1.基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，包括以下步骤：步骤一：获取齿轮箱不同故障模式下的振动信号，所述振动信号为一维时序数据；

步骤二：利用相同大小的滑动窗口截取所述一维时序数据获得样本，并根据实际故障类型设置各样本标签；按照预设比例将所得样本划分成训练集、验证集与测试集；

步骤三：构建基于自注意力机制的多尺度特征融合故障诊断模型；

所述基于自注意力机制的多尺度特征融合故障诊断模型包括并行的低频特征提取通路及局部时域特征提取通路、特征融合网络及分类网络；

所述低频特征提取通路和所述局部时域特征提取通路均包括卷积层、池化层及批归一化层，输入为齿轮箱原始振动信号，输出为大小相同的特征向量；所述低频特征提取通路采用大卷积核，所述局部时域特征提取通路采用小卷积核；所述特征融合网络包括MHSA模块、改进的CBAM模块及批归一化层；所述分类网络包括池化层、全连接层和Softmax分类器，利用平均池化以降低特征维度，采用一层全连接及Softmax分类器进行故障特征分类；所述CBAM模块的激励函数选用Sigmoid，模型其余激活函数均选用Relu；

步骤四：将所述训练集输入构建的故障诊断模型进行训练；

训练时先将所述训练集中的有标签样本输入至所述故障诊断模型得到预测输出，再与真实的标签计算交叉熵损失然后使用Adam优化器反向传播优化网络参数，直到训练损失稳定到设定值以下或达到迭代次数；

步骤五：将待检测振动信号样本按照一定长度进行截取，输入步骤四中训练完成的故障诊断模型，得到故障诊断结果；

其中，所述CBAM模块通过将注意力映射沿特征向量的通道与空间两个独立的维度注入；在通道注意力中，采用压缩输入特征映射的空间维度的方法；在空间注意力中，沿着通道维度进行平均池化和最大池化，并将它们连接起来以描述特征信息；通过分配各自注意力权重，对输入的特征向量进行自适应特征细化，进一步学习故障敏感信息；CBAM模块的输入为MHSA模块的输出，输入前经过批归一化处理，CBAM模块的数学模型如下：；

；

；

；

其中，为MHSA模块输出的特征向量，与分别为通道注意力与空间注意力，表示对应位置元素相乘，表示多层感知机，与分别表示平均池化与最大池化，为卷积操作，为Sigmod激活函数；

对所述空间注意力进行改进，改进后的1D-CBAM模块的空间注意力与原通道注意力相同，均使用并行全连接层替代卷积操作；同时在MHSA模块输出与主要特征输入之间引入残差连接，则所述改进后的1D-CBAM模块的空间注意力的数学模型更新为：；

。

2.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤二中：所述滑动窗口的大小为1024，截取方式为随机截取；所述训练集、验证集与测试集比例为6：3：1，所述样本标签设置为,为齿轮箱故障类型数，所述训练集批量输入至故障诊断模型进行训练。

3.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤三中：低频特征提取通路结构包括依次相连的第一卷积层—第二卷积层—第一池化层—第三卷积层—自适应池化层一，局部时域特征提取通路结构包括依次相连的第四卷积层—第二池化层—第五卷积层—第三池化层—第六卷积层—第四池化层；针对一维齿轮箱振动信号输入，各卷积层使用一维卷积神经网络；第一至第四池化层采用最大池化；所述自适应池化层一按照给定输出维度对输入进行平均池化，所述自适应池化层一用于维度修整；各卷积层与MHSA模块之后均引入批归一化层调整协变量偏移，改善训练性能；对于批量输入的样本，所述批归一化层做以下操作：；

；

；

；

其中，和为均值和方差，m 为输入样本总数，为常数，和为可学习参数，为输出。

4.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤三中：所述MHSA模块利用不同参数下的投影进行基于相似度的振动信号融合特征学习；所述MHSA模块具有三个同维输入，分别为查询矩阵Q、键矩阵K和值矩阵V，将所述低频特征提取通路输出的低频特征向量分别作为Q、K输入，为主要特征；将所述局部时域特征提取通路输出的局部时域特征向量作为V输入，为辅助特征；所述主要特征和所述辅助特征分别经过多次线性投影进行注意力计算，计算公式为：；

其中，为查询向量的维度，、和分别为经过投影的对应向量。

5.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤三中：分类网络结构包括依次相连的Flatten层—自适应池化层二—全连接层—Softmax分类器；所述自适应池化层二用于降低融合特征维度，防止过拟合；所述Softmax分类器是一种监督学习分类器，输出为一维特征向量，向量各位置的值对应各故障类型的概率；假设所述训练集的样本总量为N 、分为C 个类别，记第i 个样本的预测输出为，输入样本属于第c 类的概率用表示，则对应Softmax函数各位置的输出值gw,b(x i)表示为：其中，和分别是各故障类型的参数；所述Softmax分类器的最终分类结果为拥有最大概率值位置所对应的故障类型。

6.根据权利要求1所述的基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法，其特征在于，在步骤四中：交叉熵损失函数与Softmax分类器组合使用以计算预测类别与故障类别的差异程度，以最小化损失函数为目标进行反向传播更新模型内部参数，所述交叉熵损失函数的数学表达式如下：；

其中：为该类故障的样本数；和分别为第个样本的真实值和预测值；

所述Adam优化器的迭代过程如下：

式中，和为目标函数梯度的一阶矩阵和二阶矩阵，表示当前迭代批次，表示上一批次；和表示矩阵指数衰减速率，和是对和的校正；表示模型参数，表示学习率，取；

对所述学习率进行动态裁剪，给定学习率的上下界，稳定后期模型收敛。