1.一种基于TJM迁移学习的机械故障诊断方法，其特征在于，所述方法包括：获取已知工况滚动轴承的n组多故障状态振动信号；所述多故障状态包括无故障、内圈故障、外圈故障和滚珠故障四种故障状态；

根据所述多故障状态振动信号，采用自适应白噪声完整经验模式分解方法生成一系列固有模态函数；

求解所述一系列固有模态函数的加权排列熵作为所述多故障状态振动信号的时频域特征；

提取所述多故障状态振动信号的时域特征和频域特征；所述时域特征包括方差、均方根值、偏度、峭度、裕度和峰值；所述频域特征包括均方频率、重心频率、均方根频率、频率方差和频率标准差；

将n组所述已知工况滚动轴承的多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征标记为一组特征源域数据集Ds＝{S1,S2,…Sn}；其中Sn表示所述已知工况滚动轴承的第n组多故障状态振动信号对应的的时域特征、频域特征和时频域特征共同组成的第n组特征源域数据集；

获取未知工况滚动轴承的m组多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征组成的目标域数据集DT＝{T1，T2，...,Tm}；其中Tm表示未知工况滚动轴承的第m组多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征共同组成的第m组目标域数据集；

计算所述目标域数据集DT＝{T1，T2，...,Tm}与所述特征源域数据集Ds＝{S1,S2,…Sn}之间的最大均值差异值；

根据所述最大均值差异值的大小选取与所述目标域数据集最相关的多组特征源域数据集作为最相关源域数据集；

将所述最相关源域数据集作为迁移联合匹配TJM迁移算法的输入源域集，经过TJM的迭代计算输出滚动轴承的故障诊断结果和正确率。

2.根据权利要求1所述的机械故障诊断方法，其特征在于，所述根据所述多故障状态振动信号，采用自适应白噪声完整经验模式分解方法生成一系列固有模态函数，具体包括：对于每组所述多故障状态振动信号s(t)，采用公式si(t)＝s(t)+ε0ni(t)确定第i次添加了噪声的信号序列si(t)；其中ε0为自定义信噪比常量；ni(t)为第i次计算添加的零均值单位方差白噪声；i＝1,2,...，I，I为试验次数；

采用经验模态分解方法对第i次添加了噪声的信号序列si(t)进行分解，获得第一阶固有模态分量 其中IMFi1表示添加了第i次噪声的第一个模态分量；

根据所述第一阶固有模态分量 采用公式 确定第j个余量残差rj(t)；

根据所述第j个余量残差rj(t)，采用公式 确定第i次计算的第j阶固有模态分量IMFij；其中算子Ej(·)是采用经验模态分解方法计算给定信号j阶模态的算子，εi为第i个自定义信噪比；

根据所述IMFij，采用公式 确定一系列固有模态函数N为模态分量总数。

3.根据权利要求2所述的机械故障诊断方法，其特征在于，所述提取所述多故障状态振动信号的时域特征，具体包括：采用公式 计算所述多故障状态振动信号的方差δ2；其中x(i)为第i组多故障状态振动信号序列；

采用公式 计算所述多故障状态振动信号的

均方根值Xrms；其中T为时间序列长度；xi为第i组多故障状态振动信号序列；

采用公式 计算所述多故障状态振动信号的偏度s；

采用公式 计算所述多故障状态振动信号的峭度K；

采用公式 计算所述多故障状态振动信号的峰值XPEAK；其中C表示峰值因子；

采用公式 计算所述多故障状态振动信号的裕度CLf；其中Xr为绝对平均幅值。

4.根据权利要求3所述的机械故障诊断方法，其特征在于，所述提取所述多故障状态振动信号的频域特征，具体包括：采用公式 计算所述多故障状态振动信号的均方频率MSF；其中f表示所述多故障状态振动信号；s(f)表示多故障状态振动信号f的功率谱；

采用公式 计算所述多故障状态振动信号的重心频率FC；

采用公式 计算所述多故障状态振动信号的均方根频率RMSF；

采用公式VF＝MSF-(FC)2计算所述多故障状态振动信号的频率方差VF；

采用公式 计算所述多故障状态振动信号的频率标准差RVF。

5.根据权利要求4所述的机械故障诊断方法，其特征在于，所述计算所述目标域数据集DT＝{T1，T2，...,Tm}与所述特征源域数据集Ds＝{S1,S2,…Sn}之间的最大均值差异值，具体包括：采用公式

计算所述目标域数据集DT＝{T1，T2，...,Tm}与所述特征源域数据集Ds＝{S1,S2,…Sn}之间的最大均值差异值MMD；其中n,m分别为特征源域和目标域的样本数目； 表示将xi投影到再生核希尔伯特空间； 表示将zj投影到再生核希尔伯特空间；K是关于核空间H的核矩阵；xi,xk,xj分别为满足P分布的源领域X(s)＝{x1,x2,…xi}中的第i个，第k个，第j个元素；

(t)

zj,zk分别为满足Q分布的目标领域X ＝{z1,z2,…zj}中的第j个，第k个元素。

6.一种基于TJM迁移学习的机械故障诊断系统，其特征在于，所述系统包括：已知工况信号获取模块，用于获取已知工况滚动轴承的n组多故障状态振动信号；所述多故障状态包括无故障、内圈故障、外圈故障和滚珠故障四种故障状态；

