1.一种齿轮箱的小样本故障分类方法，其特征在于，包括以下步骤：步骤S1，采集不同故障类型的齿轮箱振动信号数据X，对所述齿轮箱振动信号数据X进行预处理，得到数据集 ；

步骤S2，获取DCGAN的网络结构，将自注意力机制引入DCGAN的网络结构，将改进后的DCGAN记为SA‑DCGAN，所述SA‑DCGAN包括生成器和判别器；

步骤S3，使用数据集 训练所述SA‑DCGAN，并将噪声向量输入训练后的SA‑DCGAN，输出若干个不同故障类型的样本Y，所述样本Y构成样本数据集 ；

步骤S4，构建密集卷积网络模型，其中，密集卷积网络模型的网络结构包括若干个卷积层，每个卷积层后均设有一个密集块，同时第一密集块后设有过渡层，最后一个密集块后设有全局池化和分类层，使用样本数据集 预训练所述密集卷积网络模型，将预训练后的密集卷积网络模型作为源域模型；

步骤S5，构建目标域模型，将所述源域模型的参数迁移至所述目标域模型，并使用齿轮箱振动信号数据X对所述目标域模型进行微调，将微调后的目标域模型作为故障分类模型；

步骤S6，将需要诊断故障类别的齿轮箱振动信号输入所述故障分类模型，得到对应的齿轮箱小样本故障分类结果；

其中，步骤S2中，将自注意力机制引入DCGAN的网络结构的方法包括：在生成器的第四个反卷积层和判别器的第四个卷积层之后均嵌入自注意力模块，所述自注意力模块用于学习全局特征信息，其中，所述自注意力模块学习全局特征信息的方法包括：将经过DCGAN卷积层或反卷积层的噪声向量序列拆分为查询矩阵Q、键矩阵K以及值矩阵V；

计算查询矩阵Q与键矩阵K的内积，对计算得到的内积进行缩放，得到值的权重 ；

将值的权重 与值矩阵V相乘，得到噪声向量序列之间的特征信息；

其中，步骤S5中，使用齿轮箱振动信号数据X对所述目标域模型进行微调的方法包括：将所述齿轮箱振动信号数据X分别输入初始卷积层，生成真实样本特征；

将所述真实样本特征输入第一密集块，提取出初级特征；

将所述初级特征输入过渡层进行压缩，将压缩后的初级特征输入后续的密集块，直到输入最后的密集块，提取出高级抽象特征；

将所述高级抽象特征经过全局池化和分类层后，输出每个齿轮箱振动信号数据X对应的故障类型。

2.如权利要求1所述的一种齿轮箱的小样本故障分类方法，其特征在于，步骤S4中，使用样本数据集 预训练所述密集卷积网络模型的方法包括：将所述样本数据集 中的样本Y分别输入初始卷积层，生成样本特征；

将所述样本特征输入第一密集块，提取出初级特征；

将所述初级特征输入过渡层进行压缩，将压缩后的初级特征输入后续的密集块，直到输入最后的密集块，提取出高级抽象特征；

将所述高级抽象特征经过全局池化和分类层后，输出每个样本Y对应的故障类型。

3.如权利要求1所述的一种齿轮箱的小样本故障分类方法，其特征在于，步骤S5中，将源域模型的参数迁移至所述目标域模型的方法包括：将所述源域模型的参数直接作为所述目标域模型的参数。

4.如权利要求1至3任一项所述的一种齿轮箱的小样本故障分类方法，其特征在于，步骤S1中，对所述齿轮箱振动信号数据X进行预处理得到数据集 的方法包括：通过短时傅里叶变换方法将所述齿轮箱振动信号数据X转换为二维时频图像数据；

对所述二维时频图像数据进行平滑处理以及滤波处理；

对处理后的二维时频图像数据进行几何变换操作，得到扩充后的图像数据；

所述扩充后的图像数据和所述二维时频图像数据构成数据集 。

5.一种齿轮箱的小样本故障分类系统，其特征在于，包括：信号采集模块，用于采集不同故障类型的齿轮箱振动信号数据X；

预处理模块，用于对所述齿轮箱振动信号数据X进行预处理，得到数据集 ；

样本生成模块，用于获取DCGAN的网络结构，将自注意力机制引入DCGAN的网络结构，将改进后的DCGAN记为SA‑DCGAN，所述SA‑DCGAN包括生成器和判别器，使用数据集 训练所述SA‑DCGAN，并将噪声向量输入训练后的SA‑DCGAN，输出若干个不同故障类型的样本Y，所述样本Y构成样本数据集 ；

模型构建模块，用于构建密集卷积网络模型，使用样本数据集 预训练所述密集卷积网络模型，将预训练后的密集卷积网络模型作为源域模型，构建目标域模型，将所述源域模型的参数迁移至所述目标域模型，并使用齿轮箱振动信号数据X对所述目标域模型进行微调，将微调后的目标域模型作为故障分类模型；

故障分类模块，用于将需要诊断故障类别的齿轮箱振动信号输入所述故障分类模型，得到对应的齿轮箱小样本故障分类结果；

其中，样本生成模块还用于执行以下步骤：

在生成器的第四个反卷积层和判别器的第四个卷积层之后均嵌入自注意力模块，所述自注意力模块用于学习全局特征信息，其中，所述自注意力模块学习全局特征信息的方法包括：将经过DCGAN卷积层或反卷积层的噪声向量序列拆分为查询矩阵Q、键矩阵K以及值矩阵V；

计算查询矩阵Q与键矩阵K的内积，对计算得到的内积进行缩放，得到值的权重 ；

将值的权重 与值矩阵V相乘，得到噪声向量序列之间的特征信息；

其中，模型构建模块还用于执行以下步骤：

将所述齿轮箱振动信号数据X分别输入初始卷积层，生成真实样本特征；

将所述真实样本特征输入第一密集块，提取出初级特征；

将所述初级特征输入过渡层进行压缩，将压缩后的初级特征输入后续的密集块，直到输入最后的密集块，提取出高级抽象特征；

将所述高级抽象特征经过全局池化和分类层后，输出每个齿轮箱振动信号数据X对应的故障类型。