1.一种基于边云协同的自适应多模型驱动设备故障诊断方法，其特征在于：包括下述步骤：
s1：云端首先训练通用工况的诊断模型，并下发给边缘端作为边缘端诊断模型，实现了跨工况诊断，系统在云端及边缘端部署深度学习算法模型，并对模型中不同类型的层建立基于对数的回归预测模型，以预测诊断模型分支的服务响应时延；
s2：边缘端得到用户时间容忍因子值后，进行自适应多模型选择，诊断模型分支决策器选择满足用户时间容忍因子且准确率最大的模型分支并获得相应的边云划分点；
s3：根据所选模型分支的划分点，边缘端首先执行分支模型前端部分，中间结果上传到云端后，云端执行模型的后端部分，最终的诊断结果返回给边缘端；
s4：边缘端将个性化工况的数据集上传汇总至云端，形成云端数据集；云端定期重新训练模型，优化调整模型权重，提高模型诊断精度与泛化性。
2.根据权利要求1所述的一种基于边云协同的自适应多模型驱动设备故障诊断方法，其特征在于：所述步骤s2中，采用时间容忍因子多模型分支选择方法，步骤如下：
1-1）在云端与边缘端按照网络层的类型建立基于对数的回归模型，根据该回归模型对诊断模型每层的执行时间进行预测，求和累加后即为模型总执行时间；
1-2）多模型选择前，由1-1）建立的回归模型对3个分支模型的执行时间进行预测；
1-3）接收用户的诊断时间容忍因子值，作为诊断模型选择的依据；
1-4）根据用户时间容忍因子，选择预测时延略低于但最接近时间容忍因子的分支，以达到在时间容忍因子范围内诊断模型准确率的最大化。
3.根据权利要求1所述的一种基于边云协同的自适应多模型驱动设备故障诊断方法，其特征在于：所述步骤s3中，采用基于边云协同的诊断模型划分方法，具体为：
将执行时间长或算力资源消耗大的层卸载到云端以减少端到端等待时间，同时划分点层的输出数据量小，以减少数据传输量，划分点之前的层由边缘端先执行，执行完毕后，中间结果上传到云端，云端执行划分点层之后的层，这些层的执行时间长或算力资源消耗大，执行完毕后，诊断结果返回给边缘端。