1.基于一维卷积神经网络的轴承故障诊断方法，其特征在于，包括：步骤1：采集轴承故障数据；

步骤2：对轴承故障数据进行划分，获得训练集、验证集和测试集；

步骤3：设置第一一维卷积神经网络；

步骤4：根据训练集对第一一维卷积神经网络进行模型训练；

步骤5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；

步骤6：将测试集输入轴承故障诊断模型，获得轴承故障诊断结果；

步骤1：采集轴承故障数据，包括：

基于大数据，获取多个第一轴承故障记录；

对第一轴承故障记录进行筛选，获得轴承故障数据；

其中，对第一轴承故障记录进行筛选，获得轴承故障数据，包括：获取第一轴承故障记录中的第一轴承的第一轴承参数；

获取需要进行轴承故障诊断的第二轴承的第二轴承参数；

获取第一轴承参数和第二轴承参数的匹配程度；

若匹配程度大于等于预设的第三阈值，将对应第一轴承故障记录作为第二轴承故障记录；

获取第二轴承故障记录的记录类型；所述记录类型包括：机器记录和人工记录；

若记录类型为机器记录，则将对应第二轴承故障记录作为第三轴承故障记录；

获取第三轴承故障记录的第一可用值；

若第一可用值大于等于预设的第四阈值，将对应第三轴承故障记录作为第四轴承故障记录；

若记录类型为人工记录，则将对应第二轴承故障记录作为第五轴承故障记录；

获取第五轴承故障记录的第二可用值；

若第二可用值大于等于预设的第五阈值，将对应第五轴承故障记录作为第六轴承故障记录；

整合第四轴承故障记录和第六轴承故障记录并进行轴承原始振动信号的提取，获得轴承故障数据。

2.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，步骤

2：对轴承故障数据进行划分，获得训练集、验证集和测试集，包括：将轴承故障数据进行随机打乱，获得待划分数据；

划分待划分数据，获得训练集、验证集和测试集。

3.如权利要求2所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，划分待划分数据，获得训练集、验证集和测试集，包括：根据预设的第一数据划分比例划分待划分数据，获取训练集；

根据预设的第二数据划分比例划分待划分数据，获取验证集；

根据预设的第三数据划分比例划分待划分数据，获取测试集。

4.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，步骤

3：设置第一一维卷积神经网络，包括：用全局平均池化层代替预设的CNN网络模型的全连接层，同时，用预设的非线性SVM代替CNN网络模型中的Softmax分类器。

5.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，步骤

5：根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型，包括：根据验证集，对第一一维卷积神经网络进行迭代；

根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型。

6.如权利要求5所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，根据迭代结果，确定训练至收敛的第一一维卷积神经网络，并作为轴承故障诊断模型，包括：步骤501：实时解析迭代结果，获取当前正在进行迭代的第一一维卷积神经网络，并作为第二一维卷积神经网络；

步骤502：根据验证集，获取一次迭代完成后的第二一维卷积神经网络的损失误差和准确率；

步骤503：当迭代次数达到预设的第一阈值时，判断是否存在至少一个第二一维卷积神经网络的损失误差和准确率达到预设的第二阈值；

步骤504：若是，将第二一维卷积神经网络作为第三一维卷积神经网络；

步骤505：基于预设的最优模型判断规则，根据第三一维卷积神经网络的损失误差和准确率，确定第三一维卷积神经网络中性能最优的第三一维卷积神经网络，并作为轴承故障诊断模型；

步骤506：若否，则继续迭代第一一维卷积神经网络，重复步骤501至步骤505，直至获得轴承故障诊断模型。

7.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，获取第三轴承故障记录的第一可用值，包括：获取第三轴承故障记录的机器诊断模型；

解析机器诊断模型，获取机器诊断模型的诊断参数；

根据诊断参数的参数类型的不同，获取诊断依据表征向量；

根据诊断依据表征向量对应表征的不同的依据类型，获取诊断参数的全面值；

根据每一参数类型的诊断参数，获取规范表征向量；

根据规范表征向量，获取诊断参数的规范值；

赋予全面值预设的第一权重值，获得第一加和值，并与对应第三轴承故障记录关联；

赋予规范值预设的第二权重值，获得第二加和值，并与对应第三轴承故障记录关联；

累加计算第三轴承故障记录关联的第一加和值和第二加和值，获得第一可用值。

8.如权利要求1所述的基于一维卷积神经网络的轴承故障诊断方法，其特征在于，获取第五轴承故障记录的第二可用值，包括：确定第五轴承故障记录的记录人员；

获取记录人员的历史故障报告记录；

获取历史故障报告记录的及时性检验方案；

根据及时性检验方案，对历史故障报告记录进行及时性检验，获得历史故障报告记录的报告及时值；

若报告及时值大于等于预设的第六阈值，将对应报告及时值作为第三加和值，并与对应记录人员关联；

若报告及时值小于第六阈值，对历史故障报告记录进行记录拆分，获得第一记录项；

获取第一记录项的记录项属性；

根据记录项属性，确定第一记录项中进行不及时原因陈述的第二记录项；

提取第二记录项的记录语义；

将记录语义输入预设的合理性陈述判定模型，获取合理值；

查询预设的合理值‑更新系数库，确定对应报告及时值的更新系数；

根据更新系数对相应报告及时值进行更新，获得第四加和值，并与对应记录人员关联；

累加记录人员关联的第三加和值和第四加和值，获得记录人员对应的第五轴承故障记录的第二可用值。

9.基于一维卷积神经网络的轴承故障诊断系统，其特征在于，包括：数据采集子系统，用于采集轴承故障数据；

数据划分子系统，用于对轴承故障数据进行划分，获得训练集、验证集和测试集；

网络设置子系统，用于设置第一一维卷积神经网络；

模型训练子系统，用于根据训练集对第一一维卷积神经网络进行模型训练；

模型获取子系统，用于根据验证集，判断第一一维卷积神经网络是否训练至收敛，若是，将第一一维卷积神经网络作为轴承故障诊断模型；

诊断子系统，用于将测试集输入轴承故障诊断模型，获得轴承故障诊断结果；

数据采集子系统执行如下操作：

基于大数据，获取多个第一轴承故障记录；

对第一轴承故障记录进行筛选，获得轴承故障数据；

其中，对第一轴承故障记录进行筛选，获得轴承故障数据，包括：获取第一轴承故障记录中的第一轴承的第一轴承参数；

获取需要进行轴承故障诊断的第二轴承的第二轴承参数；

获取第一轴承参数和第二轴承参数的匹配程度；

若匹配程度大于等于预设的第三阈值，将对应第一轴承故障记录作为第二轴承故障记录；

获取第二轴承故障记录的记录类型；所述记录类型包括：机器记录和人工记录；

若记录类型为机器记录，则将对应第二轴承故障记录作为第三轴承故障记录；

获取第三轴承故障记录的第一可用值；

若第一可用值大于等于预设的第四阈值，将对应第三轴承故障记录作为第四轴承故障记录；

若记录类型为人工记录，则将对应第二轴承故障记录作为第五轴承故障记录；

获取第五轴承故障记录的第二可用值；

若第二可用值大于等于预设的第五阈值，将对应第五轴承故障记录作为第六轴承故障记录；

整合第四轴承故障记录和第六轴承故障记录并进行轴承原始振动信号的提取，获得轴承故障数据。