1.基于动态混合路径与联邦多重蒸馏的轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，通过加速度传感器实时采集离目标监测轴承最近轴承座的振动信号，结合轴承不同健康状态及设备负载变化，构建多工况振动数据集，并基于故障类型与负载等级联合定义类别标签；

步骤2，对步骤1中获取的振动信号数据进行预处理，将预处理之后的振动信号数据按比例构建成训练集和测试集；

步骤3，服务器端初始化全局诊断模型，并广播至各客户端；

步骤4，各客户端加载全局诊断模型作为本地诊断模型，利用训练集对本地诊断模型进行训练，各客户端将训练后的本地诊断模型参数上传至服务器端；

步骤5，服务器端基于狄利克雷分布生成的动态权重对接收到的模型参数进行加权聚合，更新当前迭代次数下的全局诊断模型，并按时间衰减加权集成历史多轮全局诊断模型作为最新的全局诊断模型，将最新的全局诊断模型广播至客户端；

步骤6，重复步骤4和步骤5，直至达到最大迭代次数时停止，各客户端得到最终的本地诊断模型；

步骤7，各客户端利用最终的本地诊断模型，得到轴承故障诊断结果；

利用训练集对本地诊断模型进行训练的步骤包括：步骤401，在客户端自适应构建多路径分层融合网络，包含独立的本地路径与动态构建的并行的混合路径；其中，本地路径完整保留本地诊断模型的全部网络层，维持原有特征传播路径；混合路径动态地根据分割点将本地诊断模型的前置层与全局诊断模型的后续层级联，形成多条具有差异化特征表达能力的并行分支；

步骤402，基于本地路径输出的特征张量与并行的混合路径分支输出的特征张量的余弦相似性度量 ，动态分配各路径的权重系数 ，公式为：，

式中，t和T分别表示当前训练轮次和总训练轮数，M表示混合路径条数；

步骤403，通过加权交叉熵损失函数、多路径KL散度正则化损失函数及缺失类别知识蒸馏损失函数，联合优化本地诊断模型；

在步骤401中，在构建混合路径时，分割点根据本地诊断模型与全局诊断模型各层的特征相似度 以及阈值 进行动态选择，其中特征相似度的计算表达式为：，

式中， 为L2范数， 和 分别代表第 层本地诊断模型与全局诊断模型的输出特征；

当第l层的特征相似度 小于阈值 时，则将本地诊断模型的第l层作为分割点。

2.根据权利要求1所述的基于动态混合路径与联邦多重蒸馏的轴承故障诊断方法，其特征在于，步骤3包括：在服务器端构建全局诊断模型，该全局诊断模型采用深度卷积神经网络；对全局诊断模型的参数进行初始化，向参与的共计K个客户端广播全局诊断模型。

3.根据权利要求2所述的基于动态混合路径与联邦多重蒸馏的轴承故障诊断方法，其特征在于，混合路径包括以下至少一种方式：本地诊断模型的浅层特征提取层与全局诊断模型的中深层特征层及分类层级联；

本地诊断模型的中浅层特征提取层与全局诊断模型的深层特征层及全连接层级联；

本地所有特征提取层的特征映射输出与全局诊断模型全连接层级联。

4.根据权利要求3所述的基于动态混合路径与联邦多重蒸馏的轴承故障诊断方法，其特征在于，在步骤5中包括：服务器端基于狄利克雷分布生成客户端权重向量 ，其中， 满足，根据动态权重对接收到的本地诊断模型参数 进行加权聚合，表示为：，

式中， 表示聚合权重， 为客户端本地样本数；

服务器执行动态加权联邦平均算法得到当前迭代轮数下的全局诊断模型参数，表示为： ；

在服务器端维护固定容量N的历史模型队列，并将每轮聚合后生成的参数 加入历史队列，若队列满则采用先进先出策略按时序优先级滚动淘汰历史模型参数以更新队列；

对队列中第i个历史模型参数生成时间衰减权重，公式为：，

式中，代表时间衰减因子，i为模型在队列中的时间索引；

按时间衰减权重 对队列内所有历史模型参数加权平均，得到全新的集成历史模型后的全局诊断模型参数，公式为：，

式中，N为队列长度， 为第i个历史模型参数。

5.根据权利要求4所述的基于动态混合路径与联邦多重蒸馏的轴承故障诊断方法，其特征在于，在步骤403中，路径KL散度正则化损失函数的计算公式为：，

式中，表示 概率分布函数，为温度参数， 和 分别表示本地路径和第m条混合路径的输出逻辑值， 表示KL散度，M表示混合路径条数。

6.根据权利要求5所述的基于动态混合路径与联邦多重蒸馏的轴承故障诊断方法，其特征在于，在步骤403中，缺失类别知识蒸馏损失函数的计算过程包括：客户端通过遍历本地训练集标签，识别本地存在的故障类别集合，记为 ；

基于 生成布尔掩码矩阵，对本地诊断模型和全局诊断模型的预测输出执行掩码操作：即分别将全局诊断模型输出逻辑值 与本地诊断模型输出逻辑值 中属于类别 的元素置零后得到掩码后逻辑值 和 ；

对掩码后的输出值进行温度缩放，计算归一化概率分布，公式分别为：，

，

式中， 和 分别表示本地诊断模型与全局诊断模型在客户端缺失类上的归一化概率分布；

通过KL散度来度量两个概率分布在缺失类空间内的分布差异，作为缺失类别知识蒸馏损失，计算公式为：。

7.根据权利要求6所述的基于动态混合路径与联邦多重蒸馏的轴承故障诊断方法，其特征在于，在步骤403中，联合优化本地诊断模型的损失函数为：，

式中， 表示交叉熵损失，、表示决定损失项权重的超参数。