1.一种基于嵌入式融合‑收缩堆栈降噪自编器特征的故障诊断方法，其特征在于，包括如下步骤：S1：对采集到的旋转机械振动信号进行预处理，形成时域信号、频域信号和时频信号；

S2：通过FAE网络将时域信号、频域信号和时频信号进行两两融合获取到融合数据集；

S3：通过构建好的CSDAE网络对FAE网络融合的信号进行深度自编码；

S4：将FAE网络融合的信号作为CSDAE网络输入形成F‑CSDAE网络，在F‑CSDAE网络的隐藏层中，加入步骤S2获取的原始融合信号，重新定义EF‑CSDAE网络隐藏层数据，并将EF‑CSDAE网络末端隐藏层输入softmax分类器完成故障识别；

所述步骤S3中CSDAE网络的构建方法为：

在SDAE的基础上，对其损失函数加入雅各比惩罚项Lj，构成CSDAE网络结构；CSDAE网络中的损失函数公式如下所示：其中，δLJ(x)为雅各比矩阵，雅各比为特征值对原始信号的一阶导， 为噪声信号i重构值，x为加噪前信号值；

所述步骤S3的CSDAE网络中通过BGD算法最小化CSDAE目标函数，通过BGD算法计算目标函数的梯度信息，具体推导公式如下：(i)

其中，J(x )为雅可比矩阵，雅可比为特征值对输入的一阶导；

(i)

雅可比矩阵J(x )的表达式如下：

加入雅各比惩罚矩阵系数δ，迭代更新的权重偏置值如下所示：其中，γ用于控制每次迭代的步长，δ为雅各比惩罚矩阵系数；

所述步骤S3中深度自编码的实现方式为：

通过将多个AE编码器进行堆叠，构建深度自编码器，并通过随机梯度下降或者批量梯度下降法求解深度自编码器损失函数；

所述步骤S4中EF‑CSDAE网络的构建过程为：在F‑CSDAE的隐藏层中嵌入原始时频融合信号的网络隐藏层的特征映射公式如下：T

其中 代表了原隐藏层值与输入信号的数据关联关系，G 为当前层映射至下一层的变换矩阵；因此，网络下一隐藏层的值可由如下公式定义：其中Wh与b为原始网络的权重以及偏置矩阵，f为sigmod函数；

定义嵌入式单元的损失函数，其损失函数公式为：在上述嵌入式单元影响下，模型中EF‑CSDAE的损失函数可更新为：在网络提取的低维特征层加入softmax分类器，其求解函数为：其中，xlast为EF‑CSDAE所提取的最后一层隐藏层特征值，Si为特征经softmax分类器的分类结果。

2.根据权利要求1所述的一种基于融合‑收缩堆栈降噪自编器特征的故障诊断方法，其特征在于，所述步骤S2中FAE网络的融合方式为：通过基于AE的编码解码网络，将长度相同的多个特征按序列进行融合，得到长度与输入特征相同的FAE中间隐藏值也即提取的时频融合特征。

3.根据权利要求1所述的一种基于融合‑收缩堆栈降噪自编器特征的故障诊断方法，其特征在于，所述步骤S2中FAE网络中包括特征融合公式、FAE网络的输出层重构公式以及FAE网络的损失函数，分别如下：FAE网络中对两种输入特征的融合公式为：

xF＝σ[(Wtimextime+btime),(Wfrexfre+bfre)]其中，Wtime，btime分别为时域数据输入层的权值矩阵与偏置矩阵，xtime为时域特征输入层值，Wfre，bfre分别为频域数据输入层的权值矩阵与偏置矩阵，xfre为频域特征输入层值，σ为sigmod激活函数，xF为时域特征与频域特征融合后值；

FAE网络的输出层重构公式为：

xtimeout＝tanh(WtimeoutxF+btimeout)xfreout＝tanh(WfreoutxF+bfreout)其中，Wtimeout，btimeout分别为时域数据输出层的权值矩阵与偏置矩阵，xF为中间层值，Wfreout，bfreout分别为频域数据输出层的权值矩阵与偏置矩阵，xtimeout与xfreout分别为时域输入与频域输入的重构信号；

FAE融合网络的损失函数为：

L＝L[(xtime,xtimeout),(xfre,xfreout)]该损失函数用于最小化时域输入与时域输出，频域输入与频域输出的重构误差。