1.一种面向转向架故障诊断的开放集域泛化方法，其特征在于包括如下步骤：S1：利用加速度传感器采集不同运行工况下转向架轮对系统中轴箱轴承的原始振动信号，对振动信号进行数据预处理以及快速傅里叶变换，最终得到振动信号的频谱；

S2：将数据集D按照不同运行工况划分为源域数据集目标域数据集其中，xi为源域数据集的第i个样本，yi为的第i个故障标签，zi为的第i个域标签，表示源域S的样本总数量，M为源域中的工况数量，xj为目标域数据集DT的第j个样本，yj为DT的第j个故障标签，zj为DT的第j个域标签，NT表示目标域T的样本总数量；

S3：构建基于椭球原型的开放集域泛化模型，即EP-OSDG模型，实现未知领域下未知故障的识别；所述EP-OSDG模型由特征提取模块fφ(·)、域混淆分类模块Hθ(·)、故障分类模块以及椭球原型度量模块Eδ(·)组成；其中，故障分类模块有助于特征提取模块提取故障类别特征，域混淆分类模块通过对抗性训练，有助于特征提取模块提取多个源域数据中的领域不变特征，椭球体度量模块基于原型思想构建每个类别的椭球决策边界，为识别未知故障提供了更加灵活、通用的方法；

S4：在训练阶段，将源域数据集输入EP-OSDG模型中，将域混淆分类模块所得域混淆损失Ldomain、故障分类模块所得分类损失Lclass以及椭球原型度量模块所得椭球度量损失Lellipsoid相加，得到模型总损失函数值Ltotal，利用反向传播算法进行迭代训练，获取特征提取模块fφ(·)的参数以及每个类别的原型向量pc、协方差矩阵∑c以及边界阈值rc；

S5：在测试阶段，将目标域数据集输入训练好的特征提取模块fφ(·)，然后根据已知的原型向量pc、协方差矩阵∑c以及边界阈值rc确定目标域样本的故障类型；当样本xj与原型向量pc的马氏距离的平方小于等于椭球体边界阈值rc时，样本xj的类别即为c，反之，样本xj即为未见过的故障。

2.如权利要求1所述的一种面向转向架故障诊断的开放集域泛化方法，其特征在于，所述步骤S1具体包括如下步骤：S1-1:利用加速度传感器采集不同运行工况下轴箱轴承的原始振动信号；

S1-2:将振动信号进行Z-score归一化，减少不同运行工况之间的分布差异，数学公式如下所示：其中，为原始数据的均值，σ为原始数据的标准差；

S1-3:将归一化后的振动信号进行滑动窗口切片，滑动窗口大小设置为2L,步长为I，每一段振动信号即为一个样本；

S1-4:通过快速傅里叶变换得到振动信号的频谱，频谱长度为L。

3.如权利要求1所述的一种面向转向架故障诊断的开放集域泛化方法，其特征在于：所述EP-OSDG模型中特征提取模块共10层，包括5个卷积层5个池化层，其中第1层、第3层、第5层、第7层、第9层为卷积层，第2层、第4层、第6层、第8层为平均池化层，第10层为自适应平均池化层；

所述域混淆分类模块共6层，包括2个卷积层2个池化层以及2个全连接层，其中第1层、第3层为卷积层，第2层、第4层为平均池化层，第5层、第6层为全连接层；

所述故障分类模块共6层，包括2个卷积层2个池化层以及2个全连接层，其中第1层、第3层为卷积层，第2层、第4层为平均池化层，第5层、第6层为全连接层；

所述椭球体度量模块定义如下：

首先，马氏距离表示的椭球体公式如下：

其中，Xi是样本xi的特征向量，μ是均值向量，∑-1是协方差矩阵的逆，定义了椭球体的形状和方向，r0是常数，控制椭球体的大小；

然后，根据源域数据集中类别为c的个样本特征集计算得到类别c的均值向量μc和协方差矩阵∑c，其中，均值μc即为原型向量pc，为源域S中类别为c的样本数量；

原型向量pc计算公式：

协方差矩阵∑c计算公式：

其次，根据得到的原型向量pc与协方差矩阵∑c，计算该类别样本特征与原型向量之间的马氏距离M(pc,Xi)：将该类别所有样本特征与原型向量之间马氏距离的最大值作为边界阈值rc，形成椭球体决策边界，使得马氏距离小于该阈值的点代表该类别的样本；

