1.一种工业物联网故障的诊断方法，其特征在于，包括：

S1、搭建基于工业物联网设备、边缘节点本地服务器和中心服务器的联邦学习框架，所述中心服务器进行初始化训练模型权重，并将初始化的模型权重发送至各边缘节点本地服务器；

S2、采集工业物联网设备数据建立样本数据，对样本数据进行归一化、标签编码和数据增强处理，得到用于训练的故障数据；对故障数据进行张量表示融合处理，提取故障数据的特征矩阵；

S2.1、设定工业物联网设备的故障点，采集故障状态与正常状态的设备数据，建立样本数据；

S2.2、对样本数据进行归一化、标签编码和数据增强处理；

S2.3、将处理后的样本数据进行张量表示融合，提取故障数据的特征矩阵；

S3、根据初始化的模型权重构建本地故障诊断模型，将张量表示融合后的故障数据输入所述本地故障诊断模型中进行训练；

所述本地故障诊断模型包括三个卷积池化模块，卷积池化模块由两个卷积层和一个池化层组成；在第一卷积池化模块后加入ResNet残差结构，在第二卷积池化模块和第三卷积池化模块中加入ResNet残差结构；

通过将三个卷积池化模块与ResNet残差结构连接，并在第三卷积池化模块之后添加一层分类输出层，连接后的模型即为本地故障诊断模型；

S4、根据本地故障诊断模型在训练过程时的损失值，确定各边缘节点本地服务器的得分值，根据得分值选取最佳边缘节点；

S5、获取最佳边缘节点本地故障诊断模型训练更新的模型权重，并依次与各边缘节点本地服务器建立通信获取数据，进行全局模型权重更新；

所述获取最佳边缘节点本地故障诊断模型训练更新的模型权重，具体为：所述边缘节点本地服务器进行本地故障诊断模型训练时，为本地故障诊断模型的每一层权重设置一个对应的v值作为粒子更新速度，其速度更新公式为：，

其中，  表示当前粒子惯性权重，  表示粒子前一阶段的速度，pdest表示当前阶段模型训练的最佳权重，gbest表示本地模型训练的整体最佳权重，c1表示个体最优位置的加速系数，c2表示群体最优位置的加速系数，r1、r2为区间[0,1]内的随机数， 表示当前粒子更新后的速度；

将本地故障诊断模型训练的每层权重设置为粒子的位置坐标，所述边缘节点本地服务器的模型权重更新公式为：，

式中， 表示当前阶段更新后的权重， 表示前一阶段的权重， 表示当前粒子速度， 表示当前粒子惯性权重；

S6、中心服务器将聚合后的全局模型权重广播发送给参与联邦学习的各边缘节点，进入下一轮通信，边缘节点使用接收到的全局模型权重继续进行本地故障诊断模型训练，并进行本地模型更新，之后上传中心服务器进行全局聚合，直至达到预设的训练轮数，迭代完成。

2.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述S2.3将处理后的样本数据进行张量表示融合，提取故障数据的特征矩阵，具体方法为：S2.3.1、将所述处理后的样本数据采用张量形式进行表示；

S2.3.2、将张量表示数据进行时间卷积处理，并嵌入位置信息，得到包含时间信息与位置信息的第一张量表示；

S2.3.3、重新将张量表示数据进行近似权重矩阵补齐，再进行时间卷积处理得到第二张量表示；

S2.3.4、将第一张量表示与第二张量经跨模态进行张量表示融合，得到故障数据；将故障数据的融合表示输入自注意力机制模块进行聚合计算，进行特征矩阵的输出。

3.根据权利要求1所述的工业物联网故障的诊断方法，其特征在于，所述S4中根据本地故障诊断模型在训练过程时的损失值，确定各边缘节点本地服务器的得分值，所述得分值计算公式为：，

式中， 表示各边缘节点本地模型训练的损失值，K表示参与联邦学习的边缘节点个数， 表示评分函数， 为各边缘节点的得分值。

4.根据权利要求3所述的工业物联网故障的诊断方法，其特征在于，所述根据得分值选取最佳边缘节点，具体方法为：根据各边缘节点本地服务器的得分值设立指针表，初始化全局最佳得分及其对应的边缘节点指针，比较全局最佳得分与边缘节点本地服务器的得分值，对全局最佳得分值及对应边缘节点指针进行更新，，

其中，global_score、local_score分别为边缘节点全局最佳得分和本地最佳得分值，global_index指向具有全局最佳得分值的边缘节点，local_index为本地边缘节点指针。

5.一种工业物联网故障的诊断系统，其特征在于，包括：

框架初始化模块，搭建基于工业物联网设备、边缘节点本地服务器和中心服务器的联邦学习框架，所述中心服务器进行初始化训练模型权重，并将初始化的模型权重发送至各边缘节点本地服务器；

数据处理模块，用于采集工业物联网设备数据建立样本数据，对样本数据进行归一化、标签编码和数据增强处理，得到用于训练的故障数据；对故障数据进行张量表示融合处理，提取故障数据的特征矩阵；

模型训练模块，用于根据初始化的模型权重构建本地故障诊断模型，将张量表示融合后的故障数据输入所述本地故障诊断模型中进行训练；所述本地故障诊断模型包括三个卷积池化模块，卷积池化模块由两个卷积层和一个池化层组成；在第一卷积池化模块后加入ResNet残差结构，在第二卷积池化模块和第三卷积池化模块中加入ResNet残差结构；通过将三个卷积池化模块与ResNet残差结构连接，并在第三卷积池化模块之后添加一层分类输出层，连接后的模型即为本地故障诊断模型；

评分模块，用于根据本地故障诊断模型在训练过程时的损失值，确定各边缘节点本地服务器的得分值，根据得分值选取最佳边缘节点；

全局通信模块，用于获取最佳边缘节点本地故障诊断模型训练更新的模型权重，并依次与各边缘节点本地服务器建立通信获取数据，进行全局模型权重更新；

所述获取最佳边缘节点本地故障诊断模型训练更新的模型权重，具体为：所述边缘节点本地服务器进行本地故障诊断模型训练时，为本地故障诊断模型的每一层权重设置一个对应的v值作为粒子更新速度，其速度更新公式为：，

其中，  表示当前粒子惯性权重，  表示粒子前一阶段的速度，pdest表示当前阶段模型训练的最佳权重，gbest表示本地模型训练的整体最佳权重，c1表示个体最优位置的加速系数，c2表示群体最优位置的加速系数，r1、r2为区间[0,1]内的随机数， 表示当前粒子更新后的速度；

将本地故障诊断模型训练的每层权重设置为粒子的位置坐标，所述边缘节点本地服务器的模型权重更新公式为：，

式中， 表示当前阶段更新后的权重， 表示前一阶段的权重， 表示当前粒子速度， 表示当前粒子惯性权重；

所述全局通信模块，还用于中心服务器将聚合后的全局模型权重广播发送给参与联邦学习的各边缘节点，进入下一轮通信，边缘节点使用接收到的全局模型权重继续进行本地故障诊断模型训练，并进行本地模型更新，之后上传中心服务器进行全局聚合，直至达到预设的训练轮数，迭代完成。

6.一种工业物联网故障的诊断设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的程序数据时实现如所述权利要求1‑4中任一项所述的工业物联网故障的诊断方法。

7.一种可读存储介质，其特征在于，用于存储控制程序数据，其中，所述控制程序数据被处理器执行时实现如所述权利要求1‑4中任一项所述的工业物联网故障的诊断方法。