1.基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，包括：

信号预处理模块，用于将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，并输入至前馈特征提取网络模块，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本；

前馈特征提取网络，用于提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；

子领域自适应模块，用于通过局部最大平均差异测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测；

所述系统组成的网络共训练50 100个批次，分两步实现子领域自适应：第一步的若干~

批次将源域样本和带标签的目标域向导样本代入局部最大平均差异，并计算其无偏估计，通过若干批次训练，最小化源域样本和带标签的目标域向导样本的分布差异实现子领域自适应；第二步的剩余若干批次，将源域样本和目标域无标签样本代入局部最大平均差异，计算其无偏估计，通过若干批次训练，最小化源域样本和目标域无标签样本的分布差异实现子领域自适应。

2.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，采用重叠采样和随机重复采样对源域和目标域数据集进行数据扩增处理。

3.根据权利要求2所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，采用重叠采样和随机重复采样得到源域和目标域每个类别故障下的等量一维样本，每个一维样本包含对应个数的采样点。

4.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述信号预处理模块中，将所述一维样本经连续小波变换转换为时频域图谱。

5.根据权利要求1所述的基于引导式子领域自适应的滚动轴承故障诊断系统，其特征在于，所述前馈特征提取网络模块为ResNet18、VGG‑Net、AlexNet或CNN‑LSTM。

6.基于引导式子领域自适应的滚动轴承故障诊断方法，其特征在于，利用权利要求1至

5任一权利要求所述的系统按照以下步骤进行：

步骤1、将源域和目标域数据集进行数据扩增处理后，并将数据扩增后数据集中的一维样本转换为时频域图谱，所述目标域中提供有每个类别故障下的少量有标签样本用于向导，其余为待预测的无标签样本；

步骤2、基于源域和目标域带标签的时频域图谱样本，提取源域和目标域数据集样本的信号特征，并得到目标域无标签样本的预测标签；基于源域和目标域导向样本的信号特征，通过局部最大平均差异测量源域和目标域样本相关子领域的局部分布差异，将标签相同的源域样本和目标域向导样本的相关子领域投射到同一特征空间，并将源域样本和目标域无标签样本的相关子领域投射到同一特征空间，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应，完成对目标域无标签样本的标签预测；该步骤分为两步：第一步利用源域样本和带标签的目标域向导样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域向导标样本间的局部分布差异，实现子领域自适应；第二步利用源域样本和目标域无标签样本的信号特征，通过局部最大平均差异估计并最小化源域和目标域无标签样本间的局部分布差异，实现子领域自适应。

7.根据权利要求6所述的基于引导式子领域自适应的滚动轴承故障诊断方法，其特征在于，步骤2包括以下分步骤：步骤21、基于源域和目标域带标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第一步子领域自适应训练；

步骤22、基于源域和目标域无标签的时频域图谱样本，对前馈特征提取网络和子领域自适应模块进行训练，完成第二步子领域自适应训练，实现对目标域无标签样本的故障分类。

8.根据权利要求7所述的基于引导式子领域自适应的滚动轴承故障诊断方法，其特征在于，步骤21和步骤22中，对前馈特征提取网络和子领域自适应模块训练次数相同或不同；

步骤21和步骤22中针对某一批次，对前馈特征提取网络和子领域自适应模块进行训练过程相同，包括以下分步骤：首先，利用源域数据集的时频域图谱样本及其故障标签训练前馈特征提取网络；

然后，将源域和目标域样本的时频域图谱样本带入前馈特征提取网络，从前馈特征提取网络提取源域和目标域样本信号特征；目标域样本为向导标签样本或无标签样本；当目标域样本为无标签样本时，同时提取其预测标签；

之后，将提取的源域和目标域的样本信号特征分别输入至子领域自适应模块，将标签相同的源域样本和目标域样本的相关子领域投射到同一特征空间，并确定源域和目标域向导标签样本的分布差异，即无偏估计；利用源域和目标域数据的分布差异和交叉熵损失函数之和构建损失函数。