判定的候选车辆部件故障基因Vs；

S5、利用所述的预判定候选车辆部件故障基因训练门控循环单元网络模型，得到分类模型；

优选地，还包括：

S6、实时采集无人驾驶车辆电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd，将所述电压波形Edy、电流波形Edl、温度波形Ewd、振动波形Ezd整合为数据矩阵后输入所述分类模型，进行故障分类识别。

2.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S1中，将所述数据矩阵X作为RNNs神经网络的输入，剔除离群值。

3.根据权利要求1或2所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S2中，故障检测的具体实现过程包括：设定初始时序差分的最小数值为T，最小阈值判别的数值大小为Ady,Adl,Awd,Azd,，当所述数据矩阵X或者剔除离群值后的数据矩阵的起始和终止数据点的时间差大于阈值T，且幅值大于最小阈值Ady,Adl,Awd,Azd,，则判定当前有故障发生，记录此时的数据位置和波形幅值变化情况，整合记为新矩阵数据E；其中Ady,Adl,Awd,Azd,分别指电压幅值、电流幅值、温度幅值、振动幅值。

4.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，生成预判定的候选车辆部件故障基因Vs＝(W11,W12,...,WUU,C1,...,CU,D1,...,DU)；其中，碱基Bi转移到碱基Bj的概率 ni为单个碱基点Bi在DNA序列S中出现的次数；Bi为DNA序列S中第i个数据点位置的碱基；1≤i≤U；U指碱基元素所代表特征向量的维度；N为DNA序列S的长度；nij为碱基对BiBj在DNA序列S中出现的次数；碱基含量 碱基位置比 DNA序列S中碱基Bi出现的位置标记为Si，其中si是Si中的值。

5.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S5的具体实现过程包括：

1)将车辆部件故障基因Vs随机划分为训练集和测试集；初始化多目标蝗虫优化算法的迭代次数κ、预期精度；

2)将所述训练集、门控循环单元网络模型隐含层初始神经元的初始个数Θ0作为门控循环单元网络模型的输入，以具有隐含层神经元个数Θκ的双门控循环单元网络模型作为输出，训练门控循环单元网络模型；

3)将所述测试集、隐含层神经元个数Θκ作为多目标蝗虫优化算法两个目标优化函数的输入，计算两个目标优化函数的值；根据两个所述目标优化函数值的乘积，更新门控循环单元网络模型隐含层每层神经元个数的搜索路径，使得下一次两个目标函数值的乘积大于当前次两个目标函数值的乘积，从而得到新的隐含层的每层神经元个数Θκ+1；

4)搜索迭代次数加1，将新的隐含层的每层神经元个数Θκ+1作为多目标蝗虫优化算法目标函数的输入，返回步骤3)，直至多目标蝗虫算法目标优化函数值达到预期精度或完成所设定的迭代次数，完成门控循环单元网络模型训练，并获取最优参数Θoptimal，该最优参数Θoptimal对应的门控循环单元网络模型即分类模型；优选地，两个所述目标优化函数表达式为：

object1＝Max{AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)}object2＝Max{RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)}；

式中εf为门控循环单元网络模型中第f层的神经元数量，αf为结合权重，object1、object2优化目标函数是指取max()函数中四个变量组合后的最大值；Θ是隐含层神经元个数，下标FDJ表示发电机故障，DP表示底盘故障，CS表示车身故障，DQ表示电气设备故障；

AccuracyFDJ,AccuracyDP,AccuracyCS,AccuracyDQ依次对应发电机的故障分类准确率、底盘的故障分类准确率、车身的故障分类准确率、电气设备的故障分类准确率；RecallFDJ,RecallDP,RecallCS,RecallDQ依次对应发电机的故障分类召回率、底盘的故障分类召回率、车身的故障分类召回率、电气设备的故障分类召回率。Accuracy＝[AccuracyFDJ(Θ),AccuracyDP(Θ),AccuracyCS(Θ),AccuracyDQ(Θ)]；Recall＝RecallFDJ(Θ),RecallDP(Θ),RecallCS(Θ),RecallDQ(Θ)；

每一次迭代过程中，对于测试集中的每一个样本点，当分类器的输出分类数值和测试集中该样本点的数值相同且为正时，TP的值加1；当分类器的输出分类数值和测试集中该样本点的数值相反且分类器的输出分类数值为正时，FP的值加1；当分类器的输出分类数值和测试集中该样本点的数值相反且分类器的输出分类数值为负时，FN的值加1；当分类器的输出分类数值和测试集中该样本点的数值相同且为负时，TN的值加1；所述分类器是指每一次迭代过程中，具有隐含层神经元个数Θκ的门控循环单元网络模型；其中，真阳性TP、假阳性FP、真阴性TN、假阴性FN的初始值均为0。

6.根据权利要求1所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，还包括：将预判定的候选车辆部件故障基因Vs作为聚类模型的输入，搭建模板库。

7.根据权利要求6所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，搭建模板库的具体实现过程包括：

步骤1：将经过非负矩阵分解降维得到的预判定的候选车辆部件故障基因Vs作为随机邻接嵌入算法的输入，得到高维数据点Vi、Vj、低维数据点vi,vj的条件概率pj|i和qj|i，将条件概率最小化，得到最小化的高维数据的条件概率pj|i和最小化的低维数据的条件概率qij；

步骤2：依据条件概率最小化结果计算出高低维条件概率差异的最小值pij，通过梯度下降法最小化代价函数L： 得

到最优解 将所述最优解 作为tSNE聚类算法的聚类结果输出，所述聚类结果对应智能汽车4个大件的DNA序列的聚类模板template：template＝[FDJ,DP,CS,DQ]；

其中，FDJ,DP,CS,DQ为模板库中的大类故障类别；FDJ：发动机；DP：底盘；CS：车身；DQ：电气设备；其中n代表数据样本数，KL表示散度。

8.根据权利要求6所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，S6之后，还包括：

S7、判断所述故障分类模型输出的预测序列对应故障类别是否与所述聚类结果中的故障类别匹配，若所述故障类别从属于聚类结果中某一故障类别中的子故障，则将所述故障类别划入该故障类别中；若不匹配，则更新补充所述聚类结果中的故障类别，如当故障分类模型输出一个结果无法与所述聚类结果中的故障类别匹配，则由人工监督来判断是否更新，若更新，则将该分类结果的原始信号阈值设置为新的故障检测阈值，并在所述聚类结果中的故障类别中设置一个新的故障类别，若不更新，则直接放弃该分类结果。

9.根据权利要求8所述的一种智慧交通无人驾驶车辆故障基因诊断方法，其特征在于，更新所述模板库的具体实现过程包括：更新初始时序差分的最小数值T和最小阈值判别的数值大小Ady,Adl,Awd,Azd，返回执行S1～S4，得到新的预判定的候选车辆部件故障基因，将所述新的预判定的候选车辆部件故障基因作为聚类模型的输入，得到更新后的模板库。

10.一种智慧交通无人驾驶车辆故障基因诊断系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～9之一所述方法的步骤。