1.基于生成对抗学习的货车轴承故障识别方法，其特征在于：包括以下步骤：

步骤1、建立轮对振动试验台，设计并制作不同故障类别的滚动轴承，将其依次安装于轮对振动试验台上进行测试，获取轮对在高速转动下轴箱的振动信号；

步骤2、将振动信号上传到服务器终端，按照一定窗长大小对原始数据进行移动分窗处理，对处理后的时域振动信号数据进行快速傅里叶变换得到其对应的频域信号，并按照一定规则将所有工况类别的振动频域信号数据划分为源域数据和目标域数据，目标域数据进一步划分为辅助数据和未知数据；

步骤3、建立一维信号的卷积神经网络CNN模型，将源域数据输入到模型中进行参数预训练；

步骤4、将训练后的卷积神经网络模型作为生成对抗网络GAN模型的分类器，并将源域数据和辅助数据作为生成对抗网络模型的输入，通过生成对抗网络模型进行训练；

步骤5、利用训练后的生成对抗网络模型合成大量目标域数据，利用合成的数据对卷积神经网络进行二次训练；

步骤6、使用所述卷积神经网络对未知数据进行测试。

2.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤1中，通过无线加速度传感器获取轮对在高速转动下轴箱的振动响应信号。

3.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤1中，不同故障类别的滚动轴承的分类方法为：根据故障位置分为内圈、外圈和滚子故障，每类故障位置又进一步划分为剥落、磨损和开裂故障，以上包含正常轴承在内共计10种工况。

4.根据权利要求3所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤2中，源域数据为正常、内圈剥落、内圈磨损、内圈开裂、外圈剥落和滚子剥落的数据，目标域数据为外圈磨损、外圈开裂、滚子磨损和滚子开裂的数据。

5.根据权利要求4所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤2中，按照0.001、0.01、0.05、0.1、0.5或0.8的比例将目标数据集划分为辅助数据和未知数据。

6.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤4中的具体步骤如下：步骤4.1、将辅助数据和源域数据的各类故障轴承振动频域信号，对应的故障类别标签及故障属性输入到模型中；

步骤4.2、生成具有正态分布的随机噪声，并将随机噪声和故障属性输入到对抗网络GAN模型的子模块生成器中，生成一系列故障属性对应的伪振动信号；

步骤4.3、将伪振动信号和对应故障属性下真实的振动信号数据输入到对抗网络GAN模型的子模块鉴别器中，输出一个0到1之间的标量代表鉴别器对该伪振动信号的评价分数，数值越高代表越接近真实数据；同时，在真假样本之间进行采样，并将采样结果输入到鉴别器中；鉴别器的损失函数最终组成为假数据得分结果加采样数据得分结果加真数据得分结果的相反数，采样数据得分结果项为梯度惩罚；经过反复的迭代和参数更新后，鉴别器能够尽可能地识别真实和伪造的数据；

步骤4.4、经过若干次步骤4.3的迭代后，训练回到步骤4.2过程中；同时，将生成器输出的伪数据输入到步骤3预训练得到的卷积神经网络分类器中得到故障类型的诊断结果；生成器的损失函数为鉴别器给出的评价分数和分类器给出的诊断结果之和，通过梯度下降法对生成器参数进行更新，使生成器输出的伪振动信号尽可能地和真实数据一致；通过多次步骤4.2到步骤4.4的循环迭代，使生成器和鉴别器在对抗学习中更加强大，鉴别器迫使生成器输出的伪数据和真实数据越来越接近。

7.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤5中的具体步骤如下：步骤5.1、将目标数据集的各类故障类别标签及故障属性输入到经步骤4训练后的模型中；

步骤5.2、将目标数据集的故障属性和随机生成正态分布噪声输入到模型中的生成器子模块，得到对应该故障属性的伪振动信号；

步骤5.3、将步骤5.2得到的大量目标域伪振动信号输入到卷积神经网络分类器中对该模型进行参数更新，最终使得分类器能够在步骤6中适应新类别数据的故障诊断。