1.基于混合深度学习模型的道岔故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1：对道岔功率数据进行预处理、归一化，分析每种数据所对应的故障类型，按设定规则标注样本数据集中的每个样本数据所反应的故障类型；具体为：步骤1.1，道岔动作功率曲线是一维时间序列数据，每条数据取210个采样点，将长度不足210个采样点的数据末尾进行补零操作，超过210个采样点的数据进行截取，得到长度相同的一维时序数据；将数据进行归一化；步骤1.2：获取归一化后的道岔动作功率数据，以道岔动作时间为横坐标，离散的功率数据为纵坐标，生成道岔动作功率曲线，根据每个时段动作的不同形成了相应的功率曲线；步骤1.3：通过步骤1.2将所有的功率时序数据转换为功率曲线图，根据每个阶段曲线的走势不同，从原始样本集中手动挑选了六种不同类型的功率曲线，分别对应道岔转换过程中六种不同的故障，分别为启动阶段功率波动异常、转换阶段功率上升并保持、阶段功率直接降为0、阶段功率出现大幅波动、阶段功率正常下降后保持不变但不为0、转换阶段功率波动异常；步骤2：使用改进Smote算法扩充故障数据，并划分数据集；具体为：步骤2.1：对于每种故障数据，随机选择一条作为该种故障数据的少数类样本X i ，另随机选择5条作为其最邻近样本Y i ，使用随机线性插值的方式生成新样本，最后将新生成的数据加入原始数据集中；步骤2.2，使用Smote算法将6种故障数据分别增至500条，与500条正常数据按照0-6的顺序加分类标签，代表7种不同的故障类别，整体3500条数据作为原始数据集，打乱顺序后按照7：3的比例划分为训练集与测试集；步骤3：建立深度神经网络分类模型；具体为：步骤3.1：网络模型按照功能划分为特征提取器与分类器两个部分，其中特征提取器由一个空洞卷积层充当，分类器由包括第一卷积层、最大池化层、第二卷积层、ReLU激活函数层、融合注意力机制CBAM层、全连接层、DropOut层构成；步骤3.2：将训练集数据输入到特征提取器中，本层卷积核大小为2*2，步长为2，扩张率大小设为2，代表每两个数据之间有一个空位置，用0进行填充，经过特征提取后的数据作为分类器的输入；步骤3.3：经过空洞卷积层提取特征之后，数据的维度变为(1,6,8,19)，将该数据输入分类器中实现分类；步骤3.4：将步骤3.3的输出结果输入到融合注意力机制CBAM层中做第二阶段处理；CBAM包括通道注意力模块与空间注意力模块；步骤3.5：将输出结果输入全连接层中做最后一个阶段的处理；第一个全连接层输入16*3*8＝768维的向量，计算输入向量与权重向量之间的点积后再加一个偏置项，结果L1通过ReLU函数映射后输出，维度为120；第二个全连接层接收L1，继续通过ReLU函数输出一个78维向量L2；在L2输入最后一个全连接层之前先使用Dropout函数进行处理，该层最终输出结果D(1,68)；最后一个全连接层，共7个神经元代表分别代表数字0-7，就是为故障数据和正常数据所加的分类标签，将D(1,68)输入该层后得到维度为(1,7)的向量L3；最后，使用Softmax函数将七个神经元的输出结果映射到(0,1)区间内；步骤4：使用交叉熵损失函数和Adam优化器对模型进行训练。
2.根据权利要求1所述的基于混合深度学习模型的道岔故障诊断方法，其特征在于，所述步骤3.3中，具体为：首先，对输入数据进行第一次卷积操作，使用6个大小为2*2的卷积核，在卷积过程中不做边缘填充，步长stride＝1，单个卷积核计算输出一个大小为7*18的特征图，本层共使用6个卷积核，整体计算后得到6个大小为7*18的特征图，每个卷积核包含一个偏置项，共需要学习6*(2*2+1)＝30个参数，主要通过权值共享实现；所有特征图经过ReLU激活函数处理后，得到第一层卷积运算的最终输出结果C1(1,6,7,18)；接着进行第二次卷积操作，第二卷积层接收第一层的输出结果C1后，使用16个大小为2*2，步长为1的卷积核，计算得到16个大小为6*17的特征图；权值共享后总参数个数为6*(2*2*3+1)+9*(2*2*4+1)+1*(2*2*6+1)＝256个，同样经过ReLU函数后得到第二层卷积运算的最终结果C2(1,16,6,17)；C2由池化层接收，本层采用尺寸为2*2的池化单元，以2为步长，对C2中2*2区域内的每个数据求和后乘以一个权重系数再加一个偏置，则本层需要学习的参数共(1+1)*16＝32个；最终输出结果P1(1,16,3,8)。
3.根据权利要求1所述的基于混合深度学习模型的道岔故障诊断方法，其特征在于，所述步骤3.4中，通道注意力模块对输入特征图的空间维度进行压缩，同时使用平均池化特征和最大池化特征，通道注意力模块的特征图M c (F)的计算公式为：其中，F为输入特征图，AvgPool与MaxPool分别代表平均池化操作和最大池化操作，F c avg 和F c max 分别表示平均池化特征和最大池化特征；σ表示sigmoid函数；MLP是多层感知器；空间注意力模块是对通道注意力的补充，沿着通道方向应用平均池化和最大池化操作，将结果进行拼接，使用一个卷积层生成空间注意力图Ms(F)，公式为：通道注意力模块与空间注意力模块依次计算出一个一维的通道注意图Mc和一个二维的空间注意力图Ms，最终CBAM计算公式为：f 7×7 表示一个卷积核大小为7×7的卷积运算；F′为CBAM第一阶段输出结果， 表示表示矩阵点乘运算，F″是最终CBAM的输出结果。
