1.一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，包括以下步骤：(1)构建源域高维PEMFC数据集，以及当前目标域PEMFC有标签数据集，对应PEMFC不同的故障状态；

(2)将源域高维PEMFC数据以及当前目标域PEMFC数据分别作为均匀流形逼近与投影算法UMAP的输入，对高维数据集进行降维，去除冗余信息影响；

(3)划分数据集，并构建TimesNet模型诊断框架；

(4)将降维后的高维PEMFC数据作为TimesNet模型源域，对其进行预训练；

(5)利用当前目标域PEMFC少量有标签数据通过迁移学习对TimesNet模型的参数进行微调，得到最终的诊断模型；

(6)对于待诊断燃料电池无标签数据，采用有标签数据集相同的传感器工作信号采集方法，将当前传感器采集到的PEMFC数据集输入到TimesNet诊断模型进行分类，得到PEMFC的不同工作状态；

所述步骤(3)实现过程如下：

对数据集划分训练集和测试集，其前80％为训练集，后20％为测试集；TimesNet由堆叠的TimesBlock组成，输入序列经过嵌入层得到深度特征，对于第l层的时间块，输入为之后通过2D卷积提取二维时序变化：按照固定的周期将原始的一维时间序列数据X1D按照如下公式进行折叠：式中， 是第i个变换后的二维张量，Padding(X1D)在序列的尾部补零进行对齐，使得序列长度可以被Pi整除, 表示将补零后的一维序列数据进行Reshape重塑变形，fi表示对应X1D的频率，Pi为对应X1D的周期；

所述时间块具体过程如下：将一维转化为二维：首先对输入的一维时序特征 提取周期，并将之转换成为二维张量来表示二维时序变化；

提取二维时序变化表征：对于二维张量，由于其具有二维局部性，因此使用了Inception模型提取信息，即：将二维变换至一维：对提取的时间特征，将其转化回一维空间以便信息聚合：式中， 表示将Padding(X1D)操作补充的0去

除；

自适应融合：将一维表征 按对应频率加权求和，得到最终输出：

其中， 表示对应X1D的幅值，Softmax()表示Softmax分类器， 表示经过Softmax分类器后的输出。

2.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，步骤(1)所述源域高维PEMFC数据包括质子交换膜燃料电池阴极和阳极的电压、电流、温度、浓度。

3.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，步骤(1)所述源域高维PEMFC数据集为Ss：Ss＝{(xn,i,yn,i),xn,i∈An,yn,i∈Bn}(1)其中，An表示有标签数据集中燃料电池的工作信号数据样本集合，xn,i表示工作信号数据样本集合An中的第i个工作信号数据样本，Bn表示有标签数据集中燃料电池的健康状态标签集合，yn,i表示工作信号数据样本xn,i对应的健康状态标签。

4.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤(2)实现过程如下：对于输入数据集{x1,…,x1,…,xn}中的每个xi，γ为给定的一个超参数，定义θi和δi：其中，θi的选择要确保至少有一个边缘权值为1的数据点与xi相连，δi为长度尺度参数，xn表示数据集样本数量,d(xi,xj)表示样本点xi和其近邻点xj之间的距离；

定义有向加权图 利用 的对称性质定义无向加权图Z；设B为Z的加权邻接矩阵，得到一个对称矩阵D：

其中，利用对称矩阵D定义了无向加权图Z， 是Hadamard乘积；

UMAP沿边界和顶点分别施加引力和斥力来演化出一个由点集

{fi},i＝1...N构造的等效加权图H；利用交叉熵度量计算无向加权图Z和H之间的差异，使H与Z捕获的源数据的拓扑结构相匹配，从而得到数据整体拓扑的低维表示。

5.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤(4)实现过程如下：采用TimesNet模型对PEMFC数据进行傅里叶变换，将时序信号的分析扩展到二维空间，将一维数据重构为二维张量，从而得到时间上的二维变化，选取前，通过傅里叶变换获取输入数据中的谐波信息，包括幅值、频率和周期长度；

根据选取的频率和周期长度，采用Padding层将时序信号沿着时间维度进行零扩展，将一维时序信号重构为多个二维张量；

基于TimesNet的TimesBlock捕获k个不同重构张量的各种时间变化，并进行自适应聚合，有效提取信号特征重构一维时序信号；采用自适应融合学习模型进行状态识别和故障分类；

对于故障分类，定义交叉熵损失函数，通过对建立基于TimesNet的故障诊断源域模型进行训练，求出网络的最优参数，最小化分类损失函数误差，分类损失函数中p1越低表示诊断效果越好：其中，ρ(x)表示TimesNet中Softmax的输出结果，其目标值为σ(x)。

6.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤(5)实现过程如下：当目标域PEMFC数据输入深度迁移学习模型时，TimesNet模型首先根据源域数据进行浅层结构的训练，以提取浅层特征，此时，目标域的浅层结构会被冻结；

同时将训练TimesNet模型的参数与目标域的深层结构进行共享，用于提取深层特征初始化，此时深层结构参数会被调整，以实现输入PEMFC数据的最终分类识别；

提取目标域数据的深层特征后，深度迁移模型的卷积层对其特征进行运算，以得到信号分类识别结果；

将结果输入到TimesNet模型的全连接层Dense层，并在迁移学习模型全连接层设置JMMD损失函数，得到对故障识别能有较高精度的模型。

7.根据权利要求6中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述JMMD损失函数为联合最大均值差异JMMD测量源域和目标域之间的分布差异，度量其识别结果与预期结果的误差来控制结果精度；JMMD损失函数为：其中，EP和EQ分别是源域P和目标域Q的期望， 表示源域数据在希尔伯特空间的特征映射， 为目标域数据在希尔伯特空间的特征映射，|L|表示层数，h1，h2表示源l域和目标域生成的激活，H表示模型第l层的再生核希尔伯特空间，将JMMD损失函数嵌入到迁移学习模型，得到模型损失函数为：p0＝p1+λpJMMD  (12)其中，p0表示整个迁移学习网络模型的损失函数，p1表示故障数据源域的分类损失函数，λ表示JMMD损失函数的权衡参数。

8.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，步骤(6)所述PEMFC的不同工作状态为PEMFC正常、膜干以及水淹。