1.轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，获取轴承目标域样本集和源域样本集；

步骤2，根据目标域样本集和源域样本集计算各个源域样本占源域总样本的源权重系数；

步骤3，建立目标轴承诊断BN模型结构，根据目标轴承诊断BN模型结构和目标域样本集计算目标域初始BN参数的参数平衡系数α1和总源域的BN参数的参数平衡系数α2；

步骤4，建立源域轴承诊断BN模型结构，根据源域样本集和源域轴承诊断BN模型结构的关系确定各个源域BN模型参数，并根据目标域样本集计算目标域初始BN模型参数；

步骤5，根据各个源域BN模型参数计算得到总源域BN模型参数，通过总源域BN模型参数和目标域初始BN模型参数确定目标域最终BN模型参数；

步骤6，获取待诊断轴承的观测证据，利用该观测证据结合目标轴承诊断BN模型进行故障推理，完成轴承故障诊断。

2.如权利要求1所述的轴承故障诊断方法，其特征在于，步骤1具体包括：获取样本数据，并对样本数据进行小波包分解、能量求和特征量获取和离散化处理，对样本数据处理后得到目标域样本集和源域样本集。

3.如权利要求1所述的轴承故障诊断方法，其特征在于，步骤2具体包括：确定各个源域样本集的大小m(n)；

计算各个源域中样本值占源域总样本值的源权重系数k(n)，如下式：

4.如权利要求3所述的轴承故障诊断方法，其特征在于，步骤3具体包括：根据专家知识建立目标轴承诊断BN模型结构G1；

根据目标轴承诊断BN模型结构G1计算小样本集阈值C1；

确定目标域样本集的大小M；

根据小样本集阈值C1和目标域样本集大小M计算得到目标域初始BN模型参数的平衡系数α1和总源域BN模型参数的平衡系数α2，如下式：α2＝1‑α1

其中，X为常量系数，取值范围为[0,1]。

5.如权利要求4所述的轴承故障诊断方法，其特征在于，步骤4中各个源域BN模型参数的确定方法为：根据专家知识建立源域轴承诊断BN模型结构G2(n)，根据源域轴承诊断BN模型结构G2(n)计算小样本集阈值C2(n)；

根据小样本集阈值C2(n)，对各个源域的样本统计值进行判断，若第t个源域样本的统计值大于阈值C2(t)，其中t＝1,2,...,q，则采用最大似然估计的方法学习出各个源域的BN模型参数θni，其中i为源域BN模型子节点的第i个节点。

6.如权利要求5所述的轴承故障诊断方法，其特征在于，步骤4中目标域初始BN模型参数的计算方法为：对于目标域样本集中的样本采用最大后验估计的方法计算目标域初始BN模型参数θTj,其中j为目标域BN模型的第j个节点。

7.如权利要求6所述的轴承故障诊断方法，其特征在于，步骤5中总源域BN模型参数的计算方法为：对计算得到的各个源域BN模型参数进行加权求和，计算得到总源域的BN模型参数θSi，如下式：

8.如权利要求7所述的轴承故障诊断方法，其特征在于，步骤5中目标域最终BN模型参数的计算采用下式：θij＝α1θTj+α2θSi。

9.如权利要求7所述的轴承故障诊断方法，其特征在于，步骤6具体包括：对观测的轴承振动信号进行数据采集及离散化处理，得到观测证据ev；

在目标轴承诊断BN模型中，输入待诊断的观测证据ev，利用Pearl连接树算法进行推理，得到目标属性概率Ω'；

判断目标属性概率Ω'是否大于或等于诊断属性概率阈值Ω，若满足则输出目标属性，完成轴承故障诊断；其中，诊断属性概率阈值Ω在目标BN模型与资源BN模型满足结构一致性和参数维度一致性时设置。