1.一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，包括步骤如下：步骤1：采集风电齿轮箱中振动和电流信号的原始数据，通过小波包分解将原始数据变成多个时频特征矩阵；

步骤2：设计电流指导的融合模块以及频带池化模块，用于提取电流信号频带上重要的特征，并将注意力应用于振动信号频带特征；步骤2包括步骤具体如下：步骤21：设计电流指导的融合模块，以电流特征矩阵、融合特征矩阵和振动特征矩阵作为输入，增强的融合特征矩阵作为输出；

步骤22：设计频带池化模块，分别在通道维度和时间维度对输入数据使用均值池化层进行压缩，再通过Sigmoid激活函数得到代表输入数据的频带分布特征，计算公式如下：；

其中 是频带池化模块的输出，  是频带池化模块的输入信息，T是输入信息的时间维度的数值，C是输入信息通道维度的数值， 为Sigmoid激活函数；

步骤23：将电流特征矩阵输入到频带池化模块，得到代表电流的频带分布特征，与融合特征矩阵相乘在频带维度上对融合特征矩阵使用注意力重新加权，得到使用电流增强的融合特征矩阵；

步骤24：引入可随迭代次数增加训练的参数   与融合特征矩阵相乘，同时将振动特征矩阵与  相乘，将上述两者相加得到使用振动增强的融合特征矩阵；

步骤25：将电流增强的融合特征矩阵和使用振动增强的融合特征矩阵对应数值相加得到最终的增强的融合特征矩阵作为融合模块的输出；

步骤3：分别将预处理的振动和电流信号的时频特征矩阵作为输入，经过三次特征提取和特征融合得到特征空间矩阵；

步骤4：将特征空间矩阵通过分类模块并且在决策层自适应加权得到最终诊断结果，最后通过两个分类任务的损失相加共同优化模型完成训练过程。

2.根据权利要求1所述的一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，步骤1包括步骤具体如下：步骤11：将所获得的风电齿轮箱原始数据根据故障类型的数目进行打标；

步骤12：利用滑动窗口将原始数据切分成长度为M的相等的片段；

步骤13：使用“db1”小波对切分好的片段做三层小波包分解，每个片段切分成八个子频带，长度为M/8，在频带维度拼接得到多个大小为（8，M/8）的时频特征矩阵；

步骤14：采用最大最小归一化的方法对时频特征矩阵在频带维度上进行标准化处理，得到可供网络训练使用的数据集。

3.根据权利要求2所述的一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，步骤3包括步骤具体如下：步骤31：将振动和电流的时频特征矩阵分别使用包括一个二维卷积层、一个Relu激活函数以及一个最大池化层进行特征提取，得到振动特征矩阵和电流特征矩阵；

步骤32：将从步骤1得到的振动特征矩阵和电流特征矩阵作为电流指导的融合模块的输入，并且将第一次特征提取的振动特征矩阵作为第一次输入电流指导的融合模块的融合特征矩阵；

步骤33：重复步骤31和步骤32三次，即做三次特征提取和特征融合，得到振动、电流以及融合的特征空间矩阵。

4.根据权利要求3所述的一种电流引导振动特征增强的齿轮箱故障诊断方法，其特征在于，步骤4包括步骤具体如下：步骤41：将振动特征空间矩阵以及融合特征空间矩阵分别输入到包含两个全连接层，一个Relu激活函数以及一个Softmax激活函数的分类层，并且将输出在决策层自适应加权得到分类模块的主任务输出，同时也作为整个模型的输出，计算公式如下：；

；

其中 是主任务的输出，和 分别是振动特征空间矩阵以及融合特征空间矩阵在分类层的输出， 和 分别是振动特征空间矩阵以及融合特征空间矩阵在第二个全连接层的输出， 表示输出通道为2的全连接层， 是Softmax激活函数；

步骤42：将电流特征空间矩阵输入到包含两个全连接层，一个Relu激活函数以及一个Softmax激活函数的分类层，得到分类模块的辅助任务输出,同样也使用交叉熵损失函数优化训练,交叉熵损失函数的计算公式如下：；

其中M为故障类型数量， 为符号函数， 是模型对第 类故障类型的预测分数；

总损失函数表达式如下：

；

其中 是总损失， 是主任务损失， 是辅助任务损失，主任务损失和辅助任务损失相加共同优化整个训练过程。