最终得到代表该类别的原型向量pc与协方差矩阵∑c与边界阈值rc。

4.如权利要求1所述的一种面向转向架故障诊断的开放集域泛化方法，其特征在于：所述故障分类模块所得故障分类损失Lclass为：

式中：为源域S的样本总数量，M为源域的工况数量，yic表示样本xi真实类别的独热编码，当xi的类别为c时，yic＝1，否则为0，表示样本xi属于类别c的预测概率；

所述域混淆分类模块所得域混淆损失Ldomain为：

式中：zim表示样本xi真实源域的独热编码，当xi的域标签为m时，zim＝1，否则为0，表示样本xi属于域标签m的预测概率；

所述椭球体度量模块所得椭球体度量损失Lellipsoid为：

式中，C为类别数量，λ是超参数，是一个正则化项，rc为类别c的边界阈值，Lintra是类内损失函数，Linter是类间损失函数；

类内损失函数Lintra计算公式如下：

式中：表示是属于类别c的同类样本；表示样本到类别c原型的距离，α控制对距离差距的敏感性，是惩罚项，当样本距离大于rc时，增加惩罚，是奖励项，当样本距离小于rc时，给予奖励，γintra是控制奖励强度的超参数，是指示函数，当时，值为1；

类间损失函数Linter计算公式如下：

式中：表示与类别c为不同类样本，表示样本到类别c原型的距离，-β用于使其对负样本距离的差异更加敏感；

总损失函数计算公式如下：

Ltotal＝ωLclass+ξLdomain+Lellipsoid式中：ω,ξ为故障分类损失与域混淆损失的超参数。

5.如权利要求1所述的一种面向转向架故障诊断的开放集域泛化方法，其特征在于，所述EP-OSDG模型的训练过程包括如下步骤：S4-1:将源域数据集输入到特征提取模块fφ(·)，得到源域样本的特征向量Xi＝fφ(xi)；

S4-2:将所有源域样本特征向量Xi输入故障分类模块，计算得到故障分类损失Lclass；

S4-3:将所有源域样本特征向量Xi输入域混淆分类模块，特征提取模块和域混淆分类模块通过对抗的方式进行训练，其中域分类器试图准确区分各个源域的样本，而特征提取器则试图混淆这些源域之间的差异，从而提取到领域不变特征，最终，计算得到域混淆损失Ldomain；

S4-4:将所有源域样本特征向量Xi输入椭球体度量模块，计算得到椭球体度量损失Lellipsoid以及每个类别的原型向量pc、协方差矩阵∑c以及边界阈值rc；

S4-5:将源域样本特征的故障分类损失Lclass、域混淆损失Ldomain以及椭球体度量损失Lellipsoid加权相加作为总损失函数值Ltotal，利用BP反向传播算法进行迭代训练，直到模型收敛，得到模型参数以及每个类别的原型向量pc、协方差矩阵∑c以及边界阈值rc。

6.如权利要求1所述的一种面向转向架故障诊断的开放集域泛化方法，其特征在于，所述EP-OSDG模型的测试过程包括如下步骤：S5-1:将目标域数据集输入到特征提取模块fφ(·)，得到目标域样本的特征向量Xj＝fφ(xj)；

S5-2:将目标域样本特征向量Xj输入椭球原型度量模块，计算每个样本特征到原型向量pc的马氏距离M(pc,Xj)：然后根据判别条件进行判断：

如果M(pc,Xj)≤rc，则认为特征向量Xj在椭球体内部，即属于类别c；

如果M(pc,Xi)＞rc，则认为特征向量Xj在椭球体外部，即不属于类别c。