1.一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，包括以下步骤：S1：根据真实对象结构的几何特征和材料参数，建立数值计算模型；

S2：在数值计算模型中，添加裂纹源，并设置裂纹的尺寸、位置和类型；

S3：在数值计算模型中，添加计算结果输出位置，输出位置分别对应真实对象结构中传感器的布置位置；

S4：使用数值计算模型，计算裂纹滑移/扩展激发的弹性波场，输出S3设定位置处的弹性波时域信号曲线，拾取各个位置处信号曲线的幅值，所述拾取各个位置处信号曲线的幅值，具体包括：使用数值方法计算信号输出位置处，沿传感器敏感方向的位移曲线；

根据位移曲线数据的切线斜率提取信号的位移幅值；

将所有信号输出位移处的位移幅值，按照顺序排列成列向量；

根据设定的裂纹滑移向量和法向向量计算裂纹的等效矩张量，分解矩张量获得各向同性成分、双力偶成分和补充线性向量偶极子成分的占比，将三个占比组成列向量，该占比列向量为裂纹类型特征参数；

将位移幅值列向量和矩张量三种基本成分占比组合在一起，组成训练数据对，其中，位移幅值列向量是模型输入参数，矩张量三种基本成分占比是模型输出参数；

S5：重复步骤S2‑S4，随机改变裂纹的类型，保持其他参数不变，计算不同裂纹类型对应的信号幅值，建立裂纹类型特征参数‑信号幅值的数据集；

S6：设计输入层、中间层和输出层的神经元数量；

S7：将S5获得的裂纹类型‑信号幅值数据集划分为训练、测试和验证数据集，训练神经网络模型；

S8：评估训练结果，获得裂纹滑移类型识别模型。

2.根据权利要求1所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述建立数值计算模型，具体为：测量真实对象结构的几何形状和尺寸，建立数值计算模型；

对模型进行优化，删除结构上不影响弹性波传播的次要结构；

对结构上的装饰和保型结构进行删除；

获得对象结构的材料参数，并将参数赋予对应的数值计算模型。

3.根据权利要求2所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述添加裂纹源，具体包括如下步骤：根据真实对象结构的应力应变分布特征，确定裂纹发生的可能位置；

裂纹的滑移类型通过随机选取裂纹面滑移向量和法向向量确定；

裂纹尺寸根据测试对象的初始裂纹特性选择一个常值。

4.根据权利要求3所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述添加计算结果输出位置，具体为：根据真实对象结构上传感器的位置，为数值模型设定信号输出位置，输出位置与传感器位置完全相同；

根据真实对象结构上传感器的敏感方向，设定输出的位移分量。

5.根据权利要求1所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述建立裂纹类型特征参数‑信号幅值的数据集，具体包括：随机选设定裂纹面滑移向量和法向向量；存储每一组位移幅值列向量‑占比列向量数据对，组成数据集。

6.根据权利要求5所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述输入层、中间层和输出层的神经元数量基于前馈神经网络模型设计。

7.根据权利要求6所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述设计输入层、中间层和输出层的神经元数量，具体包括：使用双层前馈神经网络，根据传感器数量设计输入层神经元数量，输出层神经元数量与传感器数量/信号输出位置数量相等；

对于双层前馈神经网络，隐含层包含的神经元数量不少于3个；

对于双层前馈神经网络，分别输出裂纹矩张量分解的各向同性、双力偶和补充线性向量偶极子成分的占比，依次对应占比列向量的三个元素。

8.根据权利要求7所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述训练神经网络模型；具体为：将位移幅值列向量‑矩张量分解基本成分占比列向量数据集按照比例分为训练数据集、测试数据集和验证数据集；

使用训练数据集训练前馈神经网络；

使用测试数据集测试训练得到的前馈神经网络的性能，使用验证数据集验证神经网络的性能。

9.根据权利要求8所述的一种基于神经网络和预训练原理的裂纹滑移类型识别方法，其特征在于，所述评估训练结果，具体为：分析训练、测试和验证过程中的数据相关系数R值；

若模型预测精度符合要求，则输出模型参数并获得可用的预测模型；若模型预测精度不符合要求，则返回步骤S6，通过修改中间层的神经单元数量，对神经网络模型进行训练、测试和评估，并分析预测精度。