1.一种域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，获取机械振动信号，并构建样本集和标签集；

建立模型损失函数并构建故障诊断模型；

训练并确认模型；

所述构建故障诊断模型并建立模型损失函数的步骤包括：建立故障诊断的联合损失函数；

构建故障诊断模型；输入样本集；

其中，所述联合损失函数L的公式如下：

其中，Lrec表示重构损失函数；Ldiff表示最小化差异损失函数；Ladv表示对抗损失函数；

Ltask表示分类损失函数；α、β和γ是控制损失项的权重； 表示参数，θc是共享CNN编码器Ec的参数，θy是类标签分类器Ey的参数，θd是域分类器Ed的参数，是源域CNN私有编码器 的参数， 目标域私有编码器 的参数，θr是共享CNN解码器Er的参数；

其中，所述振动信号区分为源域信号和目标域信号。

2.如权利要求1所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在s s于：所述样本集包括源域样本集X，所述源域样本集集X为：其中，Ns表示Ds中的样本数，Ds表示标记的源域数据，s表示源域；

其中，所述标记的源域数据Ds的公式为：其 表示每个源域样本， 表示相应的类标签，i表示样本序号，Ns表示为目标域的样本个数。

3.如权利要求2所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在s s于：所述类标签 的标签集为Y ，所述标签集Y满足如下公式：s

其中，Ns表示Ds中的样本数，Ds表示标记的源域数据，s表示源域，Y表示源域标签集合，表示其集合中的每一个值。

4.如权利要求1～3任一所述的域分离自适应一维卷积神经网络智能故障诊断方法，其t t特征在于：所述样本集还包括目标域样本集X，所述目标域样本集X为：其中，Nt表示Dt中的样本数，Dt表示未标记的目标域数据，t表示目标域；

其中，所述未标记的目标域数据Dt的公式为：其 为每个目标域样本，i表示为样本序号。

5.如权利要求1所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述分类损失函数Ltask的公式如下：s s

其中，yi 是源域输入xi 的one‑hot独热码类别标签， 表示模型的故障类别标签softmax预测。

6.如权利要求5所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述对抗损失函数Ladv的公式如下：其中，Ns表示源域样本个数，Nt表示目标域样本个数，d表示域标签，di表示已标定好的域标签，表示预测的域标签，i有两个取值，0，1，i＝0，表示源域；i＝1表示目标域。

7.如权利要求6所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述最小化差异损失函数Ldiff的公式如下：其中， 矩阵是隐层源域共享表示矩阵， 矩阵是隐层源域私有表示矩阵， 矩阵和矩阵是隐层目标域共享表示矩阵和私有表示矩阵。

8.如权利要求1、5或7任一所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述重构损失函数Lrec的公式如下：s

其中，xi表示第i个源域样本, 表示经过源域私有编码器和共享解码器后输出的值，即 的重构值， 表示 经过目标域私有编码器和共享解码器后输出的值，即 的重构值，表示第i个目标域样本，Ns表示源域样本个数，Nt表示目标域样本个数。

9.如权利要求8所述的域分离自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述训练并确认模型的步骤包括：初始化模型；

优化确认模型；

模型预测；

其中，所述初始化模型使用源域数据Ds按照式(2)的分类损失函数Ltask来初始化θc和θy；

其中，所述优化模型采用基于BP的随机梯度下降法SGD来更新参数