1.一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：该方法包括如下步骤：

⑴信号局部分解过程，利用传感器与数据采集设备从齿轮箱在不同健康状态下运行的振动与电流数据，采用重叠滑动窗的方式将电流信号划分成局部小样本，得到原始电流与振动信号的局部信号，并划分出训练集与验证集；

⑵振动与电流信号特征协同学习过程，将处理得到的振动与电流局部信号训练集与验证集输入到协同特征学习网络进行协同特征提取，并将网络输出的高级特征分别送入各信号重构网络中获得与输入信息相关性最大的特征，得到电流与振动信号的局部协同特征映射；

⑶基于电流的故障诊断分类器离线训练过程，将由电流与振动信号的局部协同特征映射计算得到的电流局部协同特征作为分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练故障诊断分类器，对故障进行分类识别；

⑷在线诊断测试过程，将电流信号经过系统特征映射变换后得到的电流测试信号的协同特征输入到训练好的故障诊断分类器中，输出最终的诊断结果。

2.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：所述的信号局部分解过程是将样本长度为NX的m个样本的电流与振动信号划分为长度为NS的J个小样本；设重叠滑动窗的大小为O，按照式(1)得出局部小样本的个数为：式中，[]为取整标记。

3.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：所述的协同特征学习网络是指深度典型相关自编码器网络，即DCCAE网络，DCCAE网络包含协同特征提取与特征重构两部分；协同特征学习网络由两个DNN网络构成，通过无监督训练方式学习特征，通过L-BFGS算法或梯度下降法来完成最优参数的优化学习，经过多层网络非线性变换后得到电流与振动信号局部高级抽象特征Hc与式中，Wc、Wv分别为电流与振动特征映射的权重矩阵，bc、bv分别为偏置矩阵，两信号局部高级抽象特征Hc与 经过典型相关分析CCA层后，得到的局部特征之间的相关性最大，同时Hc与 经过由两个DNN网络分别构成的特征重构网络gc(Hc)与gv(Hv)，捕捉两者在特征提取阶段每个信号遗漏的故障信息，最小化各自的重构误差，得到两个信号的局部协同特征Fc与最终的协同特征映射表示为 与

4.根据权利要求3所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：所述的DCCAE网络的优化目标为：其中，r1与r2为正则化参数，I为单位矩阵，N为各样本数量。

5.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：基于电流的故障诊断分类器离线训练过程具体包括如下训练步骤：①根据电流信号本身的特点，选择支持向量机作为故障分类器，使系统具有更好的泛化性与稳定性；

②将得到电流的局部协同特征作为分类器的输入，利用电流数据的故障标签信息通过监督学习的方式训练分类器，确定分类器的最佳参数，对故障进行分类识别训练。

6.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：在线诊断测试过程具体包括如下训练步骤：将电流信号作为输入，经过系统训练阶段的协同特征映射变换 计算得到测试电流信号的协同增强特征 输入到上一步训练好的故障诊断分类器中，得到最终的诊断结果。