1.多传感器信息融合的传动系统故障诊断方法，其特征在于，包括如下步骤：步骤1：获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号、以及声音信号，对获取到的信号切分后进行稀疏共振分解；

步骤2：将步骤1获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；

步骤3：将步骤2中所获得的特征数据以并行方式输入到多任务学习模块中进行处理；

其中，多任务学习模块包括两个任务，分别为一个有监督的分类任务和一个特征度量学习任务，从而实现故障分类。

步骤4：将步骤3中获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断。

2.根据权利要求1所述的多传感器信息融合的传动系统故障诊断方法，其特征在于：步骤1包括如下步骤：步骤11：先将所获得的多传感器数据根据故障类型的数目进行打标，并将其利用滑窗切分的方式分割成若干个长度为L的无重叠、等长度样本片段集，将来源不同的传感器信号通过相同的方式进行切分，且每一类故障样本的数量相同；

步骤12：将获得的每个样本片段进行共振稀疏分解，将获得的数据用于网络的输入数据。

3.根据权利要求1所述的多传感器信息融合的传动系统故障诊断方法，其特征在于：步骤2包括如下步骤：步骤21：将步骤1中得到的输入数据并行输入到各自的卷积神经网络中，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：根据数据的不同特征设置不同的卷积神经网络的层数，每个卷积神经网络分别包括不同的卷积层，和不同的最大池化层，分别提取出信号的故障特征表示；

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，融合多传感器信号的融合特征表示。

4.根据权利要求1所述的多传感器信息融合的传动系统故障诊断方法，其特征在于：所述步骤3包括如下步骤：步骤31：将步骤2中所获得的融合特征表示与训练集标签作为输入参与到多任务模块中，作为中心损失函数的样本中心；两种任务为相关任务，通过度量学习的辅助任务约束同类样本类内距离减小，即聚集样本的作用，其输出为：其中，W和b分别为权重矩阵和偏置向量，通过Adam优化器对模型进行训练，使交叉熵损失收敛到最小，其公式为：其中，M为故障类别数量，N为样本总数，yic为符号函数，其值取0或1，若观测样本i的类别和样本类别c相同就是1，否则是0，pic对于观测样本i的类别和样本类别c相同的预测概率；

度量辅助任务Center‑Loss的计算公式为：d

其中，cyi∈R 为所提取融合特征的第yi类中心，该参数随特征的样本中心的变化而改变；xi表示在全连接层之前所获得的融合特征，m表示训练样本的批大小；

而分类主任务的分类损失函数用以约束不同种类样本的类间距离增加，提升分类的准确率，同时使特征更加显著，增强了模型的泛化性能；

故网络的最终损失函数为：

L＝αLcross‑entropy+βLcenter‑loss其中，α和β为两类Loss在训练中的权重系数，下文中为更好的量化两类Loss对分类结果的影响，令α+β＝1，α，β≥0。

5.根据权利要求1所述的多传感器信息融合的传动系统故障诊断方法，其特征在于：所述步骤4包括如下步骤：步骤41：通过声阵列传感器对具有故障信息的异常发声部位进行定位；

步骤42：将步骤3中获得的故障分类和声阵列传感器相结合，对声音异常部位进行定位分析，输出准确的故障位置。

6.多传感器信息融合的传动系统故障诊断系统，其特征在于，包括：振动采集模块，用于采集传动系统中的振动信号；

电流采集模块，用于采集现场电机定子电流信号；

声音采集模块，用于采集传动系统中的声音信号；

振动特征提取卷积神经网络，用于对振动信号进行特征提取；

电流特征提取卷积神经网络，用于对电流信号进行特征提取；

声音特征提取卷积神经网络，用于对声音信号进行特征提取；

级联模块，用于对振动、电流和声音特征进行级联处理；

多任务分类模块，用于对级联处理后的数据进行判断分类；

声阵列传感模块，用于采集异常部位的信号；

故障输出模块，用于通过异常部位的信号和判断分类的信号相结合，进行分析，输出准确的故障位置。