1.多模态多任务卷积神经网络的齿轮箱故障诊断方法，其特征在于，包括如下步骤：步骤1：获取分布在机组中传感器采集到的振动信号以及发电机定子电流信号，选取M个通道的振动信号以及N个通道的电流信号，针对所述健康状态，对获取到的信号切分后进行连续小波变换，并用转换生成的图像构建数据集，所述M≥3，1≤N≤3；

步骤2：将所述小波图像以并行的方式输入M+N个卷积神经网络中，不同通道的信号输入到不同的卷积网络中学习特征，提取不同种类信号中的故障特征，并将其输入到动态加权模块中进行加权操作，为包含有效特征量不同的通道赋予相应的权重，构成特征空间矩阵；

步骤3：将步骤2中所获得的特征空间矩阵以并行方式输入到所设计的多任务学习模块中进行处理；多任务学习模块包括两个任务，主任务为故障分类诊断，辅助任务为振动与电流多模态特征相关性分析任；将步骤2中所获得的特征空间矩阵输入Softmax分类器中进行分类，产生最终的诊断及分类结果，所获得的结果将作为主任务的约束，提高分类精度。

2.根据权利要求1所述多模态多任务卷积神经网络的齿轮箱故障诊断方法，其特征在于：步骤1包括如下步骤：

步骤11：先将所获得的多通道数据根据故障类型的数目进行打标，并将其利用滑动窗技术分割成若干个长度为L的无重叠片段，得到可供网络训练使用的数据集；

步骤12：将获得的小片段进行傅里叶变换，对其进行平移伸缩变换，最后选择morlet小波基函数进行连续小波变换，变换转化为图像，将获得的图像构成用于输入网络的数据集。

3.根据权利要求1多模态多任务卷积神经网络的齿轮箱故障诊断方法，其特征在于：步骤2包括如下步骤：

步骤21：将步骤S1中得到的小波图像并行输入到M+N个通道的卷积网络模块中，进行特征提取，所提取的特征将作为后面融合层的输入；

步骤22：设置每个通道的卷积神经网络的层数，每个通道分别包括两个卷积层，两个最大池化层，两个Dropout层，提取出信号的故障特征表示，其中卷积层和池化层的滤波器大小相同；

步骤23：将所学习到的信号的故障特征沿着变量轴的方向级联在一起，构成一个特征空间矩阵，每一个通道所得到的特征初始权重相同，用于进一步的加权操作；

步骤24：将特征矩阵输入到动态加权模块，获取全局特征，学习特征通道之间的关联后赋予各通道不同的权重；

步骤25：将上述步骤24中学习到的权重与输入相乘，得到一个重构的特征空间矩阵。

4.根据权利要求1所述多模态多任务卷积神经网络的齿轮箱故障诊断方法，其特征在于：所述步骤3包括如下步骤：

步骤31：将步骤S2中所获得的M个通道的振动信号特征和N个通道的电流信号沿变量轴方向连接在一起，构成两个特征空间矩阵；

步骤32：辅助任务将两个特征空间矩阵输入到典型相关分析网络中，分析信号间的相关性，具体算法如下：

其中，为不同信号的视图表示，即振动信号和电流信号为齿轮箱运行信号的两个不同视图；

步骤33：定义风电齿轮箱故障诊断为一个四分类问题；

步骤34：主任务将步骤S2获取的带有多通道权重的特征空间矩阵输入到具有交叉熵损失函数的Softmax分类器中，对所含故障信息进行分类，其中交叉熵的计算公式如下所示：其中，M为故障类别数量，yic为符号函数(0或1)，若该类别i和样本c的类别相同就是1，否则是0，pic对于观测样本i属于类别c的预测概率；

步骤35：多任务模块的总损失函数表达式如下：Losstotal＝Losscross‑entropy‑αLossCCA其中，α为辅助任务的权重系数；将所得的结果作为网络的输出，得到最后的诊断以及分类结果。