1.一种基于卷积神经网络的轴承诊断方法，其特征在于，包括：步骤S1：配置卷积神经网络；

步骤S2：获取轴承数据；

步骤S3：将所述轴承数据输入至配置好的卷积神经网络，进行轴承诊断；

步骤S4：获取轴承诊断结果，并进行输出；

其中，步骤S1：配置卷积神经网络，包括：首先是一个标准的卷积过程CBA，然后经一个multiscale层处理，再经一个Concat层处理，接着经另一个multiscale层处理，再经另一个Concat层处理，最后依次经平均池化层Averagepooling和分类层Softmax处理；

其中，第二个multiscale层中包含残差模块；

其中，标准的卷积过程CBA包括：一个卷积层Conv2D、数据的归一化BatchNormalization以及激活函数Activation；

所述方法还包括：

对所述卷积神经网络进行补充训练；

其中，对所述卷积神经网络进行补充训练，包括：获取人工进行轴承诊断的多个第一诊断事件；

获取所述第一诊断事件的诊断小组，同时，获取所述诊断小组产生对应所述第一诊断事件的诊断类型，所述诊断类型包括：主动诊断和被动诊断；

当所述诊断小组产生对应所述第一诊断事件的诊断类型为主动诊断时，获取对应所述第一诊断事件的诊断类型；

获取所述诊断类型对应的经验校验策略；

对所述诊断小组进行人员组成分析，获得多个第一诊断人；

依次遍历所述第一诊断人，每次遍历时，将遍历到的所述第一诊断人作为第二诊断人；

获取所述第二诊断人的经验信息；

基于所述经验校验策略，对所述经验信息进行校验，获取校验值；

获取所述第二诊断人对应于对应所述第一诊断事件的诊断权重；

获取所述诊断权重对应的校验阈值；

若所述校验值小于等于所述校验阈值，剔除对应所述第一诊断事件；

当所述诊断小组产生对应所述第一诊断事件的诊断类型为被动诊断时，获取对应所述诊断小组的信用信息；

将所述信用信息拆分成多个第一信用项；

获取所述第一信用项的产生时间点；

构建时间轴线，基于所述产生时间点，将所述第一信用项对应设置于所述时间轴线上；

对所述第一信用项进行特征提取，获得多个第一信用特征；

获取预设的不良信用特征库，将所述第一信用特征与所述不良信用特征库中的第一不良信用特征进行匹配，若匹配符合，将匹配符合的第一不良信用特征作为第二不良信用特征，同时，将对应所述第一信用项作为第二信用项；

获取所述第二不良信用特征对应的至少一个补充匹配信息；

依次遍历所述补充匹配信息，每次遍历时，提取遍历到的所述补充匹配信息中的补充方向、补充范围和第一待匹配特征；

确定所述时间轴线上所述第二信用项的所述补充方向上所述补充范围内的所述第一信用项，并作为第三信用项；

确定所述第三信用项对应的所述第一信用特征，并作为第二信用特征；

将所述第二信用特征与所述第一待匹配特征进行匹配，若匹配符合，将匹配符合的第一待匹配特征作为第二待匹配特征；

获取所述第二待匹配特征对应的补充不良程度值，同时，获取所述第二不良信用特征对应的不良程度值；

遍历均结束后，累加计算所述补充不良程度值和所述不良程度值，获得不良程度值和；

若所述不良程度值和大于等于预设的不良程度阈值，剔除对应所述第一诊断事件；

当需要剔除的所述第一诊断事件均剔除后，将剔除剩余的所述第一诊断事件作为第二诊断事件；

将所述第二诊断事件作为补充训练样本输入至所述卷积神经网络，进行补充训练。

2.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：

将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；

将卷积神经网络中深浅层卷积核的大小设定为1*1。

3.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：

将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；

将卷积神经网络中深浅层卷积核的大小设定为3*3。

4.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：

将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；

将卷积神经网络中深浅层卷积核的大小设定为5*5。

5.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：

将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；

将卷积神经网络中深浅层卷积核的大小设定为11*11。

6.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：

将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；

将卷积神经网络中深浅层卷积核的大小设定为17*17。

7.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：

将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；

将卷积神经网络中深浅层卷积核的大小设定为18*18。

8.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S1：配置卷积神经网络，包括：

将卷积神经网络中三个并行卷积核的大小分别设定为1*1，3*3，5*5；

将卷积神经网络中深浅层卷积核的大小设定为20*20。

9.如权利要求1所述的一种基于卷积神经网络的轴承诊断方法，其特征在于，步骤S2：获取轴承数据，包括：

以12KHz采样频率采样轴承数据。