1.一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，包括如下步骤：S1：获取旋转机械不同转速工况下的振动信号；

S2：引入深度卷积生成对抗网络作为样本生成器对步骤S1获取的小样本振动信号进行数据扩充；

S3：将训练好的深度残差网络作为共享特征提取器对步骤S2扩充后的振动信号和多个源域振动信号数据集进行共享特征提取；

S4：应用多分支并联结构作为域特定特征提取器和域特定特征分类器，使用局部最大均值差异对齐每个源域和目标域的子域；

S5：根据局部均值差异度量损失的大小设置加权模块；

S6：采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断，判断故障类型；

步骤S4具体为：

B1：针对各个源域设置特定的特征空间；只考虑单个网络分支，通过LMMD进行度量的损失为：B2：对各特定特征空间的损失进行加权，通过LMMD进行度量的源域和目标域损失表示如下：其中，ωj为各源域对应的权重，Gj(·)为源特定特征提取器，通过给各源域加权可以得出重组源域和目标域的实际距离；

B3：域特定分类器通过接收域特定特征提取器的输出特征，并输出其概率分布，其分类损失为：源域数据集为：

S S1 S2 S3 SL

X＝{Z ,Z ,Z ,...Z }

Sl S

其中，Z 为X的子类，L为子类别数；

B4：对源域和目标域相同子类进行映射后的距离度量：B5：重组源域的数据集和分类损失为：

步骤S5中根据局部均值差异度量损失的大小设置加权模块，其公式为：权重分配器ω(j)本质上是一个二分类判别器，依据每个源域和目标域的分布距离来判断子域的来源：其中，源域序号j∈{1,2,3...N}，子领域序号l∈{1,2,3...L}。

2.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S1中振动信号的获取方式为：采用加速度传感器采集旋转机械的振动信号x1(t)、x2(t)、x3(t)、x4(t)。

3.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S2中深度卷积生成对抗网络样本扩充的过程为：A1：将生成信号与真实信号传入判别器，通过判别器区分真实与生成信号，即最大化目标函数V(D，G)；

A2：将生成信号打上真实标签传入训练判别器，要求生成数据能欺骗判别器，即最小化目标函数V(D，G)，V(D，G)的上升与下降形成对抗，网络通过寻找二者之间的平衡，生成更为相似的信号数据；

A3：需要优化的目标函数为：

式中：D(x)为判别器判断真实数据是否真实的概率；D[G(Z)]为判别器判断生成信号是否真实的概率；Pdata为真实样本分布；PG为向量Z的先验分布。

4.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S3中共享特征提取的方式为：深度残差网络提取特征包括三部分：局部感知、参数共享、池化。

5.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，所述步骤S6中采取损失最小，距离最近作为分类器选取准则，实现多源域联合诊断，其故障类型判断公式为：

6.根据权利要求1所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，设置对象函数优化模块，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数实现最小化分类损失和域适应损失。

7.根据权利要求6所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于，设置对象函数优化模块的方法为：网络的总损失为LMMD域适应损失和分类损失：Ltotal＝Lcls+λLLMMD

函数优化模块目标就是最小化Lcls和LLMMD，通过不断调整共享特征提取器、域特定特征提取器和域特定分类器的参数来实现整体损失的最小化，优化方式如下：其中，θF，θG，θC分别是共享特征提取器、域特定特征提取器和域特定分类器的可优化参数， 是最终得到的最优参数。

8.根据权利要求7所述的一种基于多源子域适应网络的旋转机械跨域故障诊断方法，其特征在于， 的获取方法为：使用SGD迭代法训练θF，θG，θC，通过随机梯度来逐渐逼近最优值，从而得到