1.一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法，其特征在于，包括以下步骤：S1、搭建轴向柱塞泵故障模拟实验台，编写数据采集及系统控制程序，对柱塞泵不同工况下的传感器信号进行采集；

S2、对采集不同工况下的轴向柱塞泵传感器数据进行归一化处理，然后采用连续小波变换（CWT）将数据转换成时频图，图像数据中包括有标签源域数据和无标签目标域数据，针对柱塞泵实际工作中的工况构建轴向柱塞泵多工况数据集，并分为训练集和测试集；

S3、基于域对抗神经网络和多尺度注意力机制理论搭建多尺度注意力机制的域对抗迁移网络（MADATN）；

S4、对模型进行迭代训练，使参数最优后对模型进行测试，将目标域测试集输入到特征提取器和标签预测器中进行实际故障诊断，以验证所提方法故障诊断的有效性；

所述S3包括以下步骤：

S31、以ResNet18模型为基础，在ResNet18模型的残差块中引入SENet模块，用Inception多尺度卷积模块替换ResNet18中的7×7卷积块，去掉ResNet18模型softmax层，搭建基于多尺度和注意力机制的特征提取器Gmaf；

S32、以DANN模型为基础，用基于多尺度和注意力机制的特征提取器Gmaf代替DANN特征提取部分，同时在DANN中引入MK‑MMD度量函数将提取的深层特征映射到高维空间，以此搭建基于多尺度注意力机制的域对抗迁移网络（MADATN）模型。

2.如权利要求1所述的一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法，其特征在于，所述S1包括以下步骤：S11、以轴向柱塞泵为研究对象，对所搭建的模拟故障试验台进行系统设计、元件选型和加工装配；

S12、数据采集系统设计与实施，包括数据采集及系统控制程序编写、传感器布置方案设计、采集参数设置及采集方案制定与实施。

3.如权利要求1所述的一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法，其特征在于，所述S2包括以下步骤：S21、采集不同工况下的轴向柱塞泵振动数据进行归一化处理，然后采用连续小波变换（CWT）将数据转换成时频图，图像数据中包括有标签源域数据和无标签目标域数据；

S22、针对轴向柱塞泵实际工作中由于复杂多变的工况导致源工况和目标工况之间的数据存在分布差异，以及标签样本不足问题构建轴向柱塞泵数据集，每个数据集下包括轴向柱塞泵正常、滑靴磨损、松靴、配流盘磨损四种状态下的振动信号时频图，并分为训练集和测试集。

4.如权利要求1所述的一种基于多尺度注意力机制的域对抗柱塞泵故障诊断方法，其特征在于，所述S4包括以下步骤：S41、将有标签源域数据和无标签目标域数据的训练集输入到共享的特征提取器Gmaf中提取深层特征；

S42、将源域数据提取的深层特征输入标签预测器Gy进行分类，得到分类损失Ly；

S43、利用MK‑MMD计算源域和目标域提取的深层特征的分布差异，得到分布差异损失LMK‑MMD；

S44、输入到领域判别器Gd计算域判别损失Ld，利用三个损失函数构造为总损失函数LMADATN；

S45、对模型进行迭代训练，使分类损失Ly和LMK‑MMD损失最小化，域判别损失Ld最大化；

S46、对模型进行测试，并将目标域测试集输入到特征提取器Gmaf和标签预测器Gy中进行实际故障诊断，以测试所提方法故障诊断的有效性。