1.一种电动汽车的故障诊断方法，其特征在于，包括：获取电动汽车的待分类故障信号；

对所述待分类故障信号进行特征提取处理，得到目标输入数据；

将所述目标输入数据输入至训练完成的故障分类模型，得到所述电动汽车的故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述待分类故障信号进行特征提取处理，得到目标输入数据，包括：利用滑动窗口对所述待分类故障信号进行切割，将切割后的所述待分类故障信号进行快速傅里叶变换，得到第一特征数据；

对所述待分类故障信号进行特征提取，得到第二特征数据；

将所述第一特征数据和所述第二特征数据确定为所述目标输入数据。

3.根据权利要求2所述的方法，其特征在于，所述待分类故障信号包括多个维度的数据，对于每个维度的数据，该维度的数据表征了所述待分类故障信号的一个属性，所述利用滑动窗口对所述待分类故障信号进行切割，将切割后的所述待分类故障信号进行快速傅里叶变换，得到第一特征数据，包括：对切割后的所述待分类故障信号中的每个维度的数据，分别进行快速傅里叶变换，得到各个维度的数据所对应的振幅数据和频率数据；

对于所述多个维度的数据中的任一维度的数据，从所述任一维度的数据所对应的振幅数据中，获取满足第一设定条件的第一振幅数据，计算所述第一振幅数据的中位数，得到所述任一维度的数据所对应的第一振幅数据和第一振幅数据的中位数，其中，所述第一设定条件为包含预设数量的峰值振幅的振幅数据；

从所述任一维度的数据所对应的频率数据中，获取满足第二设定条件的第一频率数据，计算所述第一频率数据的中位数，得到所述任一维度的数据所对应的第一频率数据和第一频率数据的中位数，其中，所述第二设定条件为包含预设数量的峰值频率的频率数据；

获取所述任一维度的数据所对应的峰值个数，其中，所述峰值个数为所述任一维度的数据所对应的振幅数据中的峰值振幅的个数或所述任一维度的数据所对应的频率数据中的峰值频率的个数；

将所述各个维度的数据所对应的峰值个数、第一振幅数据、第一振幅数据的中位数、第一频率数据、以及第一频率数据的中位数确定为所述第一特征数据。

4.根据权利要求2所述的方法，其特征在于，所述待分类故障信号包括多个维度的数据，对于每个维度的数据，该维度的数据表征了所述待分类故障信号的一个属性，所述对所述待分类故障信号进行特征提取，得到第二特征数据，包括：对于所述待分类故障信号中的任一维度的数据，将所述任一维度的数据的中位数、第

95%分位数、第5%分位数和标准差确定为所述任一维度的数据的第三特征数据；

将所述待分类故障信号中的各个维度的数据的第三特征数据确定为所述第二特征数据。

5.根据权利要求1所述的方法，其特征在于，所述对所述待分类故障信号进行特征提取处理，得到目标输入数据之前，还包括：基于关键属性信息，对所述待分类故障信号进行数据清洗，其中，所述关键属性信息包括BMS电池单体最高温度、BMS电池隔离电阻和BMS电池总电压中的至少一种。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述故障分类模型是通过以下方式建立的：

基于胶囊网络模型，建立第一训练模型；

利用获取的不同故障报警类型所对应的故障信号，对所述第一训练模型进行训练，得到所述训练完成的故障分类模型。

7.根据权利要求6所述的方法，其特征在于，所述基于胶囊网络模型，建立第一训练模型，包括：

将所述胶囊网络模型中的卷积层、最大池化层和全连接层分别设置为一维卷积层、一维最大池化层和全局均值池化层，得到所述第一训练模型。

8.一种电动汽车的故障诊断装置，其特征在于，包括：获取模块，用于获取电动汽车的待分类故障信号；

处理模块，用于对所述待分类故障信号进行特征提取处理，得到目标输入数据；

诊断模块，用于将所述目标输入数据输入至训练完成的故障分类模型，得到所述电动汽车的故障诊断结果。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1至7中任一项所述的电动汽车的故障诊断方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的电动汽车的故障诊断方法的步骤。