1.一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：包括以下步骤：S1，采集不同运行工况下的不同故障状态的滚动轴承的振动时域信号，并把对采集到的时域信号进行滤波处理去除所述时域信号中的噪声，对去噪后的时域信号进行小波变换，获得与时域信号对应的二维时频图；

已知运行工况下采集的已知故障状态的滚动轴承的时域信号构成源域，其他运行工况下采集的未知故障状态的滚动轴承的振动时域信号构成目标域；

S2，构建Coral‑MMD多层复合域适配的标签一致稀疏分类网络；所述Coral‑MMD多层复合域适配的标签一致稀疏分类网络包括深度特征提取模块、域分布差异模块和标签一致稀疏分类模块；

S3，将S1中得到的已知故障状态的源域数据和一部分未知故障状态的目标域数据作为输入，将源域数据中每个二维时频图对应的故障状态作为标签一致稀疏分类模块的期望输出，通过每个二维时频图对应的故障状态标签及预测标签确定状态分类损失值以及分类精度；

通过计算源域和目标域的特征的分布均值的最大差异及特征协方差之间的距离确定域分类损失值；

通过所述状态分类损失值和域分类损失值对S2中构建的Coral‑MMD多层复合域适配的标签一致稀疏分类网络参数进行多次迭代调整，从而得到训练好的Coral‑MMD多层复合域差异标签一致稀疏分类网络模型；

S4，将S1中得到的目标域中其余数据输入到训练好的Coral‑MMD多层复合域适配的标签一致稀疏分类网络，由所述标签一致稀疏分类模块得到所述输入数据对应的状态标签，实现不同工况下滚动轴承故障诊断。

2.根据权利要求1所述的一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：步骤2中，所述深度特征提取模块用于对源域和目标域的二维时频图进行特征提取，所述域分布差异模块用于衡量提取到的源域和目标域的特征的分布均值的最大差异以及特征协方差之间的距离；

所述标签一致稀疏分类模块用于对提取到的源域的特征学习一个具有稀疏判别能力的字典和一个线性分类器，对提取到的源域和目标域的特征进行分类。

3.根据权利要求2所述的一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：所述深度特征提取模块采用自定义的多层卷积残差块：包括第一卷积模块、第二卷积模块、第一池化层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、第二池化层；

所述第一卷积模块和所述第二卷积模块均包括一个卷积层、一个BN层、一个ReLu层；所述卷积层的输出通道数为64，卷积核为3*3，步长为1；

所述第一卷积模块和第二卷积模块的输出计算如下：

其中，y表示经过卷积层操作后的特征张量，f表示非线性激活函数，x表示输入特征张量，W表示卷积核的权重，B表示偏置系数；

所述第一池化层为3*3的最大池化层，所述第一池化层步长为2；

所述第一残差模块包括3个输出通道数为64的残差块；所述第二残差模块包括6个输出通道数为128的残差块；所述第三残差模块包括6个输出通道数为256的残差块；所述第四残差模块包括3个输出通道数为512的残差块；

其中，每个残差块由带有自身映射的一个1*1的卷积层、一个3*3的卷积层和一个1*1的卷积层构成；经过第i个残差块后输出的特征表示为：Xi+1＝Hi(Xi)+Xi

其中，Xi表示第i个残差块的输入特征，Xi+1表示第i个残差块的输出特征，Hi为第i层特征提取的复合函数，包括BN、Relu、1*1Conv2d，3*3Conv2d；

所述第二池化层为平均值池化层。

4.根据权利要求2所述的一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：所述域分布差异模块采用Coral和MMD的复合域差异损失；

所述复合域差异损失的计算公式如下：

Loss＝α*losscoral+β*lossMMD

其中，losscoral表示Coral距离损失，lossMMD表示MMD距离损失，α和β分别表示两个距离损失的权重系数；Coral距离损失losscoral的计算公式为：其中，Ds和Dt分别表示源域和目标域数据；ns和nt分别表示源域和目标域样本数量；Cs和Ct分别表示源域和目标域的数据协方差矩阵； 表示Frobenius范数，d表示样本特征空间维度数；

MMD距离损失lossMMD的计算公式为：

其中， 和 分别表示第i层输出的第j个源域特征和第k个目标域特征；φ(·)表示映射函数；||·||H表示再生希尔伯特空间范数。

5.根据权利要求2所述的一种基于多层复合域适配的稀疏分类的轴承故障诊断方法，其特征在于：所述标签一致稀疏分类模块，通过学习得到一个带有组合判别和重建标准的字典以及一个最优的多类线性分类器；将特征提取模块得到的特征及其对应的类别标签作为所述标签一致稀疏分类模块的输入进行学习，进而得到一个稀疏判别字典和一个线性分类器，用于对输入数据进行分类识别。