1.一种基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述基于改进DANN模型的电梯曳引轮故障判断方法包括如下步骤：S1、采集电梯运行过程中的振动信号作为目标域数据并记录域分类标签，所述目标域数据包括正常样本和曳引轮故障样本；

S2、利用电梯3D运动模型模拟电梯正常运行状态和曳引轮故障运行状态，采集对应的样本数据打上分类标签作为源域数据并记录域分类标签；

S3、采用小波包分解对目标域数据和源域数据进行分解重构得到重构信号；

S4、利用马尔可夫转移矩阵提取重构信号的时频特征构建马尔可夫变迁场作为输入特征；

S5、建立改进DANN模型，所述改进DANN模型包括特征提取器、分类器、域判别器和梯度反转层，所述特征提取器分别与所述分类器和梯度反转层的输入端连接，所述梯度反转层的输出端与所述域判别器的输入端连接，其中，所述特征提取器包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、全连接层和Faltten层，所述第一卷积模块、第二卷积模块、第三卷积模块均包括依次连接的卷积层和池化层，所述域判别器包括依次连接的第四卷积模块和全连接层，所述第四卷积模块包括至少一个卷积层；

S6、利用源域数据对应的输入特征预训练改进DANN模型的特征提取器和分类器；

S7、将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，直到模型收敛，获得最终DANN模型；

S8、将待检测的振动信号输入最终DANN模型，获得故障诊断结果。

2.如权利要求1所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述小波包分解为三层小波包分解，结构式如下：其中，高通滤波系数和低通滤波系数满足式(2)的正交关系：

k

g(k)＝(‑1) h(1‑k) (2)

在不同层得到的分解信号根据式(3)和式(4)计算获得：

式中，S0,0(m)表示当前时序下分解前的原始信号，m为离散时间序列，k为时移因子，Si+1,2j(m)表示当前时序信号在第i+1层第2j个节点的分解信号，Si+1,2j+1(m)表示当前时序信号在第i+1层第2j+1个节点的分解信号，Si,j(k)表示当前时序信号在第i层第j个节点对应的分解信号，i＝0,1,2，j＝0～7，且j为偶数时，表示经过低通滤波系数g(k)分解得到的低频成分信号，j为奇数时，表示经过高通滤波系数h(k)分解得到的高频成分信号。

3.如权利要求1所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述第一卷积模块的卷积层采用3个7*7的卷积核，所述第二卷积模块的卷积层采用16个3*3的卷积核，所述第三卷积模块的卷积层采用60个3*3的卷积核。

4.如权利要求1所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，包括：S71、将输入特征x经特征提取器f＝Gf(x；θf)的映射转换为D维的特征向量，即并将源域数据对应的特征向量经分类器Gy(x；θy)的映射输出对应的分类标签预测结果，将源域数据和目标域数据对应的特征向量均经域判别器Gd(x；θd)输出对应的域分类结果，其中，θf为特征提取器的权重参数，θy为分类器的权重参数，θd为域判别器的权重参数；

S72、计算分类损失和域判别损失如式(5)所示：

式中， 为第i个样本的分类损失， 为第i个样本的域判别损失，Ly为分类损失，Ld为域判别损失，yi为第i个样本对应的分类标签，di为第i个样本对应的域分类标签；

则总损失函数如式(6)所示：

式中，n为源域数据的样本数目，n′为目标域数据的样本数目，N为样本总数，λ为梯度反转层的参数；

S73、利用梯度反转层在反向传播过程中实现梯度方向自动取反，在前向传播过程中实现恒等变换，如式(7)所示：式中， 为梯度反转层的输出特征，为梯度反转层的输入特征，I为当前梯度；

且λ值更新公式如式(9)所示：

式(9)中，λp为p阶段的λ值，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率，γ＝10。

5.如权利要求1所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，包括：S71、将输入特征x经特征提取器f＝Gf(x；θf)的映射转换为D维的特征向量，即并将源域数据对应的特征向量经分类器Gy(x；θy)的映射输出对应的分类标签预测结果，将源域数据和目标域数据对应的特征向量均经域判别器Gd(x；θd)输出对应的域分类结果，其中，θf为特征提取器的权重参数，θy为分类器的权重参数，θd为域判别器的权重参数；

S72、计算分类损失和域判别损失如式(5)所示：

式中， 为第i个样本的分类损失， 为第i个样本的域判别损失，Ly为分类损失，Ld为域判别损失，yi为第i个样本对应的分类标签，di为第i个样本对应的域分类标签；

S73、利用梯度反转层在反向传播过程中实现梯度方向自动取反，在前向传播过程中实现恒等变换，如式(7)所示：式中， 为梯度反转层的输出特征，为梯度反转层的输入特征，I为当前梯度；

则总损失函数如式(8)所示：

且λ值更新公式如式(9)所示：

式(9)中，λp为p阶段的λ值，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率，γ＝10。

6.如权利要求4或5任一所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，还包括：对学习率进行更新，如式(10)所示：

式(10)中，μ0为初始学习率，其值为0.01，μp为p阶段的学习率，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率，α和β为超参数，α＝10，β＝0.75。

7.如权利要求4或5任一所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述分类损失和域判别损失均采用最大均值差异损失函数。