1.一种多机协同轨道服役性能监测方法，其特征在于，包括：获取当前轨道的轨道检测结果以及轨道健康信息；所述轨道检测结果由预先部署的至少两种机器人集群采集；基于所述轨道检测结果和所述轨道健康信息，识别所述当前轨道的故障类型，并预测所述当前轨道的未来病害及损伤；调用预先设定的性能判定方法，基于所述当前轨道的故障类型和未来病害及损伤，确定所述当前轨道的服役性能，得到服役性能监测结果；所述机器人集群包括综合检测机器人和专项检测机器人；所述综合检测机器人用于对所述当前轨道进行几何形位检测、表面及内部损伤检测和焊缝伤损检测；所述专项检测机器人用于对所述当前轨道进行扣件检测和道岔结构限界检测；综合检测机器人包括以下子系统：轨道几何形位检测系统、钢轨表面及内部损伤检测系统、焊缝伤损检测系统；专项检测机器人包括以下子系统：扣件检测系统和道岔结构限界检测系统；获取所述当前轨道的轨道健康信息，包括：集成预设的监测手段，对所述当前轨道进行监测，得到所述当前轨道的轨道健康信息；所述监测手段包括轨道电路监测、牵引回流监测、光纤监测、应力监测和钢轨电信号载波监测；识别当前轨道的几何形位检测、钢轨表面及内部损伤检测、焊缝伤损检测数据中的异常值时，采用基于统计的方法，具体如下：确定所述轨道检测结果的均值和标准差；基于所述轨道检测结果的均值和标准差，判断所述当前轨道是否存在轨道故障，并确定所述轨道故障的故障类型；识别扣件检测和道岔结构限界的测量数据中的异常值时，采用基于深度学习的方法，具体如下：调用预训练后的深度学习模型，将所述当前轨道的轨道检测结果作为输入，对所述当前轨道进行监测，判断所述当前轨道是否存在轨道故障，并确定所述轨道故障的故障类型，深度学习模型融合了注意力机制；具体方法如下：采用卷积神经网络结合注意力机制进行特征提取和分类，识别当前轨道是否存在故障，确定故障类型，具体公式如下：其中， 是分类函数，W 1 和W 2 表示权重矩阵，b 1 和b 2 是偏置项，Attention是注意力机制函数，x表示输入数据；在使用深度学习模型进行检测时，首先收集扣件检测和道岔结构限界的轨道检测结果，然后对收集的数据进行清洗，去除噪声，并且对数据进行标准化和归一化处理；再输入训练后的卷积神经网络，得到对当前轨道的故障识别结果；基于所述轨道检测结果和所述轨道健康信息，预测所述当前轨道的未来病害及损伤，包括：调用趋势预测模型，基于所述当前轨道的轨道健康信息，预测所述当前轨道的未来病害及损伤；所述趋势预测模型为自回归积分移动平均模型；所述当前轨道的轨道健康信息包括平稳时间序列信息和非平稳时间序列信息；基于所述当前轨道的轨道健康信息，预测所述当前轨道的未来病害及损伤之前，包括：对所述非平稳时间序列信息进行差分处理，将所述非平稳时间序列信息转化为平稳时间序列信息，具体公式如下：其中， 是移动平均多项式， 是自回归多项式， 表示在时间点t的观测值，B表示滞后算子， 表示白噪声序列，d表示差分处理的次数；所述性能判定方法包括阈值设定、评分系统判定、预警机制判定中的至少一种。
2.一种多机协同轨道服役性能监测装置，用于实现权利要求1所述的多机协同轨道服役性能监测方法，其特征在于，包括：获取模块，用于获取当前轨道的轨道检测结果以及轨道健康信息；所述轨道检测结果由预先部署的至少两种机器人集群采集；识别模块，用于基于所述轨道检测结果和所述轨道健康信息，识别所述当前轨道的故障类型，并预测所述当前轨道的未来病害及损伤；判定模块，用于调用预先设定的性能判定方法，基于所述当前轨道的故障类型和未来病害及损伤，确定所述当前轨道的服役性能，得到服役性能监测结果。
3.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述的多机协同轨道服役性能监测方法。
