1.一种基于混合卷积的多源域轴承故障诊断方法，其特征在于包括如下步骤：采集不同工况下的滚动轴承信号数据集，进行数据预处理；

构建一维混合卷积网络的多源域滚动轴承故障诊断模型，并初始化模型参数；

将两个源域和目标域的数据样本分别随机打乱，将源域带标签，目标域无标签的数据集输入所述网络模型中进行训练；

源域和目标域整体送入所述模型中的共享特征提取器来获取共享特征信息，再将源域和目标域对送入特定特征提取器，获取对应的特定特征信息；

获取到样本信息后进行领域适应，将源域和目标域整体利用最大均方值差异进行整体域对齐，并利用局部最大均值差异进行领域内的类别对齐；

将源域送入各个源域分类器计算交叉熵分类损失，求和得到源域分类损失，为降低两个分类器的目标域样本模糊样本误分类的可能，对两个分类器取平均值，来实现分类器器对齐；

将所有的损失函数整合，并赋予每部分损失一定的影响因子，最小化损失函数，Adam优化网络参数，以此来训练模型；

将不带标签的目标域送入训练好的所述承故障诊断模型中，并经过两个分类器来获得目标域的分类精度，取两个分类器的平均值作为最终分类结果，完成轴承故障的诊断；

最后进行测试，将不带标签的目标域送入训练好的特征提取网络中，特征提取网络即为共享特征提取器和特定特征提取器，经过两个特定分类器来获得目标域的分类精度，取两个分类器的平均值作为最终分类结果，完成轴承故障的诊断；

所述多源域滚动轴承故障诊断模型包括：共享特征提取器F，所述共享特征提取器F的输入端输入FFT变换后得到多个源域和目标域的频域信号，所述共享特征提取器F的输出端分别与特定特征提取器SF1的输入端以及特征提取器SF2的输入端连接，所述特定特征提取器SF1的一个输出端以及特征提取器SF2的一个输出端分别与优化模块最大均方值差异MMSD和局部最大值差异LMMD连接，优化模块MMSD&LMMD用于优化边缘分布以及优化条件分布差异；特定特征提取器SF1的另一个输出端与分类器C1连接，特定特征提取器SF2的另一个输出端与分类器C2连接，使用所述分类器C1、分类器C2计算出领域适应损失；并将领域适应损失输入给共享特征提取器F；

将混合卷积块结合入一维卷积网络中并应用多源域故障诊断模型中的共享特征提取器部分来提取源域和目标域的共享特征信息，以此来获取更加丰富和全面的特征信息，来进行故障诊断；

源域样本在进入经过特定特征提取器的全连接输出之后，使用softmax对特定分类器分类，并采用交叉熵损失函数作为损失函数，求和后得到源域的分类损失Lcls，其公式如(1)所示：其中，F为共享的特征提取器，SFi为特定特征提取器，Ci为领域分类器，LENT为交叉熵分si si类损失，x 、y 为源域的样本和标签；

当模型提取到特定领域特征后，首先利用最大均方值差异MMSD来优化边缘分布，进行整体分布上的域对齐LMMSD，其公式为(2)所示：其中E表示求源域和目标域的期望， 表示为两个希尔伯特空间求外

积，H表示为希尔伯特空间；

然后再利用LMMD算法优化条件分布差异，缩小类边界，增大不同类之间的距离LLMMD，其公式如(3)，(4)所示：c

其中ωi 表示对应类别权重，c表示故障类别个数，C表示类别总数，ψ(x)为源域和目标域样本的非线性特征映射函数；

采用一个参数λ来调整边缘分布自适应和条件分布自适应之间的关系；

对于目标域样本，通过不同分类器预测的目标域样本之间也会存在一定的差异，因为不同分类器是通过不同源域源本训练得到的，所以对于类边界上的目标域样本肯能会存在分类器差异，为降低特定分类器对目标域样本预测的不一致性，通过计算多个特定分类器器输出的平均值Lcls‑avg，来减少边界误分类的可能，实现特定分类器对齐，其公式如(5)所示：其中N表示分类器个数，F表示为共享特征提取器，SFi表示为特定特定提取器，C表示为T域分类器，x为目标域样本；

总体优化目标主要包含三大部分，源域分类损失，分类器差异损失和领域适应损失，其中领域适应损失包括域间损失和类内损失，其公式如(6)所示：Ltotal＝Lcls+αLcls‑avg+β(λLLMMD+(1‑λ)LMMSD)                   (6)其中α、β和λ为影响因子。

2.如权利要求1所述的基于混合卷积的多源域轴承故障诊断方法，其特征在于，所述进行数据预处理的方法包括：将数据集整体分成三部分，两个源域和一个目标域，按照无重叠的形式分割信号数据样本以此来构建一维信号数据样本，并对其快速傅里叶变换FFT和“0‑1”标准化处理，源域数据带标签，目标域数据无标签。

3.如权利要求1所述的基于混合卷积的多源域轴承故障诊断方法，其特征在于，共享特征提取器：经过快速傅里叶变换FFT处理将时域信号转换到频域后，将多个源域和目标域数据映射到共享特征空间，共享特征提取器的网络的主要结构为混合卷积块。

4.如权利要求1所述的基于混合卷积的多源域轴承故障诊断方法，其特征在于：经过共享特征提取器，提取丰富的共享特征信息后，再为每个源域和目标域分配一个特定特征提取器，进行特定特征提取，经过特定特征提取器之后经过池化和全连接层得到最终输出。