1.液压泵故障诊断方法，其特征在于，包括以下步骤：步骤一、对轴向柱塞泵的振动信号进行时频变换，生成时频图像，分为四种故障类型，含有少量标记样本以及大量未标记样本；

步骤二、采用混合半监督学习策略，结合一致性正则化与熵最小化方法对标记与未标记样本进行数据增强与伪标签生成，将增强后的标记样本与带伪标签的未标记样本按混合超参数进行混合，生成混合样本；

步骤三、使用CKAN网络进行多尺度特征提取与故障分类，其中卷积层与全连接层均采用可学习样条函数作为激活函数；

步骤四、模型损失函数的计算及模型的训练与优化；

步骤五、输出故障分类结果及可视化分析；

所述步骤二包括：

对同一样本施加不同数据增强操作；

通过一致性损失约束增强前后输出一致；

对软标签进行锐化处理生成高置信度伪标签；

将增强前后的标记样本与带伪标签的未标记样本按混合超参数比例混合生成混合训练集；

所述步骤三包括：

至少一层KAN卷积层，使用可学习样条函数实现非线性变换；

至少一层KAN全连接层，基于Kolmogorov-Arnold表示定理实现高维映射；池化层与展平层用于降维与特征整合；

所述步骤二具体为：对同一样本x_u施加不同的数据增强操作，生成增强样本x'_u和x''_u，通过约束模型对增强样本的输出保持一致，一致性损失函数表示为：L_cons=ΣD[f_θ(x'_u)，f_θ(x''_u)]其中f_θ为模型，D为距离度量函数；

通过对未标记样本的预测概率分布进行锐化处理，生成高置信度的伪标签，隐式地最小化预测熵，锐化函数表示为：p_sharp=p^(1/T)/Σp^(1/T)其中p为原始预测概率，T为温度参数（T<1），T越小分布越尖锐；

将增强前后的标记样本与带伪标签的未标记样本按混合超参数混合，生成混合训练样本，混合操作表示为：x_mix=λx_l+(1-λ)x_u

y_mix=λy_l+(1-λ)y_u

其中λ为混合超参数。

2.根据权利要求1所述的液压泵故障诊断方法，其特征在于，所述步骤一中的时频变换采用同步挤压变换。

3.根据权利要求1所述的液压泵故障诊断方法，其特征在于，所述步骤三中的可学习样条函数采用B样条基函数实现，样条阶数为3，网格大小为5。

4.根据权利要求1所述的液压泵故障诊断方法，其特征在于，所述步骤四中，损失函数由三部分组成：L_total=L_supervised+αL_consistency+βL_entropy其中L_supervised为监督损失，L_consistency为一致性正则损失，L_entropy为熵最小化损失，α和β为平衡超参数；

优化策略：采用Adam优化器，学习率设为0.001，训练轮次为30-50轮；

早停机制：当验证集损失连续5轮不再下降时，提前终止训练，防止过拟合。

5.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。