1.一种基于元迁移学习的变工况轴承故障诊断方法，其特征在于包括如下步骤：S1：利用传感器采集不同运行状态下轴承的原始振动信号，利用滑动窗口将信号进行等长截断，对分段后的信号进行快速傅里叶变换，得到振动信号的频谱；

S2：将数据集按照不同工况划分为源域、目标域，其中源域与目标域均包含支撑集与查询集；

S3：将元学习方法与迁移学习方法进行结合，构建基于元迁移学习的关系网络‑深度子领域自适应RN‑DSAN模型；

S4：将源域数据与目标域数据输入RN‑DSAN模型中，将关系网络所得分类损失与LMMD模块所得LMMD损失之和作为模型总的损失函数值，利用反向传播算法进行迭代训练，获取模型参数；

S5：将目标域数据输入训练好的RN‑DSAN模型，从而得到目标域样本的故障类型；

所述RN‑DSAN模型包括：嵌入模块、关系模块和LMMD模块，所述嵌入模块用于提取输入频谱的特征表示，所述关系模块用于计算两个频谱特征表示之间的关系得分，所述LMMD模块用于通过局部最大平均差异LMMD方法将标签相同的源域样本和目标域样本投射到同一特征空间，并进行对齐，使两个域的条件分布相同；

所述嵌入模块共11层，包括4个深度可分离卷积模块、4个ShuffleAttention层和3个池化层，其中第1层，第4层，第7层，第9层为卷积模块；第2层，第5层，第8层，第10层为ShuffleAttention层；第3层，第6层为最大池化层；第1层为自适应最大池化层；

所述关系模块共6层，包括2个卷积模块、2个池化层和2个全连接层；其中，第1层，第3层为卷积模块；第2层，第4层为最大池化层；第5层，第6层为全连接层；第5层全连接层的神经元个数为1*8，第6层全连接层的神经元个数为1*1；

所述LMMD模块定义如下：

S,Q T,Q (C) (C)

式中，x 是源域样本，x 是目标域样本，E代表数学期望，p 和q 分别是源域和目标域中C类的分布，H是有定义的核函数k(·,·)产生的再生核希尔伯特空间RKHS，Φ表示将原始数据映射到RKHS的特征映射；

设每个样本根据权重wc属于每个类别c，从而可以将LMMD的无偏估计量表示为：式中， 和 分别表示第i个源域样本 和第j个目标域样本 属于C类的权值，和 都等于1， 是类别C样本的加权和；

的计算公式如下：

式中，yic是向量yi的第c个元素，对于源域样本 使用真实的源域标签 的one‑hot编码来计算 对于无监督领域自适应中的每个未标记的目标领域样本 采用作为一种伪标签来计算目标样本的计算源域的特征向量 和目标域的特征向量 的LMMD距离如下：在网络的迭代过程中，通过使LMMD距离 最小化，可以缩小同一类别内相关子域的分布差异。

2.如权利要求1所述的基于元迁移学习的变工况轴承故障诊断方法，其特征在于，所述步骤S1具体包括如下步骤：S1‑1：利用传感器采集不同工况下的轴承一维原始振动信号；

S1‑2：设置滑动窗口的窗口大小为2N，滑动步长为s，对一维原始振动信号进行等长截断，每一段振动信号即为一个样本；

S1‑3：通过快速傅里叶变换得到振动信号的频谱，频谱长度为N。

3.如权利要求1所述的基于元迁移学习的变工况轴承故障诊断方法，其特征在于，步骤S2中数据集划分方式具体包括如下步骤：将数据集D划分为源域 与目标域 从源域数据

集DSource中的C个类别中分别选取K个样本，作为支撑集 是样本， 是类标签；从源域数据集DSource剩余样本中的C个类别中分别选取的K′个样本作为查询集 当每次支撑集抽取的类别数为C，每类样本数量为K时，称为C‑way K‑shot问题；

从目标域数据集DTarget中的C个类别中分别选取K个样本，作为支撑集从目标域数据集Dtarget剩余样本中的C个类别中分别选取的K′个样本作为查询集

4.如权利要求1所述的基于元迁移学习的变工况轴承故障诊断方法，其特征在于：分类损失函数计算公式如下：

式中：N为查询集样本数量，I()表示相应的标签函数，如果样本xj的真实类别等于c时，等于1，否则等于0；ric表示样本xi属于类别c的预测概率；

LMMD损失函数计算公式如下：

式中： 为域自适应损失；

总损失函数计算公式如下：

Ltotal＝Lclass+λLlmmd

式中：λ>0是领域自适应损失系数，主要被用来权衡自适应损失和分类损失。

5.如权利要求1所述的基于元迁移学习的变工况轴承故障诊断方法，其特征在于，得到所述RN‑DSAN模型参数的方法包括如下步骤：(1)将源域样本 与目标域样本 输入到嵌入模块

得到源域与目标域样本的特征表示

(2)将源域的每个类别的支撑集特征表示 求取均值，得到源域每个类别的类原型并将目标域的每个类别的支撑集特征 表示求取均值，得到目标域每个类别的类原型 其中 与

标签为c的源域与目标域的类原型，c∈{1,2,...,C}，C为类别数量，Sc表示源域中支撑集 标签为c的K个样本，Tc表示目标域中支撑集 标签为c的K个样本；

(3)将源域的类原型 依次与查询集的特征表示 拼接在一起，得到拼接后的特征表示 并将目标域的类原型 与查询集的特征表示 拼接在一起，得到拼接后的特征表示 其中，Z(,)表示特征拼接；

(4)将源域拼接后的特征表示 目标域拼接后的特征表示 分别输入到关系模块gφ(·)中，通过关系模块分别生成相应的关系得分：式中： 表示源域样本 与类别为c的类原型之间的关系得分， 表示目标域样本与类别为c的类原型之间的关系得分，关系得分的取值范围为0～1；

根据所得关系得分得到源域查询集样本的预测分类结果 与目标域查询集样本的预测分类结果 即伪标签，并通过交叉熵损失函数计算得到源域查询集样本的分类损失Lclass；

(5)将源域查询集的特征表示 目标域查询集的特征表示 源域查询集标签和目标域查询集的伪标签 输入到LMMD模块，计算得到LMMD损失Llmmd；

(6)将源域查询集的分类损失Lclass、LMMD损失Llmmd加权相加作为总损失Ltotal，利用BP反向传播算法进行训练，直到模型收敛，得到模型参数。

6.如权利要求1所述的基于元迁移学习的变工况轴承故障诊断方法，其特征在于：利用训练好的RN‑DSAN模型识别轴承故障类型的方法包括如下：(1)将目标域的支撑集样本 与查询集样本

输入训练好的嵌入模块 得到支撑集与查询集的特征表示(2)将目标域的每个类别的支撑集特征 表示求取均值，得到目标域每个类别的类原型(3)将目标域的类原型 依次与查询集的特征表示 拼接在一起，得到拼接后的特征表示(4)将目标域拼接后的特征表示 输入到关系模块gφ(·)中，通过关系模块分别生成相应的关系得分 得到目标域查询集样本的预测分类结果实现故障诊断。