1.一种伺服电机故障识别模型训练方法，其特征在于，包括以下步骤：获取源域样本数据以及目标域样本数据，所述目标域样本数据包括多个样本数据对，每一样本数据对包括具有故障的伺服电机的转速以及在该转速下的第一振动曲线图，所述源域样本数据包括多个非伺服电机的第二振动曲线图；

获取初始神经网络模型；

根据所述多个第二振动曲线图对所述初始神经网络模型进行初始化训练，从而得到具有初始模型参数的第一神经网络模型；

基于所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，以得到伺服电机故障识别模型。

2.根据权利要求1所述的伺服电机故障识别模型训练方法，其特征在于，所述目标域样本数据中的每一所述样本数据对还包括对应转速下的驱动电压；

而所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，以得到伺服电机故障识别模型的步骤包括：将每一所述样本数据对的驱动电压、转速以及第一振动曲线图输入所述第一神经网络模型，所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，得到优化后的目标模型参数；

根据所述目标模型参数以及所述第一神经网络模型获取伺服电机故障识别模型。

3.根据权利要求1所述的伺服电机故障识别模型训练方法，其特征在于，所述第一振动曲线图以及所述第二振动曲线图具有相同的尺寸规格。

4.根据权利要求1所述的伺服电机故障识别模型训练方法，其特征在于，所述获取初始神经网络模型的步骤包括：根据所述样本数据对中的参数种类量建立初始神经网络模型。

5.一种伺服电机故障识别方法，其特征在于，采用权利要求1-4任一项所述的方法建立的伺服电机故障识别模型；所述方法包括以下步骤：获取待检测电机的实际转速以及安装于所述伺服电机上的振动传感器检测的实际振动曲线图；

将所述实际转速以及所述实际振动曲线图输入所述伺服电机故障识别模型，以对所述伺服电机的故障情况进行判断。

6.根据权利要求5所述的伺服电机故障识别方法，其特征在于，还包括以下步骤：获取待检测电机的实际驱动电压；

而所述将所述实际转速以及所述实际振动曲线图输入所述伺服电机故障识别模型，以对所述伺服电机的故障情况进行判断的步骤包括：将所述实际驱动电压、所述实际转速以及所述实际振动曲线图输入所述伺服电机故障识别模型，以对所述伺服电机的故障情况进行判断。

7.一种伺服电机故障识别模型训练装置，其特征在于，包括：第一获取模块，用于获取源域样本数据以及目标域样本数据，所述目标域样本数据包括多个样本数据对，每一样本数据对包括具有故障的伺服电机的转速以及在该转速下的第一振动曲线图，所述源域样本数据包括多个非伺服电机的第二振动曲线图；

第二获取模块，用于获取初始神经网络模型；

第一训练模块，用于根据所述多个第二振动曲线图对所述初始神经网络模型进行初始化训练，从而得到具有初始模型参数的第一神经网络模型；

第二训练模块，用于基于所述多个样本数据对对所述第一神经网络模型的初始模型参数进行优化训练，以得到伺服电机故障识别模型。

8.一种伺服电机故障识别装置，其特征在于，采用权利要求1-4任一项所述的方法建立的伺服电机故障识别模型；所述装置包括：第三获取模块，用于获取待检测电机的实际转速以及安装于所述伺服电机上的振动传感器检测的实际振动曲线图；

识别模块，用于将所述实际转速以及所述实际振动曲线图输入所述伺服电机故障识别模型，以对所述伺服电机的故障情况进行判断。

9.一种终端，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-6任一所述方法中的步骤。

10.一种介质，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运行如权利要求1-6任一所述方法中的步骤。