1.一种基于模拟器的汽车运行故障识别方法，其特征在于，该基于模拟器的汽车运行故障识别方法包括以下步骤：S1、建立汽车运行故障异常数据库，并设定故障异常数据库中各参数间的对应关系；

S2、在模拟器中运行汽车模型，获取汽车正常运行数据和故障数据，并进行预处理，得到汽车运行故障特征数据；

S3、通过分析算法对得到汽车运行故障特征数据进行分析，得到影响汽车运行故障的关键参数；

S4、通过异常检测算法对得到的影响汽车运行故障的关键参数进行诊断，并将诊断结果与故障异常数据库中各参数进行比对，判断是否符合已知故障模式，并确定故障类型；

S5、根据确定的故障类型，通过分类算法建立汽车运行故障预测模型，并利用汽车运行故障预测模型实时评估汽车的未来运行性能；

S6、根据汽车运行故障预测模型的评估结果，制定并执行相应的维修或优化措施；

所述通过异常检测算法对得到的影响汽车运行故障的关键参数进行诊断，并将诊断结果与故障异常数据库中各参数进行比对，判断是否符合已知故障模式，并确定故障类型包括以下步骤：S41、获取影响汽车运行故障的关键参数数据集，将关键参数数据集作为SVM的训练样本；

S42、通过优化算法获取SVM参数的最佳参数；

S43、利用获取的SVM最佳参数对训练集进行训练，并建立汽车故障诊断的异常点检测模型；

S44、将影响汽车运行故障的关键参数输入到异常点检测模型中，并进行实时的故障诊断；

S45、将异常点检测模型检测出的故障结果与故障异常数据库中的已知故障模式进行对比，并确认是否符合；

S46、根据比对结果，确定影响汽车运行的具体故障类型；

所述通过优化算法获取SVM参数的最佳参数包括以下步骤：S421、初始化优化算法的候选解集及相关参数；

S422、计算每个候选解的适应度值，选出当前迭次数中最佳位置和最佳适应度值，并选出当前最差位置和最差适应度值；

S423、从候选解集中选取适应度值最佳的候选解作为初始发现者，并根据发现者位置更新公式更新初始发现者位置；

S424、根据折射反向学习解公式生成初始发现者的折射反向学习候选解；

S425、将初始发现者和其反向学习候选解的适应度值进行比较，选择适应度值最佳作为新的发现者；

S426、将新的发现者之外的候选解作为加入者，并根据可变对数螺线公式更新加入者的位置；

S427、在新的发现者和加入者中随机选择候选解作为警戒者，并根据警戒者位置更新公式更新警戒者的位置；

S428、判断优化算法是否达到最佳迭代次数，若达到则循环结束，若未达则返回步骤S423；

S429、输出全局最佳位置和最佳适应度值，得到SVM参数的最佳参数。

2.根据权利要求1所述的一种基于模拟器的汽车运行故障识别方法，其特征在于，所述在模拟器中运行汽车模型，获取汽车正常运行数据和故障数据，并进行预处理，得到汽车运行故障特征数据包括以下步骤：S21、获取模拟器中汽车正常运行数据和故障数据相对应的重复数据，并对重复数据进行去噪、滤波及平滑处理；

S22、将模拟器中汽车正常运行数据和故障数据中未处理的数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；

S23、对准确数据集进行特征提取，并得到相应的汽车运行故障特征数据。

3.根据权利要求1所述的一种基于模拟器的汽车运行故障识别方法，其特征在于，所述通过分析算法对得到汽车运行故障特征数据进行分析，得到影响汽车运行故障的关键参数：S31、利用t‑SNE方法将得到的汽车运行故障特征数据映射至特征空间，并选取若干特征向量，构成汽车故障特征点集；

S32、将若干聚类中心作为初始解，设定若干粒子数量和最佳迭代次数，并随机生成若干初始解；

S33、根据当前聚类中心位置，通过适应度函数计算每个粒子的适应度值，并更新当前适应度值为个体最佳值和当前位置为个体最佳位置，通过所有粒子的个体最佳值，找出全局最佳值和全局最佳位置；

