1.一种基于深度学习技术的轨道板上拱状态检测方法，其特征在于，包括以下步骤：
(1)将车辆‑板式轨道动力学传统模型改进为考虑CA砂浆脱空作用下的车辆‑板式轨道动力学模型；
(2)构造分类神经网络深度学习的数据库：利用步骤(1)得到的考虑CA砂浆脱空作用下的车辆‑板式轨道动力学模型，通过设置不同参数输出不同脱空程度下轨道板位移模拟数据，进行多次训练得到足够的模拟数据后，将模拟数据根据病害种类进行添加标签构成数据库，所述数据库包括用于输入分类神经网络的训练集以及用于输入分类神经网络的测试集；
(3)利用步骤(2)构造的数据库训练分类网络：分类网络结构包括四层网络，第一层网络为输入层，第二层网络为BiLSTM，第三层网络为全连接层，第四层网络为softmax层；
(4)根据分类网络结果进行轨道板上拱状态分类：将轨道板位移数据作为训练好的分类网络的网络输入量，将原始轨道板位移数据整理为特征序列输入至BiLSTM网络；经过BiLSTM层循环后输入至softmax层对轨道板上拱状态类型进行判断，给出轨道板上拱状态判断的最终结果；
其中，所述考虑CA砂浆脱空作用下的车辆‑板式轨道动力学模型的振型坐标微分方程组的详细形为：
式中：Tn(t)为在轨道板垂向振动微分方程采用Ritz法后，引入自由梁正交函数系{Xn}(n＝1～NMS)，NMS为轨道板的模态阶数，选取NMS个广义坐标Tn(t)； 为Tn(t)的二阶导；
EsIs为轨道板的抗弯刚度；ms为轨道板单位长度质量；βn为常数；m0指m0个离散单元；Csq是CA砂浆在q处的分布阻尼；Xp是自由梁正交函数系{Xn}的意思，p类似于n，取值范围与n相同，Xn是传统轨道板的自由梁正交函数系，Xp是改进后轨道板的自由梁正交函数系；Tp(t)与Xp同理，Tn(t)的p类似n，取值范围与n相同，带n表示传统轨道板的广义坐标，带p表示改进后的轨道板的广义坐标；Ksq为CA砂浆在q处的分布刚度；f对应混凝土支承层，zf(x,t)是混凝土支承层的振动位移(m)，zf(xq,t)为第q个CA砂浆离散单元混凝土支承层的振动位移；
为zf(xq,t)求导获得，表示第q个CA砂浆离散单元混凝土支承层的振动速度；Ls为轨道板单块长度；n0为一块轨道板上钢轨的扣件数；下标s对应轨道板；xi是原坐标系的坐标，坐标系以钢轨模型为基础建立的,(i＝1～N)，N为板式轨道长度范围L内扣件个数；xq是xi的q＝i时刻；Cpi是在坐标系xi位置时轨下垫层阻尼；NM为钢轨的模态阶数；Kpi是在坐标系xi位置时轨下垫层刚度；Yp(x(j‑1)×n0+i)qp(t)是采用Ritz法，将钢轨垂向振动位移应用简支梁的正则振型函数表示为 在式子中k＝p且x的下标为(j‑1)*n0+i，其中n0
为一块轨道板上钢轨的扣件数。
2.根据权利要求1所述一种基于深度学习技术的轨道板上拱状态检测方法，其特征在于，步骤(4)中，将原始轨道板位移数据整理为特征序列，具体方法为：
(1)对轨道板位移信号进行预处理：使用多种类型的特征来表示轨道板位移信号，将时序信号归一化至(0,1)范围，将原始的轨道板位移信号进行分段并进行信号特征提取，所述信号特征提取是将分段获得的小段数据中的数据特征计算出来之后重新排列成一组数据，成为特征数据；信号特征提取后将每段的特征数据按先后顺序连接起来，组成最后的特征数据组；
信号特征提取过程中的所述数据特征包括最大值、最小值、平均值、峰‑峰值、整流平均值、方差、标准差、峭度、均方根、波形因子、峰值因子、峭度因子、脉冲因子、裕度因子；
(2)利用Relief算法对获得的特征数据组每一个特征计算对应的结果相关度权重，按照设定的权重阈值剔除权重较低的特征后，得到最终训练的特征序列。
3.根据权利要求1所述一种基于深度学习技术的轨道板上拱状态检测方法，其特征在于，步骤(4)之后还包括步骤(5)：根据得出的轨道板上拱状态判断的最终结果进行后处理，所述后处理是结合其他判断程序来判断轨道板是否上拱，分类结果可对明显的识别错误进行校正，进一步优化识别效果，并进行预警工作。
4.根据权利要求1所述一种基于深度学习技术的轨道板上拱状态检测方法，其特征在于，步骤(2)中，构造数据库时，选择104米，即16个轨道板作为所述考虑CA砂浆脱空作用下的车辆‑板式轨道动力学模型的长度，车速为300公里/小时，选择轨道板的位移作为列车通‑4
过一块轨道板时的样本数据，当采样间隔为10 s时，通过设置不同脱空长度得到不同样品数据，设置纵向长度为0米、0.325米、0.65米、1.3米和1.95米的CA砂浆脱空条件，以获得五种脱空条件的样品，之后针对每个脱空设置条件获得足够多的样本数，获得64组样本。