技术特征：
1.一种基于深度子域适配迁移网络的风力发电机系统故障诊断方法，其特征在于，所述方法包括以下步骤：1)对源系统和目标系统的原始多通道振动数据进行采样，以便于深度神经网络的输入；2)搭建深度神经网络，包括由卷积网络组成的特征提取器，由全连接网络组成的分类器，以及域适应网络；3)把源系统的数据和标签以及目标系统的数据同时喂入神经网络中进行训练，训练过程中保证源系统的分类错误减小的同时也让源系统数据和目标系统数据每一个子域的距离减小；4)用训练好的神经网络来进行故障诊断。2.如权利要求1所述的基于深度子域适配迁移网络的风力发电机系统故障诊断方法，其特征在于，所述步骤2)中，卷积网络依次为：卷积层一、批归一化层一、dropout层、池化层一、激活层一、卷积层二、批归一化层二、dropout层、池化层二、激活层二、卷积层三、批归一化层三、dropout层、池化层三、激活层三、卷积层四、批归一化层四、dropout层、池化层四、激活层四；卷积层用数学公式表述为：式中，x
⊙
表示卷积操作输出值，n表示输入数据的通道数，
⊙
表示一维卷积运算，k
j
表示卷积核参数，表示卷积操作的区域，i表是卷积的起点，h表示是卷积区域的长度，b是偏差。批归一化层由以下数学公式表示：批归一化层由以下数学公式表示：批归一化层由以下数学公式表示：批归一化层由以下数学公式表示：其中x
n
和y
n
分别代表小批量的输入和输出特征，h是批次大小，∈是一个极小值，其作用是防止分母为零，γ和β是两个可训练的参数，用于缩放和移动分布；dropout层通过在神经网络训练时，以一定概率移除神经元来防止神经网络出现过拟合；池化层通过下采样来降低特征维度，去除冗余信息，对特征进行进一步压缩，简化网络
复杂度。池化层可由下面式子表示：其中，x
i
表示区域中指定神经元的活动值，是池化层输出值；激活层：其作用是增强神经网络的非线性能力；分类器和域适应网络由全连接层组成。3.如权利要求2所述的基于深度子域适配迁移网络的风力发电机系统故障诊断方法，其特征在于，所述步骤3)中，总体损失函数为分类损失和子域距离损失只和：loss＝l
c
+λl
d
ꢀꢀꢀꢀ
(8)其中λ是可调参数，用于控制域损失的权重。l
c
为分类损失，l
d
为子域距离损失；分类损失可以由交叉熵函数计算：其中y
*
是真实标签，是softmax层输出的概率；源域和目标域之间的距离可以由下面式子表示：其中φ(
·
)是映射，用于将原始变量映射到再生核希尔伯特空间中；使用真实值来估计两个分布的距离，可以将上述公式的平方简化为：其中是的无偏估计量，k(
·
，
·
)＝<φ(
·
)，φ(
·
)>表示向量的内积；考虑到整体的分布会影响局部类的判别，因此可以计算每个子域的距离，通过减少每个子域的距离来减小域分布之间的距离：
其中p
(c)
是子类的分布。经过神经网络预测后，假设每个样本根据权重w
c
属于每个类别，则上述公式的无偏估计表示为：其中和分别表示和属于类别c的概率权重并且属于类别c的概率权重并且计算为：在源域中，直接使用实标签的onehot向量来计算使用神经网络的输出来计算权重距离进一步计算为：其中z1是第1层激活函数输出；仅使用单个内核空间来计算lmmd距离将使最终的训练效果不佳，使用多个内核空间(mk
‑
lmmd)来计算lmmd距离；其中β为每个核函数取的权值。