1.一种相关对齐域适应故障诊断方法，其特征在于：包括步骤，采集轴承源振动数据，并将其划分训练样本和测试样本；

构建RMCA-1DCNN模型，训练模型，确定模型参数；

故障诊断；

其中，所述源振动数据包括无标签的目标数据和有标签的源域数据。

2.如权利要求1所述的相关对齐域适应故障诊断方法，其特征在于：所述采集轴承源振动数据通过传感器获取；

其中，所述传感器为加速传感器。

3.如权利要求1或2所述的相关对齐域适应故障诊断方法，其特征在于：所述采集轴承源振动数据，并将其划分训练样本和测试样本包括步骤：通过传感器采集轴承振动信号；

将采集的振动信号转化为源振动数据，并将其分为无标签的目标数据和有标签的源域数据；

其无标签目标数据的目标域测试数据作为测试样本；

将无标签目标数据的目标域训练数据和有标签的源域数据作为训练样本。

4.如权利要求3所述的相关对齐域适应故障诊断方法，其特征在于：构建RMCA-1DCNN模型，训练模型，确定模型参数的包括步骤：构建RMCA-1DCNN模型；

初始化参数；

将训练样本带入模型进行训练，并完成训练，确定模型参数。

5.如权利要求4所述的相关对齐域适应故障诊断方法，其特征在于：所述将训练样本带入模型进行训练，并完成训练，确定模型参数的步骤包括：计算全连接层的LRMCA和分类层交叉熵损失函数LCLASS，定义损失函数；

对损失函数进行优化，并更新每个参数；

是否满足迭代条件；

若否，继续计算；

若是，完成训练，确定模型参数。

6.如权利要求5所述的相关对齐域适应故障诊断方法，其特征在于：所述损失函数L为：L＝LCLASS+αLRECA

＝H(Xs,Ys)+αLlog(Cs,CT)其中，LCLASS表示有标签的源域数据的分类损失，LRMCA表示源域特征和目标域特征二阶统计量的log-E距离，α表示超参数，H(XS,YS)表示源域数据上的交叉熵，其有标签的源域数据的分类损失LCLASS为源域数据上的交叉熵H(XS,YS)。

7.如权利要求6所述的相关对齐域适应故障诊断方法，其特征在于：所述源域数据上的交叉熵H(XS,YS)为：其中，n为样本数目，θ为网络参数值，对每个样本 为实际标签值， 为网络预测值。

8.如权利要求7所述的相关对齐域适应故障诊断方法，其特征在于：所述损失函数的优化基于优化算法实现。

9.如权利要求6～8任一所述的相关对齐域适应故障诊断方法，其特征在于：故障诊断的包括步骤：将测试样本输入到训练完成的RMCA-1DCNN模型；

输出目标域诊断结果。

10.如权利要求9所述的相关对齐域适应故障诊断方法，其特征在于：所述训练样本采用部分重叠的方式分割训练样本，获取增加训练样本数。