1.基于迁移学习的燃料电池水故障诊断方法，其特征在于，步骤包括：

基于燃料电池系统，采集一维时间序列的电压信号数据；

基于所述一维时间序列的电压信号数据，提取统计学特征并同时获取时间序列图像，所述时间序列图像为二维图像；提取所述统计学特征的方法包括：将所述一维时间序列的电压信号数据进行分割，得到分割结果，其中，采样周期为0.25s，每56s作为一个时间序列，每一个时间序列的滑动窗格等于8个采样点，步长为2s；获取所述时间序列图像的方法包括：对所述一维时间序列的电压信号数据进行归一化处理，得到处理后数据；根据时间序列中的时间顺序计算所述处理后数据的格拉姆矩阵；基于所述格拉姆矩阵，得到所述时间序列图像；根据所述分割结果分别计算每个时间序列的统计学特征值，得到一个N*8特征矩阵；其中，所述统计学特征包括：时间序列的平均值、标准差、均方根、裕度、峰度、偏度、范围和形状因子；

基于所述统计学特征和所述时间序列图像，构建故障诊断模型；构建所述故障诊断模型的方法包括：对所述时间序列图像进行迁移学习，得到特征向量矩阵；得到所述特征向量矩阵的方法包括：将所述时间序列图像输入深度学习的resnet101模型进行全连接层特征向量的提取，得到全连接层特征向量；对所述全连接层特征向量进行降维处理，得到所述特征向量矩阵；将所述特征向量矩阵和所述统计学特征进行融合，得到融合特征矩阵；对所述融合特征矩阵进行归一化处理，得到处理后矩阵；对所述处理后矩阵进行离线训练，得到所述故障诊断模型；进行所述离线训练的方法包括：将所述处理后矩阵输入至支持向量机分类器中进行训练，得到所述故障诊断模型；通过交叉验证对所述故障诊断模型的超参数进行调优，提高模型的性能和泛化能力；

利用所述故障诊断模型，完成燃料电池水故障诊断。

2.基于迁移学习的燃料电池水故障诊断系统，所述系统用于实现权利要求1所述的方法，其特征在于，包括：采集模块、提取模块、构建模块和诊断模块；

所述采集模块用于基于燃料电池系统，采集一维时间序列的电压信号数据；

所述提取模块用于基于所述一维时间序列的电压信号数据，提取统计学特征并同时获取时间序列图像，所述时间序列图像为二维图像；提取所述统计学特征的流程包括：将所述一维时间序列的电压信号数据进行分割，得到分割结果，其中，采样周期为0.25s，每56s作为一个时间序列，每一个时间序列的滑动窗格等于8个采样点，步长为2s；获取所述时间序列图像的方法包括：对所述一维时间序列的电压信号数据进行归一化处理，得到处理后数据；根据时间序列中的时间顺序计算所述处理后数据的格拉姆矩阵；基于所述格拉姆矩阵，得到所述时间序列图像；根据所述分割结果分别计算每个时间序列的统计学特征值，得到一个N*8特征矩阵；其中，所述统计学特征包括：时间序列的平均值、标准差、均方根、裕度、峰度、偏度、范围和形状因子；

所述构建模块用于基于所述统计学特征和所述时间序列图像，构建故障诊断模型；构建所述故障诊断模型的流程包括：对所述时间序列图像进行迁移学习，得到特征向量矩阵；

得到所述特征向量矩阵的流程包括：将所述时间序列图像输入深度学习的resnet101模型进行全连接层特征向量的提取，得到全连接层特征向量；对所述全连接层特征向量进行降维处理，得到所述特征向量矩阵；将所述特征向量矩阵和所述统计学特征进行融合，得到融合特征矩阵；对所述融合特征矩阵进行归一化处理，得到处理后矩阵；对所述处理后矩阵进行离线训练，得到所述故障诊断模型；进行所述离线训练的流程包括：将所述处理后矩阵输入至支持向量机分类器中进行训练，得到所述故障诊断模型；通过交叉验证对所述故障诊断模型的超参数进行调优，提高模型的性能和泛化能力；

所述诊断模块用于利用所述故障诊断模型，完成燃料电池水故障诊断。