1.铁路客车整车落成系统，其特征在于，包括：配属物料参数获取模块，配置为获取待落成铁路客车整车的配属物料参数；所述配属物料参数包括：车体各部分质量、车体分布载荷、弹簧阻尼参数和车轮参数；分别与加垫指导模块和所述配属物料参数获取模块连接的终端服务器，所述终端服务器内置有超静定平衡模块、神经网络模块和线性回归模块；所述超静定平衡模块内置有待落成铁路客车整车的超静定平衡模型，并基于显式动力学积分方法和所述配属物料参数求解，获得所述超静定平衡模型的位移响应；根据所述位移响应和铁路客车整车落成要求计算第一理论加垫参数，并传递给所述线性回归模块；所述神经网络模块内置有训练好的全连接前馈神经网络，将所述配属物料参数输入所述全连接前馈神经网络，获得第二理论加垫参数，并传递给所述线性回归模块；所述线性回归模块内置有线性回归模型 ，根据输入的第一理论加垫参数 和所述第二理论加垫参数 结合后输出为待加垫参数θ，其中， 和 分别为第一理论加垫参数和第二理论加垫参数的权重且 ， 为偏置项；所述加垫指导模块，设置在所述待落成铁路客车的各加垫工位旁，配置为与所述终端服务器连接，获取待加垫参数并展示；驾车机，配置为升起待落成铁路客车车体，待操作人员根据所述加垫指导模块展示的待加垫参数完成加垫后，降下待落成铁路客车车体完成落车；所述神经网络模块包括依次连接的铁路客车历史整车落成调试数据库、训练模块和全连接前馈神经网络；所述铁路客车历史整车落成调试数据库存储有若干型号的铁路客车历史整车落成调试数据；所述铁路客车历史落成调试数据包括铁路客车整车历史落成调试时的配属物料参数、试落成次数和每次试落成的实际加垫参数；所述训练模块从所述铁路客车历史整车落成调试数据库调取与所述待落成的铁路客车同型号的铁路客车历史整车落成调试数据，分为训练集和测试集完成对所述全连接前馈神经网络的训练；所述加垫参数包括：心盘垫厚度、弹簧垫厚度和旁承垫厚度；所述全连接前馈神经网络在输出层之后还包括映射层；所述映射层内置有现场实际的心盘垫厚度、弹簧垫厚度和旁承垫厚度的厚度列表，所述映射层根据所述输出层输出的预测值在所述厚度列表中匹配与所述预测值的差值的绝对值最小的心盘垫厚度、弹簧垫厚度和旁承垫厚度，输出匹配结果作为第二理论加垫参数。
2.如权利要求1所述的铁路客车整车落成系统，其特征在于，所述配属物料参数获取模块包括：载荷检测单元，设置在所述驾车机与待落成铁路客车车体的连接处，用于获取待落成铁路客车车体各部分质量和分布载荷；段修终端，设置于段修弹簧试验车间和车轮镟修车间，配置为获取待落成铁路客车的弹簧阻尼参数和车轮参数。
3.如权利要求2所述的铁路客车整车落成系统，其特征在于，所述超静定平衡模块基于显式动力学积分方法和所述配属物料参数，求解待落成铁路客车整车的超静定平衡模型的方法包括：构建待落成的铁路客车整车的动力学方程： ；其中， 、 、 分别为待落成的铁路客车整车的车体各部分质量矩阵、弹簧阻尼矩阵和车体各部分刚度矩阵， 、 、 分别为加速度、速度和位移矢量， 为车体分布载荷矢量；分别构建基于线性积分和积分控制参数α及β的速度 及位移 的差分表达式如下： ； ；将所述差分表达式代入所述待落成的铁路客车整车的动力学方程，得到所述超静定平衡模型的位移响应，即待落成的铁路客车整车在 时刻的速度 及位移 。
4.如权利要求1所述的铁路客车整车落成系统，其特征在于，所述神经网络模块还包括分别与训练模块和全连接前馈神经网络连接的预处理单元；所述预处理单元配置为：清洗历史落成调试数据，每次落成调试保留最后一次试落成的实际加垫参数，将清洗后的历史落成调试数据与对应的配属物料参数关联并作为第一样本；对具有相同实际加垫参数的样本的配属物料参数进行预设的参数扰动，以形成新的第二样本；将第一样本和第二样本合并作为训练所述全连接前馈神经网络的样本集。
5.如权利要求1或2所述的铁路客车整车落成系统，其特征在于，所述线性回归模型 的训练方法包括：初始化 ， ；利用均方误差构建损失函数： ，其中，N为训练样本集中的样本数量， 为训练样本的第一理论加垫参数， 为训练样本的实际加垫参数；利用梯度下降法对所述线性回归模型进行迭代优化，直至损失函数的值不再下降或达到预设的迭代次数。
