1.一种铁道车辆故障检测方法，其特征在于，包括以下步骤：

第一步：确定待检测对象以及待检测指标；

第二步：对待检测指标进行检测，获取故障信号；

第三步：将检测到的故障信号发送到列车运行监控系统；

第四步：列车运行监控系统根据故障信号发出警告信息。

2.根据权利要求1所述的一种铁道车辆故障检测方法，其特征在于，将车轴、轴承、车轮、制动盘作为待检测对象；将车轴温度、轴承温度、制动盘温度、车轮踏面圆周磨耗率、车轴裂纹深度中的一个或多个作为待检测指标。

3.根据权利要求2所述的一种铁道车辆故障检测方法，其特征在于，其中第二步包括以下步骤；步骤1：构建轻量级梯度提升机模型，对行车过程中采集到的数据进行数据分析，确立车辆各项行车参数对于单个待检测对象数值变化的重要性；

步骤2：对待检测部件按照同类测点进行区分，确定预测数值所需要的特征的输入时间步长；

步骤3：结合待检测部件的空间位置分布与皮尔逊系数分析同车部件相互关系，基于同类待检测部件概念，对多个待检测对象的数值同时进行预测；

步骤4：构建预测模型，将卷积神经网络进行时序处理，通过卷积层的膨胀、因果卷积与残差连接，用卷积网络对时序信号进行预测；

步骤5：采用步骤4所构建的网络进行预测，得到真实数值与预测数值的残差值；

步骤6：将步骤5得到的残差值按照同类部件概念在二维空间进行描绘，使用孤立森林方法对残差进行异常检测，当出现不符合正常分布的异常数据之时，即认为该待检测对象出现异常。

4.根据权利要求3所述的一种铁道车辆故障检测方法，其特征在于：步骤1具体包括以下步骤；步骤1.1：在车辆运营过程中，获取轨道车辆传感器采集的履历数据，通过降采样，去空值，填补缺失值处理对上述数据进行预处理；步骤1.2：构建轻量级梯度提升机模型，以各待检测部件的测点为预测目标，将预处理后的其他通道数据输入轻量级梯度提升机模型，在此基础上对与待检测部件相关的特征，进行特征重要度排序；步骤1.3：排序后的数据按照特征变量名重要性从高到底依次排布，重要性经过加权平均计算后总和等于1，选取重要性大于F的特征变量，保证重要度大于F的特征变量的重要性总和超过F*，F*为重要性经过降维重新挑选过后的占比，一般设定为重要性总和的0.85～0.9，则此时经过挑选的特征代表之前所有特征总量的F*。

5.根据权利要求4所述的一种铁道车辆故障检测方法，其特征在于：在轴承检测的步骤

3中，按照轴承空间位置排布，预测一个轴承时，将另三个轴承输入模型作为特征，按照一节车辆共两转向架四轴的设计，一个轴上分布九个轴承，均不为同类轴承，按照其他输入不变的情况下，将输入从三个同类轴承扩充到二十七个分布在不同轴上的同类轴承，输出从单个轴承扩充到九个分布在一根轴的不同类轴承，单个轴承预测模型转变为单个模型来预测共九个轴承，则将需要三十六个预测模型转变为仅需要四个预测模型。

6.根据权利要求4所述的一种铁道车辆故障检测方法，其特征在于：在车轴检测的步骤

3中，同类车轴是承载类似工况和激励的重要特征，预测一个车轴时，将另三个车轴输入模型作为特征。

7.根据权利要求4所述的一种铁道车辆故障检测方法，其特征在于：在制动盘检测的步骤3中，同类制动盘是承载类似工况和激励的重要特征，预测一个制动盘时，将另三个车轴上同位置的制动盘输入模型作为特征。

8.根据权利要求4所述的一种铁道车辆故障检测方法，其特征在于：步骤3中，对于车轮而言，同类车轮是承载类似工况和激励的重要特征，预测一个车轮时，将另三个车轴上同位置的车轮输入模型作为特征。

9.根据权利要求5-8所述的一种铁道车辆故障检测方法，其特征在于：步骤4中，构建网络的核心是卷积层的膨胀、因果卷积与残差连接，采用以下公式进行卷积层的膨胀，式中d为膨胀系数，k为卷积核尺寸，s-d·i为过去因子：采用以下公式进行因果卷积：

采用以下公式进行残差连接：

o＝Activation(x+F(x))

数据格式输入前为xm，n，j，m代表一个批大小的大小，n代表时间步长，j代表每个时间步长的特征量，输出模型后，数据格式为xm,a，a为模型的预测数值的数目。

10.根据权利要求9所述的一种铁道车辆故障检测方法，其特征在于：步骤6中，根据步骤3中相关性分析结果，建立孤立森林模型，该数据集是由步骤4中输入时域卷积模型的测试集所得，孤立森林检测方法如下：T是孤立树的一个节点，它是没有子节点的叶子节点，或是只有两个子节点(Tl，Tr)的内部节点，每一步分割，都包含特征q和分割值p，将q

给定n个样本数据X＝{x1，…，xn}，特征的维度为d，为了构建一棵孤立树，需要随机选择一个特征q及其分割值p，递归地分割数据集X，直到满足以下任意一个条件：(1)树达到了限制的高度；(2)节点上只有一个样本；(3)节点上的样本所有特征都相同；

异常检测的任务是给出一个反应异常程度的排序，常用的排序方法是根据样本点的路径长度或异常得分来排序，异常点就是排在最前面的那些点；

给定一个包含n个样本的数据集，树的平均路径长度为

其中H(i)为调和数，该值可以被估计为ln(i)+0.5772156649。c(n)为给定样本数n时，路径长度的平均值，用来标准化样本x的路径长度h(x)；

样本x的异常得分定义为

其中，E(h(x))为样本x在一批孤立树中的路径长度的期望；

当E(h(x))→c(n)时，s→0.5，即样本x的路径平均长度与树的平均路径长度相近时，则不能区分是不是异常；

当E(h(x))→0时，s→1，即x的异常分数接近1时，被判定为异常；

当E(h(x))→n-1时，s→0，被判定为正常。