1.一种轴承故障诊断方法，其特征在于，包括：获取轴承的振动信号；

将所述振动信号转换为脉冲序列；

将所述脉冲序列输入到训练好的脉冲协同网络模型中，从脉冲序列中提取高维特征，对高维特征进行分类，得到故障类型标签；

其中，在对脉冲协同网络模型进行训练前，还包括对训练所用的样本采用周期性冲击时间切片、自适应噪声注入、时域形态扭曲、故障敏感频段增强、频域随机掩码和时频联合掩码中的任意一种方式进行物理增强；训练所用的增量学习损失函数包含归一化对比损失函数和参数稳定性约束项；

其中，所述周期性冲击时间切片是在理论故障周期 的基础上，对初始片段起始位置施加随机偏移，偏移量在 范围内均匀采样，以模拟转速波动引起的冲击间隔变化；

所述自适应噪声注入是根据信号局部幅值动态注入高斯噪声，在保留故障冲击特征的前提下，通过控制噪声水平与信号能量成比例；

所述时域形态扭曲是通过线性插值对样本的时间轴进行非均匀缩放，模拟设备在变负载条件下转速的连续波动；

所述故障敏感频段增强是将样本转换至频域后在故障特征频率及其谐波对应频段增强幅值，模拟不同损伤程度或不同工况下故障特征能量的变化；

所述频域随机掩码是将样本转换至频域后以掩码概率随机遮蔽非故障敏感频段，强制滤除低于低频截止频率的低频成分，以在物理上模拟实际系统中测量噪声、信号衰减或传输路径变化导致的频带能量损失；

所述时频联合掩码是将样本转换至时频域后施加结构化掩码，以模拟样本在特定时间段或频段的缺失。

2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述训练所用的样本为原始样本 或对抗样本 ，原始样本 为对轴承的历史振动信号进行分割得到的固定长度的振动信号，对抗样本 通过求解以下约束优化问题得到：， ；

其中， 表示脉冲协同网络模型在训练时所用的增量学习损失函数， 表示参数为 的脉冲协同网络模型， 表示求二范数，表示用于控制扰动幅度的预设参数，表示最大化， 表示受约束于。

3.根据权利要求2所述的轴承故障诊断方法，其特征在于，所述对训练所用的样本采用周期性冲击时间切片、自适应噪声注入、时域形态扭曲、故障敏感频段增强、频域随机掩码和时频联合掩码中的任意一种方式进行物理增强，其中，方式一为对样本 进行周期性冲击时间切片，通过以下公式进行：；

其中， 表示经过周期性冲击时间切片的增强样本， 表示对样本进行周期性冲击时间切片， 是初始片段起始位置，为随机偏移量， ， 表示连续均匀分布，是理论故障周期；

方式二为对样本 进行自适应噪声注入，通过以下公式进行：；

其中， 表示对样本 进行自适应噪声注入得到的增强样本，表示随机噪声，是随机噪声所服从的高斯分布， 表示所述高斯分布的方差， 表示求局部标准差；

方式三为对样本 的时间轴进行时域形态扭曲，通过以下公式进行：；

其中， 表示对样本 的时间轴进行时域形态扭曲得到的增强样本，表示时间， 为线性插值函数，为时间轴缩放因子；

方式四为对样本 进行故障敏感频段增强，包括：对样本 进行快速傅里叶变换得到样本 的频域表示，从样本 的频域表示中提取频率分量；

对所述频率分量进行幅值增强，通过以下公式进行：；

其中， 表示对样本 进行故障敏感频段增强得到的增强样本的频域表示的第 个频率分量， 表示 对应的实际频率， 表示样本 的频域表示的第 个频率分量， ，表示样本 的长度， 为采样频率，为增强因子， 为频段半宽，表示故障特征频率；

对 进行逆傅里叶变换，得到对样本 进行故障敏感频段增强得到的增强样本；

方式五为对样本 进行频域随机掩码，对样本 进行快速傅里叶变换得到样本 的频域表示；

对样本 的频域表示以掩码概率随机遮蔽非故障敏感频段，同时强制滤除低于低频截止频率的低频成分，通过以下公式进行：；

其中， 表示对样本 进行频域随机掩码得到的增强样本的频域表示的第个频率分量，为掩码概率， 为低频截止频率， 表示伪随机数生成函数；

对 进行逆傅里叶变换，得到对样本 进行频域随机掩码增强的增强样本；

方式六为对样本 进行时频联合掩码，包括：对样本 进行短时傅里叶变换得到时频谱矩阵 ，取 的模得到幅度谱 ；

生成用于遮蔽时间维度的时间轴掩码模板和用于遮蔽频率维度的频率轴掩码模板；

根据时间轴掩码模板和频率轴掩码模板，采用独立掩码或协同掩码的方式对幅度谱进行联合掩码，得到联合掩码的幅度谱；

基于联合掩码的幅度谱和时频谱矩阵 的相位谱，计算联合掩码的复数时频谱；

对联合掩码的复数时频谱进行逆短时傅里叶变换，得到对样本 进行时频联合掩码的增强样本。

4.根据权利要求3所述的轴承故障诊断方法，其特征在于，所述生成用于遮蔽时间维度的时间轴掩码模板和用于遮蔽频率维度的频率轴掩码模板，通过以下公式进行：；

其中， 表示时间轴掩码模板， 表示遮蔽开始时间， 表示遮蔽结束时间，， ， 为掩码时间长度；

；

其中， 表示频率轴掩码模板，表示频率， 表示遮蔽开始频率， 表示遮蔽结束频率， ，为频率点数， ， 为掩码频率宽度。

5.根据权利要求4所述的轴承故障诊断方法，其特征在于，所述采用独立掩码或协同掩码的方式对幅度谱 进行联合掩码，包括：采用独立掩码的方式对幅度谱 进行联合掩码，通过以下公式进行：；

