1.一种无监督域适应故障诊断方法，其特征在于：包括，获取轴承源振动数据，并将其划分训练样本和测试样本；

构建CACD‑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，所述CACD‑1DCNN模型的目标函数定义如下：L＝LS+αLCA+βLCD；

式中，LCA表示相关对齐损失，LCD表示基于中心的判别损失，LS表示softmax损失，α和β是平衡域差异损失和判别损失的权衡参数；

所述相关对齐损失LCA为：式中， 表示矩阵F范数的平方，CS和CT分别表示源特征和目标特征的协方差矩阵；

其中，所述源特征和目标特征的协方差矩阵CS和CT公式为：T

CS＝ASJAS

T

CT＝ATJAT

式中，AS和AT分别表示源域和目标域中按列存放的d维激活特征，J表示中心矩阵；

所述基于中心的判别损失LCD为：s

式中， 表示二范数的平方，β表示一个权衡参数，m1和m2分别表示两个约束边界；fi ∈n

R表示全连接层第i个训练样本的深度特征，n表示全连接层神经元的数量， 表示第yi个样本对应深度特征的类中心，yi∈{1,2,…,c}，c表示类的数量。

2.如权利要求1所述的无监督域适应故障诊断方法，其特征在于：所述获取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2所述的无监督域适应故障诊断方法，其特征在于：所述获取轴承源振动数据，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1～3任一所述的无监督域适应故障诊断方法，其特征在于：所述构建CACD‑1DCNN模型，训练模型，确定模型参数的包括步骤：构建CACD‑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；

其中，所述参数包括模型权值和偏置。

5.如权利要求4所述的无监督域适应故障诊断方法，其特征在于：将训练样本带入模型进行训练，并完成训练，确定模型参数：将训练样本带入模型，分别计算源域分成层交叉熵损失、基于中心的判别损失和两个域间最后一个全连接层相关对齐损失；

优化损失函数，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；

其中，所述损失函数的优化基于优化算法实现。

6.如权利要求1所述的无监督域适应故障诊断方法，其特征在于：所述故障诊断的包括步骤：

将测试样本输入到训练完成的CACD‑1DCNN模型；

输出目标域故障诊断结果。

7.如权利要求5所述的无监督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。