1.一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，包括以下步骤：第一步，通过一维循环一致性对抗生成网络，利用源域样本以及目标域正常状态样本生成辅助训练样本；

第二步，利用源域样本及辅助训练样本构建新训练集，测试集为目标域样本；

第三步，构建故障诊断网络，包括特征提取、特征筛选和特征分类，首先通过新训练集对特征提取器进行训练，将特征提取器的输出作为原始特征；

第四步，对第三步所得到的原始特征进行特征筛选，获得筛选后特征；

第五步，设计双分支分类器子模型对第四步筛选后的特征进行分类，并对子模型的输出进行分布对齐，优化损失函数；

第六步，训练故障诊断网络，将故障信号输入训练好的故障诊断网络进行诊断；

分类训练方法如下：

通过第五步得到的处理后特征，分别对双分支下的分类器子模型进行训练，分别经由两个分类器的softmax层得到输出s1,s2，分别计算子模型下的分类损失，并对子模型的输出进行分布对齐，添加至损失函数中，子模型经训练后，得到特征分类网络，其计算过程为：其中，Lc(s1,y)与Lc(s2,y)为两个子模型的分类损失，由交叉熵函数表示，M为输入样本数，N为类别数， 表示第i个样本中第k个类别的真实标记， 表示第i个样本中第k个类别的模型预测概率，LKL(s1,s2)为子模型分布对齐损失，L为诊断网络整体损失函数， 为子模型分布对齐损失的权重。

2.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，生成辅助训练样本过程如下：以不同工况划分源域及目标域，获得源工况下原始时域振动信号作为源域样本，以及目标工况下正常状态时域振动信号作为目标域正常样本；

源域样本为 目标域正常样本为 其中ns和

分别为源域样本数及目标域正常样本数， 和 分别为源域第i个样本及其故障类型， 和 分别为目标域第i个样本及其故障类型；

通过一维循环一致性对抗生成网络，利用获得的源域样本和目标域正常样本参与训练，生成辅助训练样本；

参与训练的输入信号均为一维时域振动信号，并且在一维循环一致性对抗生成网络中，卷积、池化层均采用一维形式，其计算过程为：L＝LGAN(GY,DY,X,Y)+LGAN(GX,DX,Y,X)+λcycLcyc+λideLide   (4)其中，X、Y表示不同的域，x、y为对应X、Y域内样本，GX、GY表示生成器，其输入信号分别为引入X域工况信号和Y域工况信息，DX、DY表示鉴别器，分别用于鉴别是否包含X域和Y域工况信息；E表示期望值，x～Pdata(x)表示从真实数据分布Pdata(x)中采样的数据x，y～Pdata(y)表示从真实数据分布Pdata(y)中采样的数据y，LGAN为生成对抗损失，Lcyc为循环一致性损失函数，Lide为识别损失函数，L为目标函数，λcyc和λide分别为Lcyc和Lide权重系数；

辅助训练样本为 nh为辅助训练样本数， 和 分别为第i个辅助训

练样本及其故障类型标签。

3.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，特征筛选过程如下：根据经反向传播计算得到的相关梯度信息及超参数设置，对原始特征进行特征筛选；

将梯度由高到低排序，在梯度排名前α％的特征中，随机对其中β％进行掩膜计算，计算过程为：其中，mask1为以梯度信息作为标准的掩膜矩阵，mask2为以随机性作为标准的掩膜矩阵，mask为最终用于筛选特征的掩膜矩阵，q为处于α％处的梯度，grad为梯度信息，由将softmax层的输入反向传播至特征层，计算得到相应梯度信息，grad(i)表示输入的第i个样本的梯度信息，α和β两个超参数共同控制掩膜区间范围，掩膜矩阵mask同原始特征进行计算，得到筛选后特征。