1.一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，其特征在于：该方法包括以下步骤：S1：通过分数阶傅里叶变换获得实测的和筛选的锂电池精细化故障频谱，构成用于锂电池故障诊断的混合大数据标注样本；

S2：设计面向混合锂电池故障样本的全局卷积神经网络,以及分别针对实测的和筛选的锂电池故障数据的局部卷积神经网络，构成混合卷积神经网络锂电池故障诊断模型；

S3：学习卷积神经网络中的全局与局部锂电池故障特征，采用全连接分类映射，对锂电池故障进行多分类与定位。

2.根据权利要求1所述的一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，其特征在于：在步骤S2中，若干独立的局部卷积神经网络分别用于获取锂电池单体或电池包的实测与感知生成的各类故障数据的细节信息；输入为整个混合故障频谱的k＝p×q分块，p和q分别为同类故障实测与筛选的锂电池故障数据维度，表示为{Ru-Cv|u＝1,2,...,p；v＝1,2,...,q}

混合卷积神经网络的总体代价函数定义为：

其中，i是训练的故障混合样本索引，n是训练的故障混合样本组数；此外，定义Yi＝[yi1,yi2,...,yir,...,yik]是全部故障混合样本的预测矢量，v是锂电池故障类别数；yir即是第ith个锂电池故障样本的预测量；在训练结束之后，获得K+1个卷积神经网络模型，记为M＝[m0,m1,...,mk,...,mK,mK+1]，k＝[1,2,...,K]；m0是对于整个混合故障样本的模型，mk是第k个故障样本的模型。

3.根据权利要求1所述的一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，其特征在于：在步骤S3中，通过对卷积神经网络中的全局与局部锂电池故障特征进行学习，并采用全连接分类映射，实现锂电池故障的多分类与定位；通过sofmax函数映射实现单体或电池包的多类故障分类；

在标注单体编号条件下，根据编号的分类实现单体故障源定位；

最后，训练集构成一个特征矩阵：

Fi＝[fi0,fi1,...,fik,...fiK]′

索引i是在X中训练样本的顺序序号，一共有n个训练样本；fi0,fi1,...,fik,...fiK指代训练样本中的某个特征；F的每一列意味着串联的一个训练样本 的特征，k是训练样本中特征的序号，一个训练样本总共提出K个特征。