1.一种燃料电池传感器故障诊断方法，其特征在于，所述方法包括：获取燃料电池传感器在预设时间段内采集的目标数据集；

通过所述目标数据集对机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数目标值，其中，所述机器学习模型的输入为其他传感器的采集数据，输出为目标传感器的采集数据，所述其他传感器和所述目标传感器组成所述燃料电池传感器；

获取所述机器学习模型对应的损失函数初始值；

计算所述损失函数目标值与所述损失函数初始值之间的差值，并在所述差值大于第一预设阈值时，确定所述目标传感器发生故障。

2.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，获取所述机器学习模型对应的损失函数初始值，包括：获取所述燃料电池传感器在正常工作状态下采集的初始数据集；

通过所述初始数据集对所述机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数初始值。

3.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在计算所述损失函数目标值与所述损失函数初始值之间的差值之后，所述方法还包括：在所述差值小于等于所述第一预设阈值时，确定所述目标传感器处于正常工作状态；

将所述损失函数初始值更新为所述损失函数目标值。

4.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在确定所述目标传感器发生故障之后，所述方法还包括：获取损失函数故障值，包括：获取所述目标传感器在故障工作状态下采集的数据和所述其他传感器在正常工作状态下采集的数据，并构建故障数据集，通过所述故障数据集对所述机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数故障值；

将所述损失函数故障值和所述损失函数初始值之间的差值确定为故障残差，以及，将所述损失函数目标值和所述损失函数初始值之间的差值确定为目标残差；

计算所述故障残差与所述目标残差之间的差值，并在所述差值小于第二预设阈值时，确定所述目标传感器发生的故障类型和故障程度与所述故障工作状态相对应。

5.根据权利要求4所述的一种燃料电池传感器故障诊断方法，其特征在于，在确定所述目标传感器发生的故障类型和故障程度与所述故障工作状态相对应之后，所述方法还包括：将所述损失函数故障值更新为所述损失函数目标值。

6.根据权利要求4所述的一种燃料电池传感器故障诊断方法，其特征在于，所述目标传感器在故障工作状态下采集的数据，包括：所述目标传感器在预设故障类型和预设故障程度下对所述燃料电池采集的数据。

7.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在计算训练后的所述机器学习模型对应的损失函数目标值之后，所述方法还包括：在所述目标数据集中，分析所述目标传感器的采集数据的变化规律，并基于所述变化规律确定所述目标传感器的当前工况；

获取当前工况下所述机器学习模型对应的损失函数初始值；

计算所述损失函数目标值和所述损失函数初始值之间的差值，并在所述差值大于第一预设阈值时，确定所述目标传感器发生故障。

8.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在计算训练后的所述机器学习模型对应的损失函数目标值之后，所述方法还包括：获取所述目标传感器在历史预设时间段内的采集数据；

通过所述历史预设时间段内的采集数据和所述其他传感器的采集数据对机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数初始值；

计算所述损失函数目标值与所述损失函数初始值之间的差值，并在所述差值大于第三预设阈值时，确定所述目标传感器发生故障。

9.一种燃料电池传感器故障诊断设备，其特征在于，所述设备包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1‑8中任一项所述的一种燃料电池传感器故障诊断方法。

10.一种非易失性计算机存储介质，其特征在于，所述存储介质为非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有至少一个程序，每个所述程序包括指令，所述指令当被终端执行时，使所述终端执行根据权利要求1‑8中任一项所述的一种燃料电池传感器故障诊断方法。