1.一种对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，构建模型框架，包括获取机械振动源域数据和目标域数据，输入源域样本集和源域标签集，建立对抗判别故障诊断模型，构建故障诊断损失函数，其中，所述损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数；

所述对抗损失函数 为：

s t

其中，X 表示源域样本集，X表示目标域样本集，Nt是目标域数据Dt中的样本数，θt表示目标特征提取器Et的参数，θd表示域分类器Ed的参数, 为每个目标域样本；

模型学习，包括预训练阶段，对抗自适应阶段，测试阶段，其中所述对抗自适应阶段采用基于BP的随机梯度下降法(SGD)来更新参数。

2.如权利要求1所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述源域数据Ds为：其 表示每个源域样本，构成的源域样本集为 表示相应的类标签，构成的标签集为 Ns是源域数据Ds的样本数。

3.如权利要求2所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述目标域数据Dt为：t

其中， 每个目标域样本，构成的目标域样本集表示为X ，Nt是目标域数据Dt中的样本数。

4.如权利要求3所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述源域分类损失函数Ly为：s s

其中，X表示源域样本集，Y表示对应的类别标签集，j表示分类类别数，k表示类别的最大值，Ns表示源域数据Ds的样本数，θy表示标签分类器Ey的参数，θs为源特征提取器Es的参数。

5.如权利要求4所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述域分类损失函数 为：s t

其中，X 表示源域样本集，X表示目标域样本集，θd表示域分类器Ed的参数，θs为源特征提取器Es的参数，θt表示目标特征提取器Et的参数，Nt是目标域数据Dt中的样本数，Ns是源域数据Ds的样本数, 表示每个源域样本, 为每个目标域样本。

6.如权利要求5所述的对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：所述预训练阶段使用源域数据训练源特征提取器Es和标签分类器Ey进行监督训练并优化损失函数Ly。