1.一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：其包括如下步骤：S1、获取轧机轴承的振动信号和声音信号，并对不同故障状态的振动信号和声音信号进行分类存储；

S2、对声音信号进行时域到频域的傅里叶变换，得到频谱图，利用快速谱峭度法实现故障振动信号从时域到时频域的快速变换，得到峭度图；

S3、对一维卷积神经网络和二维卷积神经网络进行改进：

将一维卷积神经网络和二维卷积神经网络的传统的池化层更换成全局平均池化层，利用频谱图中的信息作为改进的一维卷积神经网络的输入，利用峭度图中的信息作为改进的二维卷积神经网络的输入；

S4、故障特征融合：

在改进的一维卷积神经网络和改进的二维卷积神经网络的特征提取层后增加一个收敛层，用于对声音信号和振动信号所提取的故障特征进行融合；

S5、对改进的一维卷积神经网络和改进的二维卷积神经网络添加Dropout层、全连接层和Soft‑max分类层并对该网络进行整体训练，具体包括以下子步骤：S51、对改进的一维卷积神经网络和改进的二维卷积神经网络进行前向传播，前向传播公式如下：其中，x为声信号的训练样本输入即改进后的一维卷积神经网络的输入，y为振动信号的训练样本输入即改进后的二维卷积神经网络的输入，l代表改进方法的层数，fConv为收敛层的输出；f1D,l‑1和f2D,L‑1分别代表改进的一维卷积神经网络和改进的二维卷积神经网络的激活函数； 表示改进的一维卷积神经网络的参数， 表示改进的二维卷积神经网络的参数；

其中，(·)表示Dropout层的激活函数， 是Dropout层的参数，fFC(·)是全连接层的输出， 代表全连接层的参数；

L

其中，O代表Soft‑max层的输出，即网络的输出；

S52、对改进的一维卷积神经网络和改进的二维卷积神经网络进反向传播，反向传播过程如下：在反向传播的过程中，利用损失函数的值迭代递减从而优化所提出的模型参数，所述损失函数的表达式如下：其中，yj表示网络的输出，y表示故障的标签，K表示分类的数目，m表示训练样本的个数，g(·)表示网络的全连接层的输出，θ表示网络的参数；

S6、以步骤S2得到的频谱图和峭度图的信息作为所提出的网络的输入，以频谱图和峭度图所对应的故障状态作为所提出的网络的输出，进行训练，训练完成后，得到轧机轧辊轴承的故障诊断模型，该故障诊断模型包括提取的声音信号的频谱图的改进后的一维卷积神经网络和提取的振动信号的峭度图的改进后的二维卷积神经网络；

S7、将步骤S6训练后的故障诊断模型的诊断结果进行对比分析，对模型的准确度进行评估。

2.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：步骤S7具体包括以下步骤：将训练后的故障诊断模型的诊断结果与实际故障模式进行对比，得出故障诊断模型的准确率；

所述轧机中轧辊轴承的故障状态包括内圈故障、外圈故障、滚动体故障和正常4种状态。

3.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：步骤S62中，训练集分别为Dataset I、Dataset II和Dataset III，Dataset I中具有140个正常状态样本，140个内圈故障样本，140个外圈故障样本和140个滚动体故障样本，共计560个样本；Dataset II中具有140个正常状态样本，100个内圈故障样本，90个外圈故障样本，80个滚动体故障样本，共计410个样本；Dataset III中具有140个正常状态样本，

80个内圈故障样本，90个外圈故障样本，100个滚动体故障样本，共计410个样本。

4.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：所述步骤S6中测试已经训练的该网络时，使用的轧辊轴承的测试集为400个。

5.根据权利要求1所述的基于非均衡数据集下的多源传感器轧机故障诊断的方法，其特征在于：步骤S1具体包括以下子步骤：S11、通过安装在轧机轧辊轴承上的加速度传感器进行采集轧机轴承的振动信号，靠近轴承的声音传感器进行采集轧机轴承的声音信号：S12、通过PC端对收集到的振动信号和声音信号进行存储，不同故障状态的故障信号和声音信号进行分类存储。