S34、判断是否达到设定的最佳迭代次数，如果达到，则转至步骤S38；如果没有，则继续更新粒子的速度和位置；

S35、根据更新后的粒子位置，使用最小距离原则将汽车故障特征点集中的各个汽车故障样本分配到相应的若干聚类中心；

S36、重新计算每个粒子的适应度值，如果粒子的适应度值小于其个体最佳适应度值，则将该粒子的个体最佳适应度值更新为当前的适应度值，并更新其个体最佳位置；

S37、对比所有粒子的个体最佳适应度值，找出最小值作为全局极值，并更新全局极值位置，并返回步骤S34继续迭代；

S38、完成迭代后，使用最终的聚类划分结果作为影响汽车运行故障的关键参数。

4.根据权利要求3所述的一种基于模拟器的汽车运行故障识别方法，其特征在于，所述适应度函数的计算公式为：；

其中，S表示为粒子的适应度值；

T表示为特征点集；

M表示为聚类中心；

F表示为适应度函数；

表示为第x个聚类中心与第j个样本点的距离。

5.根据权利要求1所述的一种基于模拟器的汽车运行故障识别方法，其特征在于，所述折射反向学习解公式为：；

其中，表示为无穷小常量；

u表示为当前迭代次数；

U表示为迭代总数；

表示为当前迭代次数中第z个初始发现者在第c维的位置；

表示为 的反向学习候选解；

ac表示为第c维空间上的上边界；

bc表示为第c维空间上的下边界；

k表示调整参数；

ω表示为超参数。

6.根据权利要求1所述的一种基于模拟器的汽车运行故障识别方法，其特征在于，所述根据确定的故障类型，通过分类算法建立汽车运行故障预测模型，并利用汽车运行故障预测模型实时评估汽车的未来运行性能包括以下步骤：S51、输入在不同运行条件下的汽车故障特征数据的初始样本集；

S52、对初始样本集中的所有汽车故障特征数据进行等级划分，得到若干不同关键特征的样本子集；

S53、对每个样本子集执行循环处理，通过分析得到与汽车故障类型相关的系数矩阵；

S54、对系数矩阵进行重新排列，并基于系数矩阵对初始样本集进行转换，生成新的汽车故障特征数据样本集；

S55、基于新的汽车故障特征数据样本集对汽车运行故障预测模型进行训练，得到汽车运行故障预测模型的子模型，返回步骤S52，并循环预设次数，得到集成的汽车运行故障预测模型；

S56、获取汽车运行中的实时汽车故障特征数据，并将实时汽车故障特征数据输入到集成的汽车运行故障预测模型中；

S57、通过汽车运行故障预测模型对实时汽车故障特征数据进行分析和预测，并得到对汽车未来运行性能的评估。

7.根据权利要求6所述的一种基于模拟器的汽车运行故障识别方法，其特征在于，所述对每个样本子集执行循环处理，通过分析得到与汽车故障类型相关的系数矩阵包括以下步骤：S531、采用分层抽样法对汽车故障特征数据样本子集进行重抽样，以生成新的汽车故障特征数据样本子集；

S532、对新的汽车故障特征数据样本子集进行主成分分析，并获得与汽车故障类型相关的主成分系数向量；

S533、重复执行步骤S531至步骤S532，对不同的测试特征数据样本子集进行处理，得到若干组的主成分系数向量，并将主成分系数向量合并成主成分系数矩阵。

8.一种基于模拟器的汽车运行故障识别系统，用于实现权利要求1‑7中任一项所述的基于模拟器的汽车运行故障识别方法，其特征在于，该基于模拟器的汽车运行故障识别系统包括：故障异常数据库建立模块，用于建立汽车运行故障异常数据库，并设定故障异常数据库中各参数间的对应关系；

数据获取与处理模块，用于在模拟器中运行汽车模型，获取汽车正常运行数据和故障数据，并进行预处理，得到汽车运行故障特征数据；

数据分析模块，用于通过分析算法对得到汽车运行故障特征数据进行分析，得到影响汽车运行故障的关键参数；

故障诊断与判别模块，用于通过异常检测算法对得到的影响汽车运行故障的关键参数进行诊断，并将诊断结果与故障异常数据库中各参数进行比对，判断是否符合已知故障模式，并确定故障类型；

模型建立与评估模块，用于根据确定的故障类型，建立汽车运行故障预测模型，并利用汽车运行故障预测模型实时评估汽车的未来运行性能；

故障维修与决策模块，用于根据汽车运行故障预测模型的评估结果，制定并执行相应的维修或优化措施；

其中，故障异常数据库建立模块通过数据获取与处理模块和数据分析模块连接，数据分析模块通过故障诊断与判别模块和模型建立与评估模块连接，模型建立与评估模块和故障维修与决策模块连接。