1.解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于包括以下步骤:

步骤一、源域与目标域数据准备：获取源域数据集及目标域数据集，用于深度迁移模型的训练，所述源域数据集需要故障标记，目标域数据集不需要故障标记；

步骤二、迁移模型准备及模型独立训练：分别利用获取的源域数据集和目标域数据集对迁移模型进行无监督训练，所述迁移模型结构包括自适应输入层、表征器、自适应输出层；

步骤三、联合优化：将步骤二中独立训练完毕的源域迁移模型和目标域迁移模型载入，进行联合训练，使得两模型的表征向量分布接近，实现特征域对齐；

步骤四、模型嫁接及自适应层微调，包括以下步骤：

401、模型嫁接：将目标域迁移模型的自适应层嫁接到源域迁移模型的表征器上，实现跨域组合模型，并利用原始的源域迁移模型作为训练辅助模型；

402、自适应层微调：将源域自适应层和源域的表征器参数冻结，不做训练，利用目标域数据训练组合模型，微调目标域自适应层的输入输出层。

步骤五、分类器训练：载入源域自适应输入层以及源域表征器，利用带标记的源域数据训练分类器，使得分类器有能力在源域特征向量上诊断出各类故障；

步骤六、故障诊断精度验证：载入目标域自适应输入层及源域表征器组合成最终的迁移模型，将目标系统的运行数据输入该迁移模型，获得表征向量，将表征向量输入分类器，即可获得故障诊断结果。

2.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于所述步骤一中，所述源域数据集及目标域数据集均使用(data/μ)/σ进行归一化处理。

3.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于所述步骤三中联合优化训练过程采用最大平均距离MMD作为两模型表征向量距离的计算工具，将两表征向量的MMD值LMMD作为训练损失之一，其完整训练损失为：L＝Ly_pre-y_true+LMMD。

4.根据权利要求3所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于所述步骤4.2，利用目标域数据训练组合模型过程中，其完整训练损失为：L＝Ly_pre-y_true+LMMD。

5.根据权利要求4所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于所述步骤四中，训练组合模型的过程在保持表征向量分布接近的条件下，强制调节自适应层，使得目标域网络参数逐渐适应源域表征器的需求。

6.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于所述迁移模型采用循环神经网络的变体GRU作为骨干网络，分为自适应层和表征器两部分，通过更改迁移模型自适应层的神经单元数量，实现异构数据的迁移。

7.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于所述表征器采用序列到序列的模型结构，以自编码器为基本原理，通过编码解码结构，将训练数据编码到固定长度的表征向量上。

8.根据权利要求7所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法，其特征在于所述步骤二中，迁移模型的输入、输出均为热泵系统运行参数，不需要目标域提供标记数据，实现无监督域对齐。