1.一种基于时序特征的联邦蒸馏小样本故障诊断方法，其特征在于：所述基于时序特征的联邦蒸馏小样本故障诊断方法包括如下步骤：S1、采集电梯运行数据形成数据集，所述数据集包括正常样本和故障样本；

S2、将故障样本输入改进TimeGAN模型生成新的故障样本，并将新的故障样本存入数据集，使数据集中的故障样本与正常样本数量相等，划分数据集为训练集和测试集；

S3、建立联邦蒸馏模型，所述联邦蒸馏模型包括中央服务器和若干个客户端，并将训练集输入联邦蒸馏模型进行训练，包括：S31、利用中央服务器提取训练集中全部样本的时序特征，并分发到各客户端的本地模型θk进行训练，所述提取训练集中全部样本的时序特征通过学习改进TimeGAN模型的序列生成器Gω实现，所述时序特征包括潜在静态表征hS和t时刻的潜在时态表征ht，其中：所述序列生成器Gω满足如下目标函数：

式中，ω为生成器参数， 为输出标签y下标签真实先验分布p(y)的近似值 的经验风险， 为hs,ht输入Gω(hs,ht|y)的经验风险，Gω(hs,ht|y)为hs,ht在输出标签y下的后验概率分布，l为损失函数，σ为本地模型θk的全连接层的激活函数，g为本地模型θk的全连接层的输出函数， 为第k个客户端的本地模型的预测模块参数，k＝1,…,K，K为客户端的总数；

所述潜在静态表征hs和t时刻的潜在时态表征ht满足如下条件：式中，eS为时序静态特征的嵌入网络，eχ为时序动态特征的嵌入网络，ht‑1为t‑1时刻的潜在时态表征，s为静态特征向量，xt为t时刻的时态特征向量，HS、Hχ分别为静态特征向量空间S和时态特征向量空间χ对应的潜在向量空间；

S32、将噪声向量 引入序列生成器Gω，满足如下条件：S33、基于知识蒸馏将引入噪声向量的序列生成器发送给客户端，使各本地模型θk从序列生成器Gω中采样获得特征空间上的增强表示hs,ht～Gω(·|y)，并构建如下目标函数：其中， 为训练时 的平均损失，公式如下：

式中， 为域 的观测数据， 为采集电梯运行数据形成的原始数据集，为 与hs,ht～Gω(·|y)的经验风险，p为本地模型的预测模块，f为本地模型的特征提取模块， 为第k个客户端的本地模型的特征提取模块参数，xi为第i个输*入样本，c为真实标签函数；

S34、将本地模型的预测模块参数 进行参数共享，并保持本地模型的特征提取模块参数 本地化；

S4、将测试集输入训练好的联邦蒸馏模型进行测试，并根据故障诊断结果评估获得最终联邦蒸馏模型。

2.如权利要求1所述的基于时序特征的联邦蒸馏小样本故障诊断方法，其特征在于：所述本地模型采用CNN神经网络模型。

3.如权利要求1所述的基于时序特征的联邦蒸馏小样本故障诊断方法，其特征在于：所述损失函数l采用最大似然估计法监督损失，满足如下公式：式中， 为服从随机变量ζ及t时刻的时态特征向量xt概率分布P的期望，μt为t时刻的时态随机向量。

4.如权利要求1所述的基于时序特征的联邦蒸馏小样本故障诊断方法，其特征在于：所述标签真实先验分布p(y)的近似值 满足如下公式：式中， 为 的经验风险， 为域 的观测数据， 为采集电梯运行数据*

形成的原始数据集，I(·)为指示函数，x为输入样本，y为输出标签，c为真实标签函数。