1.一种基于部分域适应和知识蒸馏的旋转设备故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，收集任一工况包含故障类别数大于第一预设数量的数据作为所述源域数据，所述源域数据均为有标签数据，所述有标签的源域数据集表示为其中表示源域第i个样本，表示第i个样本的故障标签，ns表示源域样本数，源域数据集的标签空间为ys，对应的边缘状态分布为ps。
3.根据权利要求2所述的方法，其特征在于，收集任一工况以外其他工况包含故障类别数小于第二预设数量的数据作为所述目标域数据，所述目标域数据均为无标签数据，所述目标域数据是源域数据的子集，所述无标签的目标域数据集表示为其中，表示目标域第i个样本，nt表示目标域样本数，目标域数据集的标签空间为yt，对应的边缘状态分布为pt，目标域标签信息为源域标签信息的子集
4.根据权利要求1所述的方法，其特征在于，所述故障识别网络中每个迁移网络结构分别为特征提取器、域判别器和分类器；其中，特征提取器利用vit网络构造而成，域判别器和分类器均为三层全连接神经网络。
5.根据权利要求4所述的方法，其特征在于，所述特征提取器包括：输入处理模块、transformer编码模块以及降维模块，在所述输入处理模块中，首先，将采集到的一维振动信号截断为n个等间隔的token，得到vit网络的输入数据；然后，将截取的n段振动信号带入全连接神经网络进行处理后，与可训练的参数类别token进行拼接，得到组合特征；最后，将可训练的参数位置嵌入编码和组合特征进行相加后得到transformer编码层的输入特征；
6.根据权利要求2所述的方法，其特征在于，两个平行的迁移网络中源域和目标域共享标签空间下的边缘分布对齐，包括：
7.根据权利要求6所述的方法，其特征在于，边缘分布对齐过程包括以下步骤：
8.根据权利要求7所述的方法，其特征在于，两个平行的迁移网络中源域和目标域的状态分布对齐包括：