1.一种基于深度代价敏感卷积网络的故障诊断方法，其特征在于，包括以下步骤：S1.采集数据集，并对数据集进行数据归一化预处理；

S2.将预处理的数据集输入至特征表示网络进行特征提取和权重分配，以获取预训练模型；

S3.将目标域数据输入至预训练模型提取特征，对提取的特征和学习到的知识标签预测和代价敏感分类：

所述标签预测(Lc)为

式中，源域数据与真实标签的分布 在集合Ds中，G(·)是参数为θg标签类别预测器，f是参数为θf特征提取器， 是期望函数，1是指数函数，T是总的类别数；

所述代价敏感分类(Lcs)为

(2)

Lcs＝Lc+λ

式中，y属于数据的真实标签，是由模型得到的预测标签，λ为超参数，M 为基于二范数的代价矩阵；

S4.对经过S3处理的特征输入基于领域对抗损失函数和距离度量损失函数的训练训练函数中，减小源域和目标域的分布差异。

2.根据权利要求1所述基于深度代价敏感卷积网络的故障诊断方法，其特征在于，所述特征表示网络包括卷积神经网络(CNN)和注意力机制网络(SENet)，卷积神经网络(CNN)进行特征提取，注意力机制网络(SENet)进行特征权重的校准分配。

3.根据权利要求1所述基于深度代价敏感卷积网络的故障诊断方法，其特征在于，所述卷积神经网络(CNN)进行特征提取步骤包括：输入一维原始信号进入一维卷积CNN层，在卷积层第l层中进行运算时，取第i个分段信号 和卷积核 之间的点积来获得卷积特征，得到CNN层的输出如下所示：式中，*是一维卷积算子， 是相应的偏差，n是核的数量，cj是卷积层的第j个输出点，Relu(·)是一个激活函数。

4.根据权利要求1所述基于深度代价敏感卷积网络的故障诊断方法，其特征在于，所述注意力机制网络(SENet)进行特征权重的校准分配的步骤包括：S21.输入经转换得到三维矩阵U，即C个大小为H×W的特征图，将U的每个特征图，利用全局平均池化进行压缩，生成数据的全局感受野，计算如下：uc表示U中第c个二维矩阵，Feq(·)为压缩操作；

S22.对压缩后的特征降维以及升维，即激励操作Fex(·)，得到原始数据的一维数列，至此为每个特征通道生成权重，计算如下：δ为Sigmoid激活函数，σ为ReLu激活函数，W1z为全连接操作，W1的维度为(C/r)×C，W2的维度为C×(C/r)，r是一个缩放参数，s表示U中C个特征图的权重；

S23.将压缩后的一维数列作为sc再与第三层Conv1d后的多个特征图进行对应通道乘积，即点积操作Fscale(·)，实现有选择增强有益特征通道并抑制无用特征通道权重的目的，操作计算如下：

5.根据权利要求1所述基于深度代价敏感卷积网络的故障诊断方法，其特征在于，所述领域对抗损失函数(Ladv)为式中， 和 分别表示源域数据和目标数据的概率分布，f是参数为θf的特征提取器，D1是参数为θd1的域鉴别器。

6.根据权利要求1所述基于深度代价敏感卷积网络的故障诊断方法，其特征在于，所述距离度量损失函数(Ldis)为式中：||·||H是再生核希尔伯特空间(RKHS)，φ(·)表示到RKHS的映射，其中和 分别为源域全连接层和目标域全连接层的概率分布，L是更高的网络sl tl

层的集合，|L|是对应集中的层数，z 表示源域生成的第l层的激活，z 表示目标域生成的第l层的激活。

7.根据权利要求1所述基于深度代价敏感卷积网络的故障诊断方法，其特征在于，所述训练函数计算如下：

Lall＝Lcs+Ladv+λdisLdis式中，λdis是总损失中的权衡参数。

8.根据权利要求1～7任一所述基于深度代价敏感卷积网络的故障诊断方法提供故障诊断框架，其特征在于，所述智能故障诊断框架包括数据采集模块、预处理模块、特征表示模块和健康状况识别模块，所述数据采集模块采集数据，送入预处理模块进行数据预处理，特征表示模块对预处理后的数据进行特征提取和权重分配，获取预训练模型，再将目标域数据通过预训练模型输入至健康状况识别模块。

9.根据权利要求8所述故障诊断框架，其特征在于，所述智能故障诊断框架还包括领域自适应模块，所述健康状况识别模块领域结合自适应模块协同推断。

10.根据权利要求9所述故障诊断框架，其特征在于，所述领域自适应模块采用随机梯度下降(Adam)优化算法来优化每个小批量的参数。