1.一种基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，其步骤如下：步骤一：根据采样时间获取变压器油中溶解气体的浓度和采样点温度，并根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量；

步骤二：对气体特征向量进行数据增强后作为输入向量，并对输入向量进行故障评估，得到样本集，其中，样本集包括训练集和测试集；

步骤三：基于共通道深度残差收缩网络中的软阈值，构建软阈值优化目标函数，利用交叉方向乘子和FISTA算法对软阈值优化目标函数进行优化，将优化后的软阈值对应的共通道深度残差收缩网络作为子通道阈值深度残差收缩网络；

步骤四：将训练集输入子通道阈值深度残差收缩网络进行训练，得到子通道阈值深度残差收缩网络模型；

步骤五：将测试集输入子通道阈值深度残差收缩网络模型进行识别，并利用UMAP算法对输出结果进行可视化降维，得到故障类型；

所述利用交叉方向乘子和FISTA算法对软阈值优化目标函数进行优化的方法为：令AX‑B＝Z，将软阈值优化目标函数改写为目标I：s.t AX‑Z＝B；

其中，f(X)＝λ||X||1， 目标I的增广拉格朗日函数为：其中，β为惩罚函数，x代表着局部变量最优解，z代表全局一致性变量最优解；

ADMM迭代更新形式如下：

其中，Ai和Bi均表示对应常数矩阵中的第i个元素，Xi表示第i个变量， 表示最小化变量Xi经过k+1次对偶迭代后的最优点， 表示拉格朗日乘子经过k次对偶迭代的转置，也k k+1 k即迭代步长，y表示第k次的对偶迭代的拉格朗日乘子，y 表示双变量更新值，Z表示经过k次对偶迭代后的变量z，Zi表示第i个全局一致性最优解变量， 表示经过k+1次对偶迭代后的第i个全局一致性最优解的最优点；

使用近端梯度下降法或对x求导法对 进行更新，得到：其中，I为单位矩阵，

使用软阈值方法对 进行更新，得到：

其中，Sλ/βN(·)表示对 利用次微分简单闭式求解的函数；

其中，

在点Z处的二次近似函数为：

其中， 表示全局一致最优解的梯度因子；

二次近似函数的最小值简写为：

结合简写的最小值表达式，二次近似函数的最小值写为：n

FISTA算法的运算开始，令L0＞0，η＞1，且X∈R，同时令Z1＝X0，t1＝1；

找到最小非负整数ik，则

将 代入直至完成计算，得到：

其中，tk表示适当的步长。

2.根据权利要求1所述的基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，所述溶解气体包括CO、CO2、H2、CH4、C2H2、C2H4和C2H6七种气体。

3.根据权利要求2所述的基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，所述根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量的方法为：将CO、CO2、H2、CH4、C2H2、C2H4和C2H6这七种气体的浓度作为图像的特征通道，将采样点温度和采样时间分别作为图像的高度和宽度，得到维度为C×W×I的气体特征向量，其中，C表示气体的种类，I表示温度间隔，既温度每变化I度，取一组气体浓度数据，W表示每个采样时间内对应的采样点数。

4.根据权利要求2或3所述的基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，所述对气体特征向量进行数据增强的方法为：将某工况下的同型号变压器的溶解气体的浓度以及各种气体的浓度的平均值作为补充数据随机加入气体特征向量内，同时在气体特征向量内添加噪声信息得到输入向量。

5.根据权利要求1所述的基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，所述对输入向量进行故障评估也即对输入向量进行故障类型的标注，故障类型包括低温故障、中温过热故障、低能放电、高能放电、局部放电、高温过热故障、过热故障与放电故障混合、潮湿故障和正常状态。

6.根据权利要求1所述的基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，所述共通道深度残差收缩网络中的软阈值的表达式为：其中，X代表输入特征，Y代表输出特征，λ是正参数阈值。

7.根据权利要求6所述的基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，所述软阈值优化目标函数为：其中，A、B均表示常数矩阵。