1.一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，包括以下步骤：S1：将从不同工况下采集到的原始振动信号构建标签源域与无标签目标域，并随机将其按8：2的比例划分训练集与测试集；

S2：将训练集数据输入到网络模型中，依次计算三次网络的总体损失函数，并通过反向传播算法依次对网络整体参数、分类器参数以及特征提取器的参数进行更新；

S3：重复步骤S2至最大迭代次数，停止训练，生成泛化性能良好的域适应网络；

S4：将步骤S1中的测试集数据输入训练好的网络模型中，输出在不同工况下的诊断结果；

所述步骤S2具体包括：

S21:输入源域训练集数据、对应的真实标签和目标域训练集数据，计算所对应的目标域样本伪标签，基于此计算此时网络的总损失函数利用反向传播算法对网络整体参数进行更新；

S22:输入源域训练集数据、对应的真实标签和目标域训练集数据，计算此时网络的总损失函数利用反向传播算法对分类器参数进行更新；

S23：输入源域训练集数据、对应的真实标签和目标域训练集数据，计算此时网络的总损失函数利用反向传播算法对特征提取器参数进行更新；

所述步骤S21中，网络总损失函数通过式1获得：

其中，Nt表示目标域样本的总数目,表示目标域的第j个样本，表示目标域伪标签的指示向量；c表示共计c个类别的轴承样本，表示目标域的第j个样本的分类器的softmax输出；为伪标签，其通过式2获得：其中，表示目标域的第j个样本；F(·)表示样本经过特征提取器后的特征向量，cenc表示第c类别的目标域数据的质心；

所述第c类别的目标域数据的质心通过式3获得：

其中，δc表示在softmax操作后对第c类的预测，表示目标域的第j个样本；F(·)表示样本经过特征提取器后的特征向量，C(·)表示经过分类器后的输出向量；Ck(k＝1,2)是两个任务分类器；

所述步骤S22和步骤S23中的损失函数通过式4计算获得：其中，μ和ω分别是联合分类确定性与个体分类确定性间的平衡参数；为双分类器联合分类准确性的度量指标；分类器输出的个体分类准确性指标；

式4中的分类器输出的个体分类准确性指标通过式5计算获得：其中，δc表示在softmax操作后对第c类的预测，F(·)表示样本经过特征提取器后的特征向量，C(·)表示经过分类器后的输出向量；Ck(k＝1,2)是两个任务分类器；

式4中的双分类器联合分类准确性的度量指标通过式6计算获得：其中，δc表示在softmax操作后对第c类的预测，f(·)表示样本经过特征提取器后的特征向量，C(·)表示经过分类器后的输出向量；Ck(k＝1,2)是两个任务分类器。

2.根据权利要求1所述的一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，所述域适应网络结构包括：基于五层卷积块的特征提取器以及两个结构相同的分类器，所述特征提取器从源域与目标域数据中提取可迁移特征，两个所述分类器能够获取特征提取器生成的深度特征，输出相应的预测概率。

3.根据权利要求2所述的一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，步骤S1中的域适应网络模型构建方法为：首先，将从源域和目标域采样的原始振动信号引入特征提取器；

然后，两个双分类器采用交叉熵损失对源样本进行分类，同时嵌入一个基于目标聚类的自监督学习损失；

最后，构造一个极大极小博弈，引入双分类器联合与个体分类准确性损失来引导双分类器的输出。

4.根据权利要求2所述的一种基于自监督学习的滚动轴承跨域故障诊断方法，其特征在于，步骤S1具体包括：S11：采集不同工况下的滚动轴承振动数据，构建标签源域与无标签目标域，随机将目标域数据的80％划分为训练集，剩余的20％划分为测试集；

S12：设置网络的最大迭代次数、卷积层中的卷积核的大小和步长，设置池化层中池化核的大小和步长，初始化卷积层和全连接层的权重参数。