1.一种设备故障识别模型训练方法，其特征在于，包括以下步骤：获取故障振动信号数据集，所述故障振动信号数据集包括多个故障振动信号和所述故障振动信号的故障类型；

确定设备的固有转动周期，并确定所述故障振动信号的第一振动周期，进而根据所述固有转动周期和所述第一振动周期确定所述故障振动信号的第一特征子图；

根据所述第一特征子图和所述故障类型确定训练数据集，并将所述训练数据集输入到预先构建的胶囊神经网络中进行训练，得到训练好的设备故障识别模型；

其中，所述胶囊神经网络包括卷积层、主胶囊层、数字胶囊层以及全连接层；

所述确定设备的固有转动周期，并确定所述故障振动信号的第一振动周期，进而根据所述固有转动周期和所述第一振动周期确定所述故障振动信号的第一特征子图这一步骤，其具体为：确定设备的输入转速以及传动比，根据所述输入转速和所述传动比确定设备的固有转动周期；

根据所述故障振动信号的时频特征确定所述故障振动信号的第一振动周期；

确定所述第一振动周期与所述固有转动周期的比值，并根据所述比值确定所述故障振动信号的第一特征子图。

2.根据权利要求1所述的一种设备故障识别模型训练方法，其特征在于，所述获取故障振动信号数据集这一步骤，其具体包括：确定采样频率和采样时间间隔，根据所述采样频率和所述采样时间间隔采集不同故障类型下的多个故障振动信号；

根据所述故障振动信号和对应的故障类型确定故障振动信号数据集。

3.根据权利要求1至2中任一项所述的一种设备故障识别模型训练方法，其特征在于，所述根据所述第一特征子图和所述故障类型确定训练数据集这一步骤，其具体包括：根据所述第一特征子图确定训练样本，并根据所述故障类型生成故障类型标签；

根据所述训练样本和对应的故障类型标签确定训练数据集。

4.根据权利要求3所述的一种设备故障识别模型训练方法，其特征在于，所述将所述训练数据集输入到预先构建的胶囊神经网络中进行训练这一步骤，其具体包括：将所述训练数据集输入到所述胶囊神经网络，得到故障识别结果；

根据所述故障识别结果和所述故障类型标签确定训练的损失值；

根据所述损失值对所述胶囊神经网络的参数进行更新。

5.一种设备故障识别方法，其特征在于，包括以下步骤：获取待识别振动信号，并根据所述待识别振动信号的振动周期和设备的固有转动周期确定所述待识别振动信号的第二特征子图；

将所述第二特征子图输入到如权利要求1至4中任一项所述的设备故障识别模型训练方法所得到的设备故障识别模型中，得到设备故障识别结果。

6.一种设备故障识别模型训练系统，其特征在于，包括：故障振动信号数据集获取模块，用于获取故障振动信号数据集，所述故障振动信号数据集包括多个故障振动信号和所述故障振动信号的故障类型；

第一特征子图确定模块，用于确定设备的固有转动周期，并确定所述故障振动信号的第一振动周期，进而根据所述固有转动周期和所述第一振动周期确定所述故障振动信号的第一特征子图；

识别模型训练模块，用于根据所述第一特征子图和所述故障类型确定训练数据集，并将所述训练数据集输入到预先构建的胶囊神经网络中进行训练，得到训练好的设备故障识别模型；

其中，所述胶囊神经网络包括卷积层、主胶囊层、数字胶囊层以及全连接层；

所述第一特征子图确定模块具体用于：

确定设备的输入转速以及传动比，根据所述输入转速和所述传动比确定设备的固有转动周期；

根据所述故障振动信号的时频特征确定所述故障振动信号的第一振动周期；

确定所述第一振动周期与所述固有转动周期的比值，并根据所述比值确定所述故障振动信号的第一特征子图。

7.一种设备故障识别系统，其特征在于，包括：

第二特征子图确定模块，用于获取待识别振动信号，并根据所述待识别振动信号的振动周期和设备的固有转动周期确定所述待识别振动信号的第二特征子图；

故障识别模块，用于将所述第二特征子图输入到如权利要求1至4中任一项所述的设备故障识别模型训练方法所得到的设备故障识别模型中，得到设备故障识别结果。

8.一种设备故障识别模型训练装置，其特征在于，包括：至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至4中任一项所述的一种设备故障识别模型训练方法。

9.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至5中任一项所述的方法。