1.一种齿轮箱的故障识别方法，其特征在于，包括：

采集齿轮箱的振动数据，并对所述振动数据进行特征处理，获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值；

将所述滤波波形数据输入滤波形态识别模型，识别获得波形形态类型，其中，所述滤波形态识别模型为预先通过加入SE注意力模块的Siamese‑CNN网络学习训练获得的；

对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值，确定振幅超阈值程度；

将所述频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别，获得频谱异常类型；

根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态，确定所述齿轮箱对应的故障类型；

所述滤波形态识别模型的创建过程，包括；

将滤波波形数据样本按照形态标签划分为正常形态样本、齿轮断裂样本、传感器异常样本以及抛钢咬钢样本多种不同类型样本；

在两种类型样本中选取三个异常数据样本，并通过Siamese‑CNN神经网络进行特征提取获得图像特征；

将所述图像特征通过SE注意力模块进行特征权重分配，并利用所述Siamese‑CNN神经网络对加权后的所述图像特征进行距离运算训练；

重复在两种类型样本中选取三个异常数据样本的操作步骤，直到每个所述滤波波形数据样本的所有选取方式均训练完成，获得所述滤波形态识别模型。

2.如权利要求1所述的齿轮箱的故障识别方法，其特征在于，对所述振动数据进行特征处理，获得所述滤波波形数据的过程，包括：通过巴特沃斯带通滤波器对所述振动数据进行滤波，获得所述滤波波形数据。

3.如权利要求1所述的齿轮箱的故障识别方法，其特征在于，对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值，确定振幅超阈值程度，包括：对所述速度有效值和所述冲击量平均值均进行中位数滤波和dbscan密度聚类算法滤波，并对滤波后的所述速度有效值和滤波后的所述冲击量平均值进行线性拟合，获得速度有效值拟合曲线和冲击量平均值拟合曲线；

对比获得速度有效值拟合曲线中速度有效值振幅大于速度有效值振幅阈值的速度有效值的第一比例，以及获得冲击量平均值拟合曲线中冲击量平均值振幅大于冲击量平均值振幅阈值的冲击量平均值的第二比例；

根据所述第一比例和所述第二比例分别所属的比例阈值范围，确定所述振幅超阈值程度；其中，所述比例阈值范围包括正常阈值范围、注意阈值范围、异常阈值范围和故障阈值范围。

4.如权利要求3所述的齿轮箱的故障识别方法，其特征在于，在获得速度有效值拟合曲线和冲击量平均值拟合曲线之后，还包括：以所述速度有效值拟合曲线对应的速度有效值斜率值、所述冲击量平均值拟合曲线对应的冲击量平均值斜率值分别对所属的斜率阈值范围，结合，确定所述齿轮箱的最晚维修时间；其中，s为速度有效值斜

率值，c为冲击量平均值斜率值，x1为第一斜率阈值，x2为第二斜率阈值。

5.如权利要求1所述的齿轮箱的故障识别方法，其特征在于，所述频谱形态识别模型的创建过程，包括：将频谱特征值样本按照形态标签划分为至少包括正常频谱样本、不对中频谱异常样本、不平衡频谱异常样本、润滑油不足样本、轴承内圈故障样本、轴承外圈故障样本以及支撑架或螺栓松动样本；

将每种类型的所述频谱特征值样本输入DNN神经网络进行神经网络训练，获得所述频谱形态识别模型。

6.如权利要求1所述的齿轮箱的故障识别方法，其特征在于，根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态，确定所述齿轮箱对应的故障类型，包括：利用预先基于天牛须优化算法训练获得的故障识别模型，对所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态进行故障类型识别，获得所述齿轮箱的故障类型。

7.一种齿轮箱的故障识别装置，其特征在于，包括：

数据采集模块，用于采集齿轮箱的振动数据，并对所述振动数据进行特征处理，获得滤波波形数据、速度有效值、冲击量平均值以及频谱特征值；

第一识别模块，用于将所述滤波波形数据输入滤波形态识别模型，识别获得波形形态类型，其中，所述滤波形态识别模型为预先通过加入SE注意力模块的Siamese‑CNN网络学习训练获得的；

第二识别模块，用于对比所述速度有效值和所述冲击量平均值的振幅值和对应的振幅阈值，确定振幅超阈值程度；

第三识别模块，用于将所述频谱特征值输入预先通过DNN神经网络训练获得的频谱形态识别模型中进行识别，获得频谱异常类型；

故障识别模块，用于根据所述波形形态类型、所述振幅超阈值程度以及所述频谱异常类型形成的组合形态，确定所述齿轮箱对应的故障类型；

还包括第一创建模块，用于将滤波波形数据样本按照形态标签划分为正常形态样本、齿轮断裂样本、传感器异常样本以及抛钢咬钢样本多种不同类型样本；在两种类型样本中选取三个异常数据样本，并通过Siamese‑CNN神经网络进行特征提取获得图像特征；将所述图像特征通过SE注意力模块进行特征权重分配，并利用所述Siamese‑CNN神经网络对加权后的所述图像特征进行距离运算训练；重复在两种类型样本中选取三个异常数据样本的操作步骤，直到每个所述滤波波形数据样本的所有选取方式均训练完成，获得所述滤波形态识别模型。

8.一种齿轮箱的故障识别设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序，以实现如权利要求1至6任一项所述的齿轮箱的故障识别方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行以实现如权利要求1至6任一项所述的齿轮箱的故障识别方法的步骤。