自适应白噪声完整经验模式分解模块，用于根据所述多故障状态振动信号，采用自适应白噪声完整经验模式分解方法生成一系列固有模态函数；

加权排列熵求解模块，用于求解所述一系列固有模态函数的加权排列熵作为所述多故障状态振动信号的时频域特征；

时域及频域特征提取模块，用于提取所述多故障状态振动信号的时域特征和频域特征；所述时域特征包括方差、均方根值、偏度、峭度、裕度和峰值；所述频域特征包括均方频率、重心频率、均方根频率、频率方差和频率标准差；

特征源域数据集生成模块，用于将n组所述已知工况滚动轴承的多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征标记为一组特征源域数据集Ds＝{S1,S2,…Sn}；其中Sn表示所述已知工况滚动轴承的第n组多故障状态振动信号对应的的时域特征、频域特征和时频域特征共同组成的第n组特征源域数据集；

未知工况目标域数据集获取模块，用于获取未知工况滚动轴承的m组多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征组成的目标域数据集DT＝{T1，T2，...,Tm}；其中Tm表示未知工况滚动轴承的第m组多故障状态振动信号对应的所述时域特征、所述频域特征和所述时频域特征共同组成的第m组目标域数据集；

最大均值差异值计算模块，用于计算所述目标域数据集DT＝{T1，T2，...,Tm}与所述特征源域数据集Ds＝{S1,S2,…Sn}之间的最大均值差异值；

最相关源域数据集选取模块，用于根据所述最大均值差异值的大小选取与所述目标域数据集最相关的多组特征源域数据集作为最相关源域数据集；

TJM迁移学习模块，用于将所述最相关源域数据集作为迁移联合匹配TJM迁移算法的输入源域集，经过TJM的迭代计算输出滚动轴承的故障诊断结果和正确率。

7.根据权利要求6所述的机械故障诊断系统，其特征在于，所述自适应白噪声完整经验模式分解模块具体包括：噪声信号序列生成单元，用于对于每组所述多故障状态振动信号s(t)，采用公式si(t)＝s(t)+ε0ni(t)确定第i次添加了噪声的信号序列si(t)；其中ε0为自定义信噪比常量；ni(t)为第i次计算添加的零均值单位方差白噪声；i＝1,2,...，I，I为试验次数；

经验模态分解单元，用于采用经验模态分解方法对第i次添加了噪声的信号序列si(t)进行分解，获得第一阶固有模态分量 其中IMFi1表示添加了第i次噪声的第一个模态分量；

余量残差计算单元，用于根据所述第一阶固有模态分量 采用公式确定第j个余量残差rj(t)；

固有模态分量计算单元，用于根据所述第j个余量残差rj(t)，采用公式确定第i次计算的第j阶固有模态分量IMFij；其中算子Ej(·)是采用经验模态分解方法计算给定信号j阶模态的算子，εi为第i个自定义信噪比；

固有模态函数生成单元，用于根据所述IMFij，采用公式 确定一系列固有模态函数 N为模态分量总数。

8.根据权利要求7所述的机械故障诊断系统，其特征在于，所述时域及频域特征提取模块具体包括：方差计算单元，用于采用公式 计算所述多故障状态

2

振动信号的方差δ；其中x(i)为第i组多故障状态振动信号序列；

均方根值计算单元，用于采用公式 计算所述

多故障状态振动信号的均方根值Xrms；其中T为时间序列长度；xi为第i组多故障状态振动信号序列；

偏度计算单元，用于采用公式 计算所述多故障状态振动信号的偏度s；

峭度计算单元，用于采用公式 计算所述多故障状态振动信号的峭度K；

峰值计算单元，用于采用公式 计算所述多故障状态振动信号的峰值XPEAK；

其中C表示峰值因子；

裕度计算单元，用于采用公式 计算所述多故障状态振动信号的裕度CLf；其中Xr为绝对平均幅值。

9.根据权利要求8所述的机械故障诊断系统，其特征在于，所述时域及频域特征提取模块还包括：均方频率计算单元，用于采用公式 计算所述多故障状态振动信号的均方频率MSF；其中f表示所述多故障状态振动信号；s(f)表示多故障状态振动信号f的功率谱；

重心频率计算单元，用于采用公式 计算所述多故障状态振动信号的重心频率FC；

均方根频率计算单元，用于采用公式 计算所述多故障状态振动信号的均方根频率RMSF；

频率方差计算单元，用于采用公式VF＝MSF-(FC)2计算所述多故障状态振动信号的频率方差VF；

频率标准差计算单元，用于采用公式 计算所述多故障状态振动信号的频率标准差RVF。

10.根据权利要求9所述的机械故障诊断系统，其特征在于，所述最大均值差异值计算模块具体包括：最大均值差异值计算单元，用于采用公式

计算所述

目标域数据集DT＝{T1，T2，...,Tm}与所述特征源域数据集Ds＝{S1,S2,…Sn}之间的最大均值差异值MMD；其中n,m分别为特征源域和目标域的样本数目； 表示将xi投影到再生核希尔伯特空间； 表示将zj投影到再生核希尔伯特空间；K是关于核空间H的核矩阵；xi,xk,xj分别为满足P分布的源领域X(s)＝{x1,x2,…xi}中的第i个，第k个，第j个元素；zj,zk分别为满足Q分布的目标领域X(t)＝{z1,z2,…zj}中的第j个，第k个元素。