1.一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法，其特征在于：采集旋转机械关键部件的振动信号，并利用深度神经网络对所述旋转机械关键部件的振动信号进行特征提取，得到轴承健康状态的特征；

将轴承健康状态的特征向量f和类别预测向量g进行多线性映射融合，并进行动态多特征对抗迁移诊断训练；所述进行动态多特征对抗迁移诊断训练的过程是通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化；所述总损失函数包括标签分类器损失函数、动态鉴别损失和MMD损失，所述动态鉴别损失中设有动态对抗因子η；

优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集，输出目标域装备健康状态。

2.根据权利要求1所述的变工况下旋转机械迁移诊断方法，其特征在于，所述多线性映射融合采用如下公式：其中：Z(h)为融合后的特征，Z表示融合操作，df表示特征向量f的维数，dg表示特征向量g的维数， d表示融合后的维数，Rf表示特征向量f引入的随机项，Rg表示特征向量g引入的随机项， 表示拼接操作， 表示多线性映射，⊙表示维数超过

4096时的融合操作。

3.根据权利要求1所述的变工况下旋转机械迁移诊断方法，其特征在于，所述总损失函数满足下式：L(θ)＝Ly‑λ((1‑η)Lg+ηLl)+LMMD

其中，Ly表示标签分类损失，Lg表示全局对抗损失，LMMD表示MMD损失，Ll表示局部对抗损失，λ为平衡系数，θ为训练的模型参数。

4.根据权利要求3所述的变工况下旋转机械迁移诊断方法，其特征在于，所述标签分类损失满足下式：其中， 是数据样本xi属于c类子判别器的概率，Gy为分类器，Gf为特征提取器，C为子判别器的个数，ns表示源域训练样本数，Ds表示源域数据集。

5.根据权利要求3所述的变工况下旋转机械迁移诊断方法，其特征在于，所述全局对抗损失满足下式：其中，ns表示源域训练样本数，nt表示目标域训练样本数，xi表示数据样本，Ds表示源域数据集，Dt表示目标域数据集，Ld是全局域鉴别损失，di表示全局域标签，Gd(Z(h))为全局域鉴别器输入融合后的特征Z(h)的输出。

6.根据权利要求3所述的变工况下旋转机械迁移诊断方法，其特征在于，所述局部对抗损失满足下式：其中， 分别为c类子判别器及其对应的交叉熵损失函数， 是数据样本xi在c类子判别器中的预测概率分布，ns表示源域训练样本数，nt表示目标域训练样本数，xi表示数据样本，Ds表示源域数据集，Dt表示目标域数据集，C为子判别器的个数，di表示全局域标签，Z(h)表示融合后的特征。

7.根据权利要求3所述的变工况下旋转机械迁移诊断方法，其特征在于，所述MMD损失满足下式：其中，f表示核函数， 表示源域数据样本， 表示目标域数据样本，ns表示源域训练样本数，nt表示目标域训练样本数。

8.根据权利要求1所述的变工况下旋转机械迁移诊断方法，其特征在于，所述动态对抗因子满足如下公式：其中，dA,g表示全局A距离，dA,l表示局部A距离，Ds表示源域数据集，Dt表示目标域数据集， 和 分别代表源域的c类训练样本集和目标域的c类训练样本集，C为子判别器的个数。

9.根据权利要求1所述的变工况下旋转机械迁移诊断方法，其特征在于，所述旋转机械关键部件包括轴承、齿轮或转子。

10.根据权利要求1所述的变工况下旋转机械迁移诊断方法，其特征在于，所述深度神经网络利用一维卷积神经网络构建，包括3个卷积层、3个池化层、1个平铺层、非线性激活函数、3个全连接层和1个分类层。