1.一种基于深度学习的机械装备故障诊断方法，其特征在于，包括以下步骤：步骤S1：对机械设备的主要数据源和次要数据源进行数据采集并进行预处理，得到数据集，其中，主要数据源为传感器监测数据，次要数据源为运行状态数据和历史检验数据；

步骤S2：采用5折交叉验证方法，将数据集分为训练集、验证集和测试集；

步骤S3：基于卷积神经网络(CNN)和双层双向长短时记忆网络(BD‑LSTM)建立故障诊断模型，将训练集输入故障诊断模型中提取隐藏特征后进行训练，并输出诊断结果；

步骤S1中的数据预处理方法包括如下步骤：

步骤S11，对所采集的数据进行缺失值处理；对运行状态数据和历史检验数据采用多重插补法进行缺失值处理；对传感器监测数据采用删除存在缺失值的方法进行缺失值处理；

步骤S12，对经S11处理的数据采用Z‑score标准化方法进行归一化处理；

步骤S13，对经S12处理的数据进行滑窗处理；

5折交叉验证方法步骤为：

步骤A1：将全部训练集S分成5个大小相似的互斥子集，相应的子集称作{s1,s2,…,s5}；

步骤A2：对于每一个模型Mi，算法执行5次，每次从分好的子集中里面，拿出一个作为验证集，其它4个作为训练集；

步骤A3：根据训练集训练出模型或者假设函数，把这个模型放到验证集上，得到分类率；

步骤A4：计算5次求得的分类率的平均值，作为该模型或者假设函数的真实分类率；

故障诊断模型包括输入层，特征提取层，BD‑LSTM层和全连接层；

故障诊断模型输入层用于输入传感器监测数据、运行状态数据和历史检验数据经过预处理后的数据；

特征提取层用于对预处理后的数据进行隐藏特征学习，其中，传感器监测数据采用CNN和BD‑LSTM并行训练方式；通过CNN对输入的运行状态数据和历史检验数据进行卷积运算，实现局部特征提取；

BD‑LSTM层将传感器监测数据、运行状态数据和历史检验数据完成隐藏特征学习后的四个支路的结果结合在一起，再放入BD‑LSTM层中学习更高的特征；

全连接层利用所有特征的学习表示进行最终回归，对所述机械装备的数据进行分类识别，最后实现对机械装备进行故障诊断；

BD‑LSTM层网络结构包括输入层、第一BD‑LSTM层、连接层、第二BD‑LSTM层和输出层；

BD‑LSTM层的网络输入层用于数据的输入；

第一BD‑LSTM层用于对数据的预测和平滑，并将来自预测和平滑过程的结果串联并通过连接层重新分配到第二BD‑LSTM层，第二BD‑LSTM层通过融合来自两个方向路径的结果来获得每个时间步长的最终预测；

BD‑LSTM模型单元状态被分为长期状态c(t)和短期状态h(t)两部分；沿着状态路径有遗忘门f(t)，输入门i(t)和输出门o(t)三个控制门；长期状态、短期状态、遗忘门和输出表达式分别为：长期状态：

短期状态：

遗忘门：

输出：

上述表达式中，下划线指示向后的路径，上划线表示候选状态；W和b分别表示对应权重系数矩阵和偏置项；σ和tanh分别表示Sigmoid和双曲线正切激活函数。