1.基于多标签零样本学习的滚动轴承故障诊断方法，其特征在于：包括以下步骤：第一步：采集滚动轴承振动信号，构建轴承故障数据集，将振动信号使用短时傅里叶变换进行预处理，得到轴承振动信号的时频图数据集，并划分可见类和未见类；

第二步：构建深度可分离卷积神经网络作为特征提取网络，网络的输入为故障时频图像，输出为故障特征矢量；设置网络参数、代价函数及其优化策略；

第三步：将可见类的时频图输入深度可分离卷积神经网络进行逐层训练，使用训练好的网络对可见类和未见类的时频图进行特征提取；

第四步：多标签零样本学习网络：使用可见类特征数据为各故障属性训练属性学习器，使用训练好的属性学习器预测未见类故障属性，诊断未见类故障的多标签类别；

第五步：判断诊断正确率是否满足实际期望，如果诊断正确率低于设定的阈值则继续训练修正属性学习器，重复第四步直到达到期望精度。

2.根据权利要求1所述的基于多标签零样本学习的滚动轴承故障诊断方法，其特征在于：第二步中，所述的深度可分离卷积神经网络RDSCNN，包括二维卷积层、非线性激活层、深度可分离卷积层、最大池化层和平均池化层，还包括两个残差学习模块；

其中，依次堆叠：二维卷积层、非线性激活层、二维卷积层、非线性激活层、深度可分离卷积层、非线性激活层、深度可分离卷积层、非线性激活层、最大池化层、非线性激活层、深度可分离卷积层、最大池化层、深度可分离卷积层、非线性激活层、深度可分离卷积层、非线性激活层、平均池化层；每个二维卷积层和深度可分离卷积层后分别连接一个批归一化层；

将第四层的输出与第九层的输出做残差连接，再将第九层的输出与第十二层的输出做残差连接；

在网络训练阶段，首先在RDSCNN后加上Softmax层，将整个网络构建成分类网络，然后输入可见类故障时频图像数据集，使用优化器优化网络参数做端到端的故障分类任务；在特征提取阶段，保留分类任务训练好的网络参数，将整个故障数据集的时频图像输入RDSCNN，得到网络输出的故障特征向量。

3.根据权利要求1或2所述的基于多标签零样本学习的滚动轴承故障诊断方法，其特征在于：第四步中，零样本学习故障诊断的方法具体如下：步骤4.1，使用可见类故障时频图像数据集及其故障属性构建训练集Dtr：其中 为第i个训练样本即第i个可见类时频图像， 为与样本对应的可见类s

标签即故障属性， 是可见类故障时频图像数据集， 是可见类别的标签集，N 是可见类样本总数，上标s表示可见类；

使用未见类故障时频图像数据集及其故障属性构建测试集Dte：其中 为第i个测试样本即第i个未见类时频图像， 为与样本对应的未见类u

标签即故障属性， 是未见类故障时频图像数据集， 是未见类别的标签集，N 是未见类样本总数，上标u表示未见类；

可见类和未见类的标签集不相交，即 每种故障标签存在一个与之对应的属性矢量，定义可见类和未见类高维语义属性矢量集分别为：和

其中 是与第i种可见类、未见类相对应的语义属性矢量， 分别表示可见q

类、不可见类的类别总数，R为q维的语义实向量空间；

步骤4.2，提供零样本学习的滚动轴承细粒度属性描述，依据故障类别是否拥有各个细粒度属性得到一个与之对应的二值属性矢量Ai；将属性矢量依据属性描述的类别作互斥属性切分，得到细分属性矢量；多标签零样本网络有监督地为每个细分属性矢量训练一个属性学习器，属性学习器的推理过程表示为f:xi→ai，ai为第i个样本的细分属性矢量a；通过搭建全连接神经网络实现该推理过程：在网络训练阶段，输入可见类故障样本特征 优化如下所示的目标函数：式中W为网络中的权值参数，Ω(W)是正则化项，L(·)为损失值，f(·)为属性学习器的推理函数， 为第i个样本的可见类细分属性矢量；

在网络测试阶段，输入未见类样本特征 得到其在属性层的细分属性矢量映射：最终预测得到其故障类别标签