1.一种基于改进生成对抗网络的列车轴承故障诊断方法，包括以下步骤：步骤一，制作真实数据集；步骤二，构建生成对抗网络；步骤三，训练生成对抗网络；步骤四，制作平衡数据集；步骤五，搭建故障分类器；步骤六，训练故障分类器；其特征在于：其中在上述步骤一中，通过快速傅里叶变换将时域样本转化为频域样本，制作同时包含时域信息和频域信息的真实数据集；

其中在上述步骤二中，通过基于多个判别模型、多个生成模型以及多个分类模型的GAN训练方法搭建针对少数类样本的生成对抗网络；

其中在上述步骤三中，使用步骤一中制作的样本训练步骤二中搭建的生成对抗网络，并采用Adam方法进行优化，且每一批次的训练尺寸均为64个样本，直至达到纳什平衡，以生成符合少数类样本特征的数据集；

其中在上述步骤四中，将步骤三中得到的生成数据集和步骤一制作的真实数据集混合形成平衡数据集；

其中在上述步骤五中，搭建结构与生成对抗网络中分类模型相同的故障分类器；

其中在上述步骤六中，将步骤四中得到的平衡数据集作为训练集输入步骤五中搭建的故障分类器，逐层学习故障特征，通过分类器完成不同故障类别的诊断识别；

所述步骤二中，GAN训练方法具体为：

其中， 和 分别表示第k个生成模型、判别模型和分类模型中的参数；

和 分别表示针对于第k类少数类样本的生成损失、分类损失、Pearson相似损失和判别损失；λ表示模型训练过程中所设置的学习率；所述生成损失通过生成样本与同标签少数类样本之间的均方根误差计算；分类损失通过生成样本与多数类样本之间的分类误差计算；Pearson相似损失通过生成样本与同标签样本以及不同标签样本间的Pearson相关系数计算；判别损失通过生成样本与同标签的少数类样本在对应的分类模型中的分类误差计算。

2.根据权利要求1所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述步骤二中，生成对抗网络的结构包括N个判别模型、N个生成模型以及N个分类模型，其中，N表示少数类的个数。

3.根据权利要求1所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述步骤二中，用于输入生成对抗网络以生成少数类的样本为多数类样本。

4.根据权利要求2所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述判别模型由5层卷积层组成，生成模型由5层反卷积层组成，分类模型由5层卷积层和3层全连接层组成，且每层卷积层或反卷积层后都设有1层池化层和1层批归一化层。

5.根据权利要求2所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述生成对抗网络的结构中，分类模型输出层使用SoftMax激活函数，判别模型和生成模型输出层皆使用线性激活函数，其余使用ReLU激活函数，以此来解决梯度消失的情况，并加快收敛速度。