其中， 表示频率 和时间 下联合掩码的幅度谱， 表示频率 和时间 下的幅度谱；

或，

采用协同掩码的方式对幅度谱 进行联合掩码，通过以下公式进行：。

6.根据权利要求3所述的轴承故障诊断方法，其特征在于，所述基于联合掩码的幅度谱和时频谱矩阵 的相位谱，计算联合掩码的复数时频谱，通过以下公式进行：；

其中， 表示联合掩码的复数时频谱， 表示时频谱矩阵 的相位谱， 表示联合掩码的幅度谱， 表示自然指数函数，是虚数单位。

7.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述增量学习损失函数的表达式为：；

其中， 表示增量学习损失函数， 表示归一化对比损失函数， 表示参数稳定性约束项；

归一化对比损失函数的表达式为：

；

其中， 为余弦相似度函数，为温度系数， 为批次大小， 表示自然指数函数， 表示批次中第 个样本的原始视图的特征表示， 表示批次中第 个样本的增强视图的特征表示， 表示批次中第 个样本的原始视图的特征表示， 表示批次中第 个样本的增强视图的特征表示；

参数稳定性约束项的表达式为：

；

其中， 为参数 的重要性度量矩阵，表示参数的索引， 为历史任务上训练得到的最优参数值，为稳定性约束强度系数。

8.根据权利要求1所述的轴承故障诊断方法，其特征在于，在对所述脉冲协同网络模型进行训练前，还包括构建脉冲记忆池：；

其中， 表示脉冲记忆池， 表示第 个脉冲序列， 表示对 进行物理增强得到的增强视图， 为脉冲记忆池中样本对的数量，一个样本对包括一个脉冲序列和一个与之对应的增强视图；

在脉冲协同网络模型的每轮训练中，除了使用当前批次的新样本对之外，还从所述脉冲记忆池中随机采样 个旧任务的样本对作为回放数据，采用混合训练机制，将回放数据和当前批次的新样本对混合后输入到脉冲协同网络模型中，进行训练。

9.根据权利要求1所述的轴承故障诊断方法，其特征在于，在对所述脉冲协同网络模型进行训练时，对于脉冲协同网络模型中两个编码器的参数分别采用以下策略更新：对于作为主编码器的编码器 ，其参数 采用以下公式更新：；

其中， 表示编码器 的参数，表示学习率， 是关于参数 的梯度， 表示脉冲协同网络模型训练所用的增量学习损失函数；

对于作为副编码器的编码器 ，其参数 采用以下公式更新：；

其中，表示动量系数， 表示第 轮训练编码器 的参数， 表示第 轮训练编码器 的参数， 表示第 轮训练编码器 的参数；

对于作为副编码器的编码器 ，其批归一化层的均值采用以下公式更新：；

其中， 表示第 轮训练编码器 的批归一化层当前批次的均值， 表示第 轮训练编码器 的批归一化层当前批次的均值， 表示第 轮训练编码器 的批归一化层当前批次的均值；

对于作为副编码器的编码器 ，其批归一化层的方差采用以下公式更新：；

其中， 表示第 轮训练编码器 的批归一化层当前批次的方差， 表示第 轮训练编码器 的批归一化层当前批次的方差， 表示第 轮训练编码器 的批归一化层当前批次的方差。

10.一种轴承故障诊断装置，其特征在于，包括：振动信号获取模块，被配置为：获取轴承的振动信号；

信号转换模块，被配置为：将所述振动信号转换为脉冲序列；

轴承故障诊断模块，被配置为：将所述脉冲序列输入到训练好的脉冲协同网络模型中，从脉冲序列中提取高维特征，对高维特征进行分类，得到故障类型标签；

其中，在对脉冲协同网络模型进行训练前，还包括对训练所用的样本采用周期性冲击时间切片、自适应噪声注入、时域形态扭曲、故障敏感频段增强、频域随机掩码和时频联合掩码中的任意一种方式进行物理增强；训练所用的增量学习损失函数包含归一化对比损失函数和参数稳定性约束项；

其中，所述周期性冲击时间切片是在理论故障周期 的基础上，对初始片段起始位置施加随机偏移，偏移量在 范围内均匀采样，以模拟转速波动引起的冲击间隔变化；

所述自适应噪声注入是根据信号局部幅值动态注入高斯噪声，在保留故障冲击特征的前提下，通过控制噪声水平与信号能量成比例；

所述时域形态扭曲是通过线性插值对样本的时间轴进行非均匀缩放，模拟设备在变负载条件下转速的连续波动；

所述故障敏感频段增强是将样本转换至频域后在故障特征频率及其谐波对应频段增强幅值，模拟不同损伤程度或不同工况下故障特征能量的变化；

所述频域随机掩码是将样本转换至频域后以掩码概率随机遮蔽非故障敏感频段，强制滤除低于低频截止频率的低频成分，以在物理上模拟实际系统中测量噪声、信号衰减或传输路径变化导致的频带能量损失；

所述时频联合掩码是将样本转换至时频域后施加结构化掩码，以模拟样本在特定时间段或频段的缺失。