1.一种变压器绕组机械故障严重程度识别方法，其特征在于，包括以下步骤：利用传感器对变压器运行产生的振动信号进行采集，将采集的振动信号随机分为训练数据集和测试数据集，利用集成经验模态分解分别处理训练数据集和测试数据集，得到对应的固有模态函数IMF并计算包络谱信号；

基于相关系数从所有的包络谱信号中选出相关度在0.5以上的相关包络信号；利用训练数据集得到的相关包络信号对多头注意力机制增强的CLSTM模型进行训练，利用测试数据集的相关包络信号对训练完成的CLSTM模型进行局部微调，利用局部微调后的CLSTM模型实现变压器机械故障诊断；最后利用稀疏堆叠去噪自编码器SSDA模型实现对诊断出的故障严重程度的判别；

其中，得到对应的固有模态函数IMF并计算包络谱信号，包括，

首先计算出信号的包络谱函数:

式中di(t)表示第i个IMF函数，H[di(t)]表示第i个IMF函数的Hilbert谱信号，Bj(t)表示第j个包络谱信号；

利用相关度计算公式计算出各包络谱与原始信号的相关度，选取相关系数在0.5以上的为相关包络谱函数：式中，se表示Be(t)和x(t)之间的相关系数；

最后利用稀疏堆叠去噪自编码器SSDA模型实现对诊断出的故障严重程度的判别，通过利用多头注意力机制增强的CLSTM模型得出的输出数据，作为稀疏堆叠去噪自编码器SSDA模型的输入数据，利用稀疏堆叠去噪自编码器SSDA模型的稀疏化特性与全局特征挖掘比对能力，实现故障严重程度的识别，具体步骤如下：S41：令多头注意力机制增强的CLSTM模型的输出数据为T1，对数据集T1进行随机插入Masking噪声，并将其映射至DA模型的隐含层：其中 θh= {,}是参数集, 映射过程中的权重矩阵, 偏置项向量, s(x) =是sigmoid函数，用于实现上述映射，h表示隐含层中的数据；

S42：对隐含层的数据进行反向映射，得出重构后的输入数据T11，并计算T1和T11之间的损失函数值，当损失函数值达到最小值时，该DA模型完成构建：式中θz = {Wz, bz}是参数集, 映射过程中的权重矩阵, 偏置项向量；为了减少需要求解的参数数量，对Wh和Wz做如下限制：Wh={ Wz }T，T表示转置；p为原始输入数据的数目，L(xi, zi)为重构误差函数；

S43：按照上述步骤依次训练多个DA模型，将各个DA模型的隐含层抽取并按顺序依次连接，即为SDA模型，在此基础上，在SDA模型的最后一层加入稀疏化惩罚项即为SSDA模型，以避免多次特征抓取中出现的权重爆炸情况，稀疏惩罚项公式如下：式中 ρ稀疏目标值, β为权重值, ρj是隐藏单元j的平均激活神经元数目；

S44：SSDA模型最终的输出结果即为变压器绕组机械故障严重程度分类值。

2.根据权利要求1所述的变压器绕组机械故障严重程度识别方法，其特征在于：集成经验模态分解步骤包括，设变压器原始振动信号为x(t)，对原始型号添加噪声得到重构信号：其中表示添加噪声后的信号，表示第m次噪声分量；

利用经验模态分解对重构信号进行处理，得出第一个IMF函数与对应的残余项：其中r1表示残余项，d1表示第一个IMF函数，T{.}表示经验模态分解计算；

重复以上步骤直到分解完成。

3.根据权利要求1所述的变压器绕组机械故障严重程度识别方法，其特征在于：对多头注意力机制增强的CLSTM模型进行训练与局部微调，包括按照5:1的方式将原始振动信号分为训练数据集和测试数据集，然后利用训练数据集的相关包络谱信号对多头注意力机制增强的CLSTM模型进行训练；训练完成后的CLSTM模型再进一步利用测试数据集的相关包络谱信号进行验证，并根据验证结果进行局部微调，直到实现最佳的故障诊断与识别效果。

4.根据权利要求1所述的变压器绕组机械故障严重程度识别方法，其特征在于：所述多头注意力机制增强的CLSTM模型，用于实现基于相关包络谱信号的变压器机械故障识别，包括以下步骤：S21：构建CNN卷积层，用于实现相关包络谱信号中高维时间变量之间关联关系的提取，其中卷积层的卷积核为a*b，a为宽度，b为高度，卷积核数量与相关包络谱信号维度保持一致；第i个卷积核扫描输入的相关包络谱信号Rb得出的输出为：式中RELU(V)=MAX(0,V)，Vi表示输入信号的加权系数，e表示偏置量；

S22：构建基本LSTM单元，包括遗忘门，输入门以及存储单元：

式中 Wf为遗忘门的权重, bf为偏置系数, xt表示 t时刻的输入值，Wi和bi分别表示输入门的权重和偏置系数，表示当前参与计算的存储单元的数值，σ表示sigmoid函数:S23：建立CLSTM模型，将CNN卷积层与LSTM模型进行连接，确保对时间相关性信号彼此之间的依赖性充分挖掘，连接方式如下：式中P表示CNN卷积层与LSTM模型连接后的输出，表示拼接操作；

S24：采用多头注意力机制对得到的CLSTM模型进行增强，在LSTM模型中加入多头注意力层，实现对输入的相关包络谱信号全局特征的提取。

5.根据权利要求4所述的变压器绕组机械故障严重程度识别方法，其特征在于：所述的多头注意力机制，在CLSTM模型挖掘各时间分量相互依赖关联性的基础上，增强CLSTM模型对输入的相关包络谱信号的全局特征的学习，具体步骤如下：S31：对于输入相关包络谱信号T，假设其为具有m个采样点的n维数据，即：T = [t1, t2, …, tn], n∈R. tn = [,, …, ]T, m∈R式中R表示实数域；

S32：将concat函数嵌入CLSTM模型的每个节点，得到各个节点的组合表示：S33：通过n组线性变换矩阵计算得出Tm的注意力参数Qm，Km，Vm及其单头特征表达headm：式中Qm，Km，Vm分别表示Tm的注意力参数，headm表示第m个节点的单头特征表达，softmax为激活函数，用于避免计算时出现维度爆炸；

S34：各节点经多头注意力增强后的输出数据；

式中xn表示CLSTM模型的原始输入数据，表示引入多头注意力机制后的输出数据。

6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。

7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。