1.一种补标记约束下的工业设备故障诊断方法，其特征在于，包括以下步骤：

获取目标工业设备在运行状态下产生的原始振动信号；

对所述原始振动信号进行预处理，所述预处理至少包括信号切片、归一化操作，以形成符合模型输入格式的标准化样本序列；

构建基于深度学习的故障诊断模型，所述模型包括一个深度特征提取网络以及两个输出层，其中深度特征提取网络用于提取深度特征向量，第一输出层用于拟合故障状态的概率分布，第二输出层用于拟合补标记生成的概率分布；

构建训练数据集并执行模型训练流程，训练数据集包括样本序列和每个样本的补标记集，样本的补标记为所述样本不属于的故障状态标签；训练数据集输入故障诊断模型，经由深度特征提取网络得到深度特征向量，深度特征向量分别通过两个输出层，输出相应概率分布；根据两个概率分布计算基于最大似然估计的联合概率化损失函数值，利用反向传播算法，通过最小化损失，更新故障诊断模型中的所有可训练参数；其中基于最大似然估计的联合概率化损失函数具体为：；

其中， 表示联合概率化损失函数，表示训练数据集， 表示样本 的补标记集，表示所有故障状态的集合，包括正常状态和各种故障类别； 表示样本 的候选真实类别集合； 为第一输出层输出的先验概率， 表示样本 属于故障类别 的先验概率分布， 表示样本 属于故障类别 的先验概率分布； 表示第二输出层的输出经重塑后的矩阵元素，用于拟合在真实类别为 的条件下，类别 被选为补标记的条件概率， 为模型参数， 指第二输出层中用于计算矩阵第 个元素值的权重参数；

将待诊断的工业设备振动信号经相同预处理后形成的样本，输入至已完成训练的故障诊断模型，获取样本属于各个故障状态的概率，将其中具有最大概率值所对应的故障状态，判定为待诊断振动信号的最终诊断结果。

2.根据权利要求1所述的方法，其特征在于，信号切片包括对连续的长序列振动信号进行固定长度滑动窗口分割，一个滑动窗口内包含的所有信号数据点作为一个样本；归一化操作包括对每个样本单独进行零均值、单位方差标准化处理。

3.根据权利要求1所述的方法，其特征在于，深度特征提取网络采用具有残差学习结构的一维卷积神经网络，具体包含一个输入卷积块、四个依次连接的残差阶段以及一个全局池化层；输入卷积块由一维卷积层、批量归一化层和修正线性单元激活函数顺序连接构成；

每个残差阶段由多个具有相同输出特征图尺寸的基础残差块堆叠而成，基础残差块包含两个一维卷积子层以及一个跨越两个一维卷积子层的恒等快捷连接；全局池化层用于将所述残差阶段输出的特征图在时间维度上进行聚合，输出固定维度的深度特征向量。

4.根据权利要求1所述的方法，其特征在于，第一输出层为全连接层，其输入为深度特征向量，输出维度为故障状态数 ，输出记为 ，表示样本 属于各故障状态的先验概率分布， 为模型参数；

第二输出层为全连接层，其输入为深度特征向量，输出维度为故障状态总数的平方 ，输出记为 ，该输出被重塑为 的矩阵形式 ，用于拟合在真实类别为 的条件下，类别 被选为样本 的补标记的条件概率，为模型参数， 指第二输出层中用于计算矩阵第 个元素值的权重参数。

5.根据权利要求1所述的方法，其特征在于，目标工业设备为旋转机械，包括滚动轴承、齿轮箱及电动机；故障状态涵盖设备的健康状态、内圈元件损伤、外圈元件损伤、滚动体损伤多种故障模式，以及各故障模式下的不同损伤严重程度等级。

6.一种补标记约束下的工业设备故障诊断系统，其特征在于，包括：

信号获取模块，用于获取目标工业设备在运行状态下产生的原始振动信号；

信号预处理模块，用户对所述原始振动信号进行预处理，所述预处理至少包括信号切片、归一化操作，以形成符合模型输入格式的标准化样本序列；

模型构建模块，用于构建基于深度学习的故障诊断模型，所述模型包括一个深度特征提取网络以及两个输出层，其中深度特征提取网络用于提取深度特征向量，第一输出层用于拟合故障状态的概率分布，第二输出层用于拟合补标记生成的概率分布；

模型训练模块，用于构建训练数据集并执行模型训练流程，训练数据集包括样本序列和每个样本的补标记集，样本的补标记为所述样本不属于的故障状态标签；训练数据集输入故障诊断模型，经由深度特征提取网络得到深度特征向量，深度特征向量分别通过两个输出层，输出相应概率分布；根据两个概率分布计算基于最大似然估计的联合概率化损失函数值，利用反向传播算法，通过最小化损失，更新故障诊断模型中的所有可训练参数；其中基于最大似然估计的联合概率化损失函数具体为：；

其中， 表示联合概率化损失函数，表示训练数据集， 表示样本 的补标记集，表示所有故障状态的集合，包括正常状态和各种故障类别； 表示样本 的候选真实类别集合； 为第一输出层输出的先验概率， 表示样本 属于故障类别 的先验概率分布， 表示样本 属于故障类别 的先验概率分布； 表示第二输出层的输出经重塑后的矩阵元素，用于拟合在真实类别为 的条件下，类别 被选为补标记的条件概率， 为模型参数， 指第二输出层中用于计算矩阵第 个元素值的权重参数；

故障诊断模块，用于将待诊断的工业设备振动信号经相同预处理后形成的样本，输入至已完成训练的故障诊断模型，获取样本属于各个故障状态的概率，将其中具有最大概率值所对应的故障状态，判定为待诊断振动信号的最终诊断结果。

7.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1‑5中任一项所述的补标记约束下的工业设备故障诊断方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑5中任一项所述的补标记约束下的工业设备故障诊断方法的步骤。

9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑5中任一项所述的补标记约束下的工业设备故障诊断方法的步骤。