1.一种域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在于：包括构建阶段和学习阶段，

所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数；

所述域对抗分类损失函数L为：

其中， 表示标签分类损失， 表示域分类损失，λ是控制损失项的超参数；

所述标签分类损失 为：

其θf表示特征提取器Ey的参数，Ef(xi；θf)表示特征提取器Ef的输出，θy表示标签分类器Ey的参数，yi表示xi对应的标注的标签；

其中，所述Ly为负对数概率，如式(3)所示：Ly(Ey(Ef(xi；θf)；θy)，yi)＝‑yilog(Ey(Ef(xi；θf)；θy)) (3)所述域分类损失 为：

其θd表示域分类器Ed的参数，Ef(xi；θf)表示特征提取器Ef的输出，di表示域标签，θf表示标签分类器Ef的参数；

其中，Ld为域对抗损失，如式(5)所示：Ld(Ed(Ef(xi；θf)；θd)，di)＝‑{dilog(Ed(Ef(xi；θf)；θd)+(1‑di)log(1‑Ed)(Ef(xi；θf)；θd)}(5)；

所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测，采用滚动轴承故障测试数据库，通过在电机驱动端轴承座上方放置的加速度传感器采集得到数据，采样频率包括12KHz和48KHz两种，分别在4种不同的负荷下采集得到；模拟轴承的正常状态、外圈故障、内圈故障和滚动体故障4种故障类型，且每种故障类型都有3种故障程度，得到10种健康状态。

2.如权利要求1所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述构建阶段包括：

获取机械振动信号；

输入样本集；

构建域对抗故障诊断模型；

建立故障诊断的域对抗分类损失函数；权利要求书其中，机械振动信号区分为源域信号和目标域信号。

3.如权利要求2所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在s t

于：所述样本集包括源域样本集X、源域标签集Y和目标域样本集X。

4.如权利要求3所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在s

于：所述源域样本集X为：

其中，Ns表示标记的源域数据Ds中的样本数，s表示源域；

其中，所述标记的源域数据Ds为：其 表示每个源域样本， 表示相应的类标签，i表示样本个数，Nt表示为目标域的样本个数。

5.如权利要求3或4所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征t

在于：所述目标域样本集X为：

其中，Nt表示Dt中的样本数，Dt表示未标记的目标域数据，t表示目标域；

其中，所述未标记的目标域数据Dt的公式为：其 为每个目标域样本，i表示为样本个数，Nt表示为目标域的样本个数。

6.如权利要求4所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在s s

于：所述类标签 的标签集为Y ，所述标签集Y满足如下公式：其中，Ns表示Ds中的样本数，Ds表示标记的源域数据，s表示源域。

7.如权利要求1～4或6任一所述的域对抗自适应一维卷积神经网络智能故障诊断方法，其特征在于：所述模型训练采用采用基于BP的随机梯度下降法来更新参数θf,θy,θd。