1.一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：包括如下步骤：步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；

所述步骤S1的具体过程包括：

步骤S11，构建一维残差网络作为信号特征提取器：基于残差连接的卷积层构建的改进残差块作为特征提取器网络基础结构，结构上采用多个改进残差块连接，并在多个改进残差块之后应用全局平均池化层对特征进行进一步降维并压缩网络参数量；一维残差网络包含两个初始卷积块、四个改进残差块和一个全局平均池化层，四个改进残差块均由两层卷积层组成且每层卷积层使用SELU激活函数；

步骤S12，构建源域分类器的网络结构：采用三层全连接层对步骤S11中提取出的数据特征进行学习，三层全连接层后连接一个Softmax层，通过Softmax层分类出故障类别；

步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；

步骤S2的具体过程如下：

步骤S21，采用三层全连接层后连接一个Softmax层构建目标域分类器的网络结构；

步骤S22，根据对抗学习思想构建域鉴别器的网络结构，域鉴别器用来区分出特征提取器处理后的特征是来自源域还是目标域，域鉴别器由三层全连接层和一层Softmax层组成；

步骤S23，通过随机初始化权重的方式为域鉴别器和目标域分类器赋值权重，并将权重进行归一化处理以满足SELU激活函数的要求；

步骤S24，将步骤S14得到的特征提取器网络和源域分类器网络引入，并将S14中得的网络参数作为初始化参数；

步骤S25，获取两种不同工况的轴承振动数据，分别作为源域数据集和目标域数据集，二者归一化处理之后的数据作为训练模型的输入数据；

步骤S26，将步骤S25中得到的源域和目标域数据作为特征提取器的输入，提取出源域和目标域各自的数据特征；

步骤S27，将步骤S26中得到的源域数据特征作为源域分类器的输入，目标域数据特征作为目标域分类器的输入，利用多核最大均值差异计算源域分类器和目标域分类器输出之间的差距，基于标签分类结果，利用交叉熵损失生成第一损失函数，第一损失函数的公式如下：其中， 为交叉熵分类损失函数，Gf为特征提取器表示函数，Gy为分类器表示函数，xi为第i个样本，yi为xi对应的类别标签，ns为源域总样本数量；

基于得到领域分类结果，利用交叉熵损失生成第二损失函数，第二损失函数的公式如下：其中， 为域分类器的交叉熵损失函数，D为域鉴别器表示函数，nt为目标域总样本数量，di为xi对应的领域标签且di＝0 or 1；

将步骤S26中得到的源域数据特征和目标域数据特征作为域鉴别器的输入，并根据全连接层中的MK‑MMD损失生成第三损失函数，第三损失函数公式如下：其中， 是源域第i个样本的高级特征， 是源域第j个样本的高级特征， 是目标域第i个样本的高级特征， 是目标域第j个样本的高级特征，K(.，.)为高斯核函数；

步骤S28，将步骤S27中得到的第一损失函数、第二损失函数、第三损失函数根据相应的权重构建基于残差联合自适应网络的无监督模型的总体损失函数，总体损失函数如下：其中，θf,θy,θd和 分别代表特征提取器、分类器、域鉴别器和MK‑MMD的参数，系数μ为动态加权系数，通过计算域和类别之间的MK‑MMD距离得到一个动态加权系数μ，动态加权系数μ将MK‑MMD距离与多个对抗领域损失定量和定性地结合在一起，形成一个联合分布距离动态更新权重系数；

步骤S29，重复步骤S25‑S28并根据相应损失函数不断通过反向传播调整特征提取器、分类器和域鉴别器的模型参数，在达到最大训练次数或在训练次数范围内损失函数到预设值时停止训练，得到优化后的基于自适应残差对抗网络的无监督模型；

步骤S3、基于目标轴承振动实测值进行轴承故障诊断。

2.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S1的具体过程还包括如下：步骤S13，获取带标签的轴承振动信号构建源域数据集，归一化处理之后的数据作为训练模型的输入数据；

步骤S14，将步骤S13中得到的源域数据作为模型的输入数据，输入到步骤S11和步骤S12中生成的特征提取器和源域分类器网络中，源域数据作为特征提取器的输入，特征提取器的输出作为源域分类器的输入，不断通过反向传播调整特征提取器及源域分类器模型参数，在达到最大训练次数或在训练次数范围内分类器损失函数到预设值时停止训练，得到预训练好的特征提取器和源域分类器。

3.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S11中SELU激活函数如下：其中α,λ为常数。

4.根据权利要求1所述的一种基于自适应残差对抗网络的无监督轴承故障诊断方法，其特征在于：所述步骤S3的具体过程如下：步骤S31，获取与步骤S25中目标域相同工况下产生的轴承振动数据并进行归一化处理，归一化处理后的数据作为基于自适应残差对抗网络的无监督模型的输入，根据网络的输出结构判断故障的类型，对比真实故障标签判断是否迁移诊断成功；

步骤S32，重复步骤S31并记录每次诊断的故障是否正确，重复足够次数后计算迁移诊断的准确率。