1.一种基于约束对抗卷积自编码记忆融合网络的故障诊断方法，其特征在于包括以下步骤：S1、建立数据融合故障检测框架；在步骤S1中数据融合故障检测框架包括依次连接的数据采集模块、预处理模块、卷积自编码表示模块、约束对抗注意表示模块、记忆融合推断模块和网络对抗训练模块；

S2、采集数据集并对数据进行预处理；

S3、将处理好的振动、电流数据输入到卷积自编码中以获取两个模态的独立特征；在步骤S3中将处理好的数据输入到不同卷积自编码中，获取编码表示和解码表示；分别使用两个卷积自编码网络CAE对振动信号输入xv、电流信号输入xc进行编码‑解码学习以提取它们的独立特征，其编码表示和解码表示分别为：CAE

式中：CAEm、hm、Um和θm 分别为m模态的CAE网络、CAE网络的编码表示、解码表示、网络参数；

S4、将两个卷积自编码器的编码输出经过SE模块进行注意力加权以及梯度反转层后，输入到模态鉴别器进行训练以获取模态不变性；将步骤S3中获取的两个模态的编码表示依次输入到SEBlock、梯度反转层、模态鉴别器中，以获取两个模态的注意表示和模态鉴别器的输出；其中，注意表示和模态鉴别器输出分别如下所示：SE SE

式中：SEm、θm 、hm 分别为m模态的SE模块、SE网络参数和注意力加权表示；D表示模态鉴D别器，p表示振动和电流信号关于模态鉴别器的推断集合，θ为模态鉴别器网络参数，Q为梯度反转层GRL函数；

S5、将SE模块输出进行特征拼接后输入到LSTM网络进行融合并将其输出用于推断网络；将步骤S4中两个模态的注意表示输出经拼接后输入到LSTM网络，借助其记忆能力获得融合的记忆融合表示，并将记忆融合表示输入到推断网络获取最终的推断表示，表示过程如下：首先，将两种注意力加权表示特征拼接： 式中： 表示向量拼接操作，SE SE

hv 、hc 表示两个模态编码的加权注意力表示；

SE Lstm Lstm

然后，将拼接联合表示输入到LSTM，得到如下表示：R＝LSTM(h ；θ )，式中：LSTM、θ分别表示长短记忆神经网络及其网络参数；

最后，将记忆融合表示输入到推断神经网络Inf故障推断，如下所示：Inf I

Y＝Inf(R；θ )，式中：Y为推断表示，θ nf为推断网络参数；该网络由被Leaky Relu激活的两次全连接层组成。

2.根据权利要求1所述的基于约束对抗卷积自编码记忆融合网络的故障诊断方法，其特征在于，数据采集模块通过电流传感器、加速度传感器来获取电流、振动信号作为训练数据集、测试数据集。

3.根据权利要求1所述的基于约束对抗卷积自编码记忆融合网络的故障诊断方法，其特征在于，在步骤S2中数据预处理包括数据归一化流程，将原始的振动、电流数据分别进行归一化以消除量纲影响。

4.根据权利要求3所述的基于约束对抗卷积自编码记忆融合网络的故障诊断方法，其特征在于，将归一化后的包装设备振动、电流数据进行分段截取后，分段将1‑D数据重组为

2‑D网格矩阵形式。

5.根据权利要求1所述的基于约束对抗卷积自编码记忆融合网络的故障诊断方法，其特征在于，在步骤S4中将编码输出通过挤压激励模块和梯度反转层后，输入到模态鉴别器中进行对抗学习，以获取不变性注意力表示。

6.根据权利要求1所述的基于约束对抗卷积自编码记忆融合网络的故障诊断方法，其特征在于，在步骤S5中将不变性注意表示拼接后通过LSTM网络获取记忆融合表示后，将其输入到推断网络，获取网络推断输出。