1.一种轴承故障诊断网络，其特征在于包括：数据预处理模块、特征提取模块以及故障诊断分类模块；

所述数据预处理模块用于从mat文件中随机截取若干个样本点，对每个像素点进行标准化，堆叠生成灰度图像，并对图像进行三通道填充，用作输入数据；

所述特征提取模块用于通过卷积操作，再将灰度图数据分别输入到两个并行的3*3卷积密集块和5*5卷积密集块中，5*5卷积层的密集块需要在开始进行补零操作，否则会导致特征图大小不同；共有三个多尺度交叉密集块，每个多尺度交叉密集块包括并行的两组三层密集层，密集层中各层卷积的输出采用密集连接机制，两个密集块的输出通过concat层连接，并通过瓶颈层控制特征图的通道数为原来的1/4，将结果分别输入给下一层并行连接的密集层，重复此方法直到多尺度交叉密集块最后；多尺度交叉密集块的结尾是SE注意力模块和translation层，用于调整灰度图像通道数，适应下一个多尺度交叉密集块的输入大小直到最后一个多尺度交叉密集块结束；

故障诊断分类模块，用于经过全局平均池化层和全连接层，通过softmax进行故障分类，输出轴承故障诊断结果；

所述密集块包括第一归一化层BN，所述第一归一化层BN经第一Relu激活函数与第一卷积层的输入端连接，所述第一卷积层的输出端与第二归一化层的的输入端连接，所述第二归一化层经第二Relu激活函数与第二卷积层的输入端连接，所述第二卷积层的输出端与Dropout层的输入端连接，所述Dropout层的输出端为所述密集块的输出端；

所述SE注意力模块包括：Inputs层，所述Inputs层的输入端与全局平均池化的输入端连接，所述全局平均池化层的输出端与第一全连层的输入端连接，所述第一全连层的输出端与第二全连层的输入端连接，所述第二全连层的输出端与Scale层的输入端连接；

全局平均池化：对输入inputs进行全局平均池化操作；这将对每个通道的特征进行平均，从每个通道产生一个标量值，存储在变量x中；公式表示如下，其中，h,w分别为通道的高度和宽度，c表示通道索引：第一全连接层使用具有ReLU激活函数的全连接层将全局平均池化后的特征x压缩到较低维度，公式表示为：x＝relu(W1·x+b1)

其中W1是第一个全连接层的权重矩阵，b1是偏置；

第二全连接层使用具有sigmoid激活函数的全连接层将压缩后的特征x解压缩回原始通道数，公式表示：x＝sigmoid(W2·x+b2)

其中W2是第一个全连接层的权重矩阵，b2是偏置；

所述translation层用于控制输出通道数，以实现维度的降低，包括BN层、RELU层、1*1卷积、正则化层和平均池化层。