1.一种基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，包括以下步骤：S1：从机械设备的不同工况下采集数据，构成源域数据集和目标域数据集；

S2：对源域数据集和目标域数据集进行切片得到多个源域样本和目标域样本，并对每个源域样本和目标域样本进行归一化处理；

S3：构建基于核敏感度对齐的子域自适应深度神经网络模型，包括：特征提取器、标签分类器、LMMD模块和核敏感度鉴别器；

S4：将归一化处理后的源域样本和目标域样本分别输入到特征提取器中，获得源域的特征向量以及目标域的特征向量；

S5：将源域的特征向量输入到标签分类器中，使用预测结果和源域标签计算源域的分类损失；将目标域的特征向量输入到标签分类器中，获得目标域的伪标签；

S6：将源域的特征向量、目标域的特征向量、源域标签和目标域的伪标签输入到LMMD模块，生成源域核矩阵、目标域核矩阵和LMMD损失；

S7：根据源域的特征向量、目标域的特征向量、源域核矩阵、目标域核矩阵计算出源域样本和目标域样本相应的核敏感度，将核敏感度输入到核敏感度鉴别器获得KSA损失；

步骤S7具体包括：

和 是RKHS中源域和目标域的样本内积

之和，其对应的源域核矩阵Ks,s和目标域核矩阵Kt,t表示如下：通过源域核矩阵和目标域核矩阵对样本求偏导来获得每个样本的核敏感度si，计算如下：其中，G(·)d表示特征向量的第d个元素， 和 分别为源域样本和目标域样本；

将核敏感度输入核敏感度鉴别器Dm(·)中，利用核敏感度鉴别器的二元分类结果和域标签，使用二元交叉熵计算出KSA损失如下：其中，Lb(·,·)是二元交叉熵损失函数，di＝0为源域标签，dj＝1为目标域标签；

S8：将源域的分类损失、LMMD损失、KSA损失相加得到总损失，以总损失最小为优化目标，使用随机梯度下降法优化模型；

S9：判断是否达到指定迭代次数，若是，则结束训练，通过训练好的深度神经网络模型进行变工况下机械故障诊断，并获得故障诊断结果；否则返回步骤S4。

2.根据权利要求1所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，S1和S2具体包括：采集一种已知故障信息的轴承振动信号作为源域数据集 对源域数据集进行分类作为源任务

采集其他工况下未知故障信息的轴承振动信号作为目标域数据集对目标域数据集进行分类作为目标任务

S S T T

其中， 和 分别表示源域和目标域的特征空间，P (X)和P (X)分别表示源域和目标域的概率分布， 表示由源域的共ns个样本组成的数据集，表示由目标域中的共nt个样本组成的数据集， 和 分别表S T

示源任务和目标任务的标签空间，f (·)和f (·)是源域和目标域的映射函数，表示数据集的样本与预测结果之间的关系；

通过滑动窗口对采集的源域数据集和目标域数据集进行切分生成源域样本和目标域样本；

对每个源域样本和目标域样本均进行归一化处理。

3.根据权利要求1所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，步骤S3中，所述特征提取器包括依次设置的三个一维卷积层、一个展平层和一个全连接层；其中前两个卷积层的卷积核尺寸较大，后一个卷积层的卷积核尺寸较小，每个卷积层后面都有一个最大池化层；在每个卷积层后使用批标准化和Leaky ReLU函数，在全连接层后使用ReLU函数。

4.根据权利要求1所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，步骤S3中，所述标签分类器包括一个全连接层，输入维度数量为特征向量的维度数，输出维度为轴承故障类别的数量。

5.根据权利要求1所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，步骤S3中，所述核敏感度鉴别器包括一个梯度反转层GRL和三个依次设置的全连接层，每个全连接层后都使用批标准化、ReLU函数和dropout函数。

6.根据权利要求2所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，步骤S4具体包括：s t

对于源域样本 和目标域样本 使用特征提取器G(·)将x 和x 通过和 映射到一个共同特征空间，其中， 表示源域和目标域的D维特征向量。

7.根据权利要求6所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，步骤S5具体包括：将源域的特征向量 和目标域的特征向量 送入标签分类器C(·)进行预测，得到预测结果为 其中， 分别是源域和目标域的得分向量，K为样本的种类数；

s

根据z和真实的源域标签 使用标准交叉熵公式计算源域的分类损失，并通过反向传播最小化损失来训练由特征提取器G(·)和标签分类器C(·)构成的分类模型，模型在源域上的分类损失 表示如下：其中，Lc(·,·)是交叉熵损失函数；

t

将目标域的得分向量z由softmax函数处理，得到向量 的每个元素 都代表 属于相应k类别的概率，其计算如下：采用 作为 的伪标签。

8.根据权利要求2所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，步骤S6中：所述LMMD模块，用于对源域和目标域中相同类别数据的分布进行对齐，使两个域的条件分布相同，LMMD定义如下：s t (c) (c)

其中，x和x是源域和目标域的样本，E代表数学期望，p 和q 分别是源域和目标域中c类的分布，H是由定义的核函数k(·,·)产生的再生核希尔伯特空间RKHS，Φ表示将原始数据映射到RKHS的特征映射；

c

将参数w定义为每个样本属于每个类别的权重，则对LMMD的无偏估计定义如下：其中， 和 分别表示第i个源样本 和第j个目标样本 属于C类的权值，和 以及 是类别C样本的加权和； 的计算方

式如下：

其中，yic是向量yi的第c个元素，对于源域样本 使用真实的源域标签 的one‑hot编码来计算 对于无监督领域自适应中的每个未标记的目标领域样本 采用 作为一种伪标签来计算目标样本的 计算源域的特征向量 和目标域的特征向量的LMMD距离如下：

其中，k(·,·)表示核函数；

计算核矩阵K：该矩阵由分别定义在源域、目标域和跨域的内积矩阵Ks,s,Kt,t,Ks,t,Kt,s组成，表达式如下：将LMMD距离用核矩阵方法来表示，权值矩阵W中的每个元素Wij定义如下：基于核矩阵K和权值矩阵W，LMMD损失表示如下：

9.根据权利要求1所述的基于核敏感度对齐网络的变工况下机械故障诊断方法，其特征在于，步骤S8中，总损失的表达式如下：其中，λ1,λ2为两个平衡参数； 为源域的损失， 为LMMD损失， 为KSA损失，使用反向传播以最小化总损失 为目标来训练深度神经网络模型的参数；

特征提取器的参数θf、标签分类器的参数θc和核敏感度鉴别器的参数θm通过反向传播更新如下：其中，η表示学习率。