1.一种基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于，具体包括以下步骤：

（1）通过传感器采集原始振动信号并通过全方位虚拟振动信号再生实现虚拟振动信号获取；

（2）对原始振动信号及生成的多路虚拟振动信号进行周期采样分析，得到信号一维频谱图像，根据信号频谱能量排序构建振动图像；

（3）将待检测目标领域的航空发动机振动图像与跨领域迁移学习到的局部特征送入CNN模型，并构建SDAE模型；

（4）对航空发动机振动图像部分损坏或丢失的输入数据进行重建，实现航空发动机故障振动图像的高层全局特征获取；

（5）基于自学习特征权重可视化和基于平均梯度的特征权重排序的方法，直观分析和比较不同旋转机械设备局部特征迁移学习对目标领域航空发动机故障诊断性能的影响情况；

（6）基于采样周期、多模态故障特征以及故障位置的时空相关性，构建基于时空相关的多模态特征航空发动机故障诊断模型，对多模态故障特征进行故障特征组聚类；

（7）结合多模态特征航空发动机故障诊断模型，通过张量分解算法对航空发动机故障进行诊断。

2.根据权利要求1所述的一基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于：步骤（1）中所述全方位虚拟振动信号再生通过以下公式实现：式中， 分别为采集到的振动信号，为第 个振动信号，N为振动图像构建中需要的振动信号路数， 为相对基准方向旋转的角度， 为不同转角下虚拟振动信号的权重系数。

3.根据权利要求1所述的基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于：步骤（3）中所述的SDAE模型由多个DAE模型堆栈构成，所述DAE模型包含输入层、输出层以及隐藏层。

4.根据权利要求1所述的基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于：步骤（3）中所述的跨领域迁移学习到的局部特征由以下公式实现，从跨领域旋转机械设备振动图像中采集第i个图像块尺寸为 ，得到 维向量 ，白化处理后的输入向量为 ，

式中， 代表 大小的白化变换系数矩阵， 代表SAE隐层与白化后数据间输入权重， 代表输入偏置， 代表激活函数 是 第个复原样本， 代表输出权重，代表输出偏置，为无标记训练样本数，为权重衰减系数，为稀疏惩罚权重，为隐层单元数，为目标稀疏值，白化处理的整体权重 。

5.根据权利要求1所述的基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于：步骤（4）所述的对航空发动机振动图像部分损坏或丢失的输入数据进行重建由以下公式实现，首先在学习过程中对包含部分损坏或丢失的特征输入 通过编码函数 送入隐藏层进行映射，然后，通过解码函数 利用隐藏映射 重构输入 ，式中， 为输入包含部分损坏或丢失的特征， 为权值， 为偏差矩阵。

6.根据权利要求1所述的基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于：步骤（5）中所述的学习特征权重可视化由以下公式实现：式中， 为连接隐层与原始数据整体权重 ， 代表第j个隐层单元与输入图像块向量形式的第k个元素间系数， 代表第j个隐层单元权重系数向量，将每个维的特征权重向量进行归一化处理后进行图像显示即为对学习结果的直观表示。

7.根据权利要求1所述的基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于：步骤（6）所述的多模态故障特征时空模型由矩阵 、3阶张量 和矩阵组成。

8.根据权利要求1所述的基于视觉特征融合的复杂旋转机械设备故障诊断方法，其特征在于：步骤（7）所述的张量分解算法具体如下：基于传统张量分解形式建立新型的张量分解形式：将张量分解问题转化为最小化问题求解：将KL散度函数 作为代价函数，并进行归一化处理，建立散度函数表达式：对其进行优化，定义 为更新前数值，通过下式对其进行更新并对V、Z进行归一化处理：

式中， 为多模态故障特征的表示， 为故障事件的表示， 代表权值，为故障事件，为采样周期，为故障类型，为多模态故障特征分组，为故障位置。