1.一种轴承故障诊断的多任务深度神经网络方法，其特征在于，包括：采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；

将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，所述轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签；

搭建具有辅助任务的多任务深度神经网络，所述多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，所述辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；所述故障诊断任务执行模块包括顺序连接的所述特征提取模块和故障分类模块；

将所述轴承样本集输入至所述多任务深度神经网络中完成网络训练；

采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。

2.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱，包括：采用滑动窗口对各个故障类型的轴承振动信号进行重采样，得到各个故障类型的轴承振动信号段；

针对任一轴承振动信号段，使用快速傅里叶变换从该轴承振动信号段中提取频谱。

3.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述故障类型包括内圈故障、外圈故障、滚动体故障和无故障。

4.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述特征提取模块包括依次连接的输入层、高斯噪声层、卷积层、第一批标准化层、第一激活函数层、扁平层、Dropout层、第一全连接层、第二批标准化层和第二激活函数层；

所述频谱生成模块包括依次连接的第二全连接层、第三批标准化层、第三激活函数层和第三全连接层；

所述故障分类模块包括依次连接的第四全连接层和第五全连接层；

所述特征提取模块的第二激活函数层的输出分别与所述频谱生成模块的第二全连接层的输入及所述故障分类模块的第四全连接层的输入连接。

5.如权利要求1所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述多任务深度神经网络的损失函数为：

其中，N表示频谱长度，fw表示轴承振动信号段的频谱中频率为w时对应的幅值， 表示频谱生成模块输出的生成频谱中频率为w时对应的幅值，M表示故障类型的数量， 表示轴承振动信号段对应第l类故障类型的概率，yl为故障分类模块输出的轴承振动信号段对应第l类故障类型的概率，μ表示L2损失函数的权重，σ表示交叉熵损失函数的权重。

6.如权利要求5所述的轴承故障诊断的多任务深度神经网络方法，其特征在于，所述采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断，包括：在多任务深度神经网络完成网络训练后，去掉所述特征提取模块中的高斯噪声层、Dropout层和所述频谱生成模块，并将去掉高斯噪声层和Dropout层的故障诊断任务执行模块作为故障诊断模型对待测轴承进行故障诊断。

7.一种轴承故障诊断的多任务深度神经网络装置，其特征在于，包括：频谱提取模块，用于采集不同故障类型的轴承振动信号，并提取各轴承振动信号对应的频谱；

样本生成模块，用于将频谱和故障类型作为对应轴承振动信号的样本标签，创建轴承样本集，所述轴承样本集包括多个轴承样本，各个轴承样本分别包括轴承振动信号和样本标签；

模型搭建模块，用于搭建具有辅助任务的多任务深度神经网络，所述多任务深度神经网络包括辅助任务执行模块和故障诊断任务执行模块，所述辅助任务执行模块包括顺序连接的特征提取模块和频谱生成模块；所述故障诊断任务执行模块包括顺序连接的所述特征提取模块和故障分类模块；

训练模块，用于将所述轴承样本集输入至所述多任务深度神经网络中完成网络训练；

故障诊断模块，用于采用完成网络训练的多任务深度神经网络对待测轴承进行故障诊断。

8.如权利要求7所述的轴承故障诊断的多任务深度神经网络装置，其特征在于，所述频谱提取模块包括：

重采样单元，用于采用滑动窗口对各个故障类型的轴承振动信号进行重采样，得到各个故障类型的轴承振动信号段；

频谱提取单元，用于针对任一轴承振动信号段，使用快速傅里叶变换从该轴承振动信号段中提取频谱。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。