1.基于模型空间的高速列车风管故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1.按高速列车风管不同工况，通过传感器采集高速列车风管压力监测数据表示为Xi，其中i表示采样点，i＝1，2，3，…，n，判断Xi是否有空缺值，若存在空缺值，则在空缺值处按照临近插值方法进行插值，即将该点临近的数据值点赋给该点，通过插值处理后的数据表示为inter Xi；

步骤2.将步骤1得到的无空缺值的风管压力数据inter Xi按照风管正常态、风管漏风故障态、风管阻塞故障态、压缩机故障态四种已知风管工况对数据进行分类提取，提取结果为具有完整工作周期的风管压力数据；

步骤3.将步骤2得到的四种类型的风管压力数据，将其作为BP神经网络的训练数据带入神经网络模型，通过BP神经网络学习，得到四种类型的神经网络学习结果，其中，每一种学习结果代表该种类型的风管状态；

步骤4.将步骤3训练后的结果，利用傅里叶基、高斯基、多项式基和正弦基对学习结果进行函数逼近，数据转换为连续泛函空间中的四种已知类型的模型元素P，并计算元素邻域R，将四种已知风管工况的模型元素建立为故障库，当有不同于这四种已知工况类型的故障发生时，将其作为未知故障捕获；

步骤5.当有待测数据带入时，先完成时序数据到模型元素的转换，重复步骤1-4，得到待测数据的最优函数逼近表达式，即待测数据的模型元素，通过模型元素之间的拓扑关系实现故障诊断。

2.如权利要求1所述基于模型空间的高速列车风管故障诊断方法，其特征在于，所述步骤2的具体过程如下：由于数据具有周期性，计算出所有风管压力周期数据“波谷”对应的时间点，然后提取出两个“波谷”之间的风管压力数据。

3.如权利要求1所述基于模型空间的高速列车风管故障诊断方法，其特征在于，所述步骤3的具体过程如下：首先，建立具有1个输入层、2个隐含层、1个输出层的BP神经网络模型，每层通过tansig函数激活；

其次，将步骤2得到的风管压力数据、风管漏风故障态风管压力数据、风管阻塞故障风管压力数据和压缩机故障风管压力数据从输入层输入神经网络，通过前馈计算以及tansig函数激活，再将激活后的数据传递到下一层，直至前馈到输出层，得到输出数据；

然后，计算输出数据与真实数据的MSE误差，再将其反向传播，修改每一层的网络权值，直至MSE误差满足停止条件或达到最大次数完成训练，得到四种类型的神经网络学习结果，其中每一种学习结果代表该种类型的风管状态。

4.如权利要求3所述基于模型空间的高速列车风管故障诊断方法，其特征在于，所述步骤4的具体过程如下：步骤4.1针对步骤3得到的四种学习结果，使用通过傅里叶基、高斯基、多项式基、正弦基对学习结果进行函数逼近，并且每种基与系数均进行1至8阶函数逼近，逼近处理之后每种学习结果均可得到8种逼近方程，四种学习结果的共32种逼近方程，逼近过程如下：令提取数据：data＝xlsread(‘神经网络学习结果.xlsx’)，则傅里叶基函数逼近：fun＝Fourier(data，n)；高斯基函数逼近：fun＝Gauss(data，n)；多项式基函数逼近：fun＝Polynomial(data，n)；正弦基函数逼近：fun＝Sinusoidal(data，n)；n表示参与该模型元素BP神经网络学习的实测风管压力周期数据个数；

步骤4.2通过契合度K在每种学习结果经步骤4.1得到的32种函数逼近表达式中选取最优函数逼近表达式，契合度K计算公式如下公式所示；

K＝SSE+RMSE+(1-R-square)+(1-Adjusted R-square)    (1)其中，SSE表示和方差，RMSE表示均方根误差，R-square表示确定系数，Adjusted R-square表示校正确定系数；利用契合度K选取最优函数逼近表达式的条件是逼近方程阶数尽可能小，在同阶数时，选择小的K值所代表逼近方程作为最优函数逼近表达式，即将四种已知工况类型的最优函数表达式作为模型元素P；

定义模型空间中模型元素P的邻域如公式(2)所示：

其中，R为已知故障模型元素的邻域，n表示参与该模型元素BP神经网络学习的实测风管压力周期数据个数，i表示参与该模型元素BP神经网络学习的实测风管压力周期数据组数，G(x)为该模型元素最佳逼近方程，fi(x)表示参与该模型元素BP神经网络学习的实测风管压力不同组数的最佳逼近方程，f1(x)表示参与学习的第一组实测风管压力周期数据的最优函数逼近表达式，f2(x)表示参与学习的第二组实测风管压力数据的最优函数逼近表达式，以此类推；L(G(x)，fi(x))表示G(x)与fi(x)的范数；

步骤4.3根据得到四种已知类型的模型元素P，建立已知类型故障库，当有不同于已知类型的故障发生时，将其作为未知故障捕获，加入到故障库中。

5.如权利要求4所述基于模型空间的高速列车风管故障诊断方法，其特征在于，所述步骤5的中的模型之间的拓扑关系如下：计算待测数据的模型元素P与已知四种类型模型元素，即正常态模型元素P1、风管漏风故障态模型元素P2、风管阻塞故障态模型元素P3、压缩机故障态模型元素P4之间的范数，如公式(3)所示，定义模型空间中的两个模型元素之间的范数：L(P1，P2)＝||F1·F2||        (3)

其中，L表示模型范数，P1，P2表示两个模型元素，F1，F2表示两个模型元素的最优函数逼近表达式；

若范数落在已知类型的模型元素邻域R内，则待测数据所对应的风管类型属于该已知类型，若范数不落在任意已知类型的模型元素邻域R内，则待测数据所对应的风管类型属于未知故障，将其加入故障库中；

模型空间中的故障诊断如公式(4)所示；

其中，Class(j)表示故障诊断结果，j表示已知故障模型元素个数，Gj(x)表示第j个已知故障模型元素的最佳逼近方程，U(x)为待测故障模型元素最佳逼近方程；Rj表示已知故障模型元素邻域；

当Class(j)为1时，表明待测数据所表示的故障类型属于已知故障j，当Class(j)为0时表明待测数据所代表的故障类型不属于已知故障j，只有当对于所有j均有L(Gj(x)，U(x))＞Rj时，表明待测数据所表示的故障类型属于未知故障。