1.一种高压开关柜故障诊断方法，其特征在于，包括：构建初始卷积神经网络模型；采集高压开关柜的已知声音信号；其中，所述已知声音信号为若干种已知工况下的声音信号；根据所述已知声音信号对所述初始卷积神经网络模型进行训练，得到目标卷积神经网络模型；采集待诊断高压开关柜的声音信号；将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型，得到待诊断高压开关柜的故障诊断结果；所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种；所述已知声音信号通过以下方式产生：所述手车导轨卡涩工况的已知声音信号通过在导轨上增加不同的卡涩物体以增大手车推入推出阻力来模拟得到；所述触头对中不良的已知声音信号通过在手车与柜体之间增加阻尼弹簧实施可变力值来模拟得到；所述线圈卡涩的已知声音信号通过在电磁铁外部增加可调阻尼弹簧作为额外负载来模拟得到；在所述采集高压开关柜的已知声音信号之后，还包括：对所述已知声音信号进行滤波，得到有效已知声音信号；对所述有效已知声音信号进行K-S检验，得到所述有效已知声音信号的特征向量；采用Relief-F算法对所述特征向量进行降维，得到降维后的特征向量；则，所述根据所述已知工况下的声音信号对所述初始卷积神经网络模型进行训练，得到目标卷积神经网络模型，具体为：根据降维后的特征向量对所述初始卷积神经网络模型进行训练，得到目标卷积神经网络模型；所述对所述已知声音信号进行滤波具体包括：获取振动传感器检测到的振动信号；其中，所述振动传感器安装在振动源处；从所述振动信号中获取第一振动峰和第二振动峰；根据所述第一振动峰和获取的第一延迟时间确定所述已知声音信号的有效区间的开始，根据所述第二振动峰和获取的第二延迟时间确定所述已知声音信号的有效区间的结束；其中，所述已知声音信号由声音传感器检测得到，所述声音传感器安装在断路器外；获取所述已知声音信号的有效区间和衰减时间作为有效已知声音信号。
2.如权利要求1所述的高压开关柜故障诊断方法，其特征在于，所述初始卷积神经网络模型，具体包括输入层、卷积层、池化层、全连接层和输出层。
3.一种高压开关柜故障诊断装置，其特征在于，包括：初始模型构建模块，用于构建初始卷积神经网络模型；已知声音信号采集模块，用于采集高压开关柜的已知声音信号；其中，所述已知声音信号为若干种已知工况下的声音信号；所述已知工况包括正常工况、手车导轨卡涩工况、触头对中不良、线圈卡涩中的至少一种；所述已知声音信号通过以下方式产生：所述手车导轨卡涩工况的已知声音信号通过在导轨上增加不同的卡涩物体以增大手车推入推出阻力来模拟得到；所述触头对中不良的已知声音信号通过在手车与柜体之间增加阻尼弹簧实施可变力值来模拟得到；所述线圈卡涩的已知声音信号通过在电磁铁外部增加可调阻尼弹簧作为额外负载来模拟得到；目标模型获取模块，用于根据所述已知声音信号对所述初始卷积神经网络模型进行训练，得到目标卷积神经网络模型；故障诊断模块，用于采集待诊断高压开关柜的声音信号；将待诊断高压开关柜的声音信号输入所述目标卷积神经网络模型，得到待诊断高压开关柜的故障诊断结果；滤波模块，用于对所述已知声音信号进行滤波，得到有效已知声音信号；所述对所述已知声音信号进行滤波具体包括：获取振动传感器检测到的振动信号；其中，所述振动传感器安装在振动源处；从所述振动信号中获取第一振动峰和第二振动峰；根据所述第一振动峰和获取的第一延迟时间确定所述已知声音信号的有效区间的开始，根据所述第二振动峰和获取的第二延迟时间确定所述已知声音信号的有效区间的结束；其中，所述已知声音信号由声音传感器检测得到，所述声音传感器安装在断路器外；获取所述已知声音信号的有效区间和衰减时间作为有效已知声音信号；特征向量获取模块，用于对所述有效已知声音信号进行K-S检验，得到所述有效已知声音信号的特征向量；特征参数获取模块，用于采用Relief-F算法对所述特征向量进行降维，得到降维后的特征向量；则，所述目标模型获取模块，具体用于：根据降维后的特征向量对所述初始卷积神经网络模型进行训练，得到目标卷积神经网络模型。
4.如权利要求3所述的高压开关柜故障诊断装置，其特征在于，所述初始卷积神经网络模型，具体包括输入层、卷积层、池化层、全连接层和输出层。
5.一种存储介质，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至2中任意一项所述的高压开关柜故障诊断方法。
