1.一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，包括以下步骤：

步骤一：根据机械设备在某一恒定工况下的振动信号，利用连续小波变换的方法获取振动信号时频图，制作源域数据集；

步骤二：构建双通道双输入的并行网络，其中上下层网络分别采用Inception‑Resnet‑v2和长短时记忆神经网络，通过上层网络提取振动信号时频图二维特征，通过下层网络提取原始振动信号时序特征；

步骤三：引入注意力机制，分配特征权重；

上层Inception‑Resnet‑v2网络采用卷积注意力模块；下层长短时记忆神经网络采用自注意力机制；

步骤四：融合上述并行网络提取的特征，通过分类层完成故障分类识别，完成并行网络预训练；

步骤五：采集不同工况下的设备振动信号，并利用连续小波变换的方法获取振动信号时频图，制作目标域数据集；

步骤六：通过迁移学习的方法，冻结预训练模型卷积层参数，以少量目标域带标签数据对预训练模型进行参数微调，完成小样本、变工况故障诊断模型训练。

2.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤一中，通过传感器采集到的设备振动信号数据和转换获取的二维时频图同时保存为源域数据集，分别作为并行网络两个通道的输入。

3.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤二中，通过Inception‑Resnet‑v2提取振动信号时频图二维特征，该网络由多个Incepion‑Resnet模块、Stem模块、Reduction模块、Dropout层和下采样层组成；

其卷积层包含了多个通道，每个通道由不同尺度和深度的卷积核组成，通过残差结构和张量连接，兼顾网络宽度和深度；

为加快网络训练速度，以IMAGE数据集训练的Inception‑Resnet‑v2网络参数为初始参数。

4.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤三中，在并行网络上层引入卷积注意力模块实现特征权重分配，上层网络Inception‑Resnet‑v2所提取的特征图先通过该模块的通道注意力模块计算通道注意力权重，特征图与通道注意力权重相乘作为空间注意力模块输入求取空间注意力权重，最后空间注意力权重与空间注意力模块相乘得到权重分配后的输出特征图。

5.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤三中，在并行网络下层引入自注意力机制，该机制将输入特征扩展到三个特征矩阵，分别为查询、键和值，计算查询和键的相关性获取权重，通过Softmax函数进行归一化，最后与值矩阵加权求和得到输出特征。

6.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤四中，通过源域预训练集完成模型预训练，再以测试集验证网络是否产生过拟合现象和网络故障诊断是否准确，若满足条件则保存网络参数，否则返回模型训练过程，继续调整网络。

7.如权利要求1所述的一种基于并行网络和迁移学习的机械设备故障诊断方法，其特征在于，步骤六中，通过参数迁移和微调的方法完成机械设备变工况下的诊断模型训练，将少量带标签的目标域数据输入到预训练并行网络模型中，输出分类状态，根据网络输出和理想输出计算分类损失，并反向传播更新网络参数，完成变工况故障诊断模型。