1.一种基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，该方法包括以下步骤：S1，采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩；

S2，使用改进的卷积块注意力模块再进行深层次的多传感器特征提取；

S3，再经过改进的卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征；

S4，将多传感器融合特征输入标签分类器获得故障诊断结果。

2.根据权利要求1所述的基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，在步骤S1中，采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩具体包括以下步骤：(1)通过试验台实验获取不同工况下不同健康状态的轴承振动信号；

(2)对所取得的多传感器轴承振动信号进行对齐等长度采样，构造具有标签的源域数据集以及无标签目标域数据集；

(3)利用时域信号作为基于改进的CABM的多通道特征融合的跨域机械故障模型的输入，时域信号数据以行优先原则进行排列为方阵。

3.根据权利要求2所述的基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，在步骤(1)试验台获取不同工况下不同健康状态的轴承振动信号中，采样频率为12800HZ；

在步骤(2)中，不对目标域数据生成标签集实现无标签目标域数据集。

4.根据权利要求1所述的基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，在步骤S2中，使用改进的卷积块注意力模块再进行深层次的多传感器特征提取中，利用多通道的卷积神经网络、全连接层以及卷积块注意力模块构造多传感器特征提取器进行多传感器特征提取；

所述使用改进的卷积块注意力模块再进行深层次的多传感器特征提取多传感器特征提取通过卷积神经网络的局部感受野特点进行信号空间的特征提取，获取信号空间特征；

经过卷积神经网络提取的特征转化为一维数据输入全连接层进行处理有助于获得时间序列信号的相关特征；最后由改进的卷积块注意力模块对信号特征进行深度提取和融合。

5.根据权利要求1所述的基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，在步骤S3中，获得多传感器融合特征包括以下步骤：

1)通过利用标签分类器对多传感器特征进行健康状态分类，利用交叉熵损失衡量源域与目标域故障诊断性能；交叉熵损失函数如下：其中， 为指标函数， 为预测分布的第k个值，k为健康类别个数；

2)通过多通道对不同传感器特征进行并行提取以获得多传感器融合特征，采用特征提取模块顺序为卷积神经网络、全连接层神经网络、以及最终的改进的CBAM多传感器特征融合模块；

其中，σ是sigomid激活函数，W是全连接神经网络的权重，f^(n×n)是卷积核大小为n×n的卷积操作。

6.根据权利要求1所述的基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，在步骤S4将多传感器融合特征输入标签分类器获得故障诊断结果中，多传感器融合特征提取完成后采用瓦瑟斯坦差异对跨域特征进行全局特征对齐，并联合采用域适应机制实现跨域信号特征迁移学习。

7.根据权利要求6所述的基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，采用瓦瑟斯坦差异对跨域特征进行全局特征对齐，并联合采用域适应机制实现跨域信号特征迁移学习包括以下步骤：(i)利用域对抗机制对不同域特征进行对齐：

(ii)利用域差异衡量块对域不变特征进行学习，对不同设备健康状况的多传感器特征进行对齐，缓解域差异并输出对齐损失，如下式所示：其中， 是特征提取器的输出；

(iii)将式(1)、式(3)和式(4)组合得到总的损失函数如下：L(θF，θC，θD)＝γLC+βLwd+λLD

式中，γ、α和β表示平衡损失LC、Lwd和LD的权衡参数；

(iv)测试过程：将目标域的测试数据输入基于CABM的多通道特征融合的跨域机械故障模型并输出分类结果。

8.一种试验台，用于实施权利要求1‑7任意一项所述基于改进的CABM的多通道特征融合的跨域机械故障诊断方法，其特征在于，所述试验台包括电机，传动轴，轴承基座，加载装置，以及行星齿轮箱；所述试验台对不同健康状态的轴承在不同工况下进行振动信号和声学信号的采集并进行智能故障诊断。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1‑7任意一项所述基于改进的CABM的多通道特征融合的跨域机械故障诊断方法。

10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1‑7任意一项所述基于改进的CABM的多通道特征融合的跨域机械故障诊断方法。