1.一种基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：该方法步骤如下：（1）采集滚动轴承的振动信号；

（2）对采集到的信号进行预处理和数据增强，具体为：（2.1）基于轴承故障特征频率与周期性冲击理论，优化采样长度与故障周期数之间的定量映射关系，将信号长度优化为2048采样点，并设定滑动窗口重叠率为30%；

（2.2）构建涵盖高斯噪声注入、幅值缩放、时间平移、随机翻转及脉冲噪声扰动的五维激进数据增强策略；

（3）对滚动轴承进行故障诊断，具体为：（3.1）设计从基线卷积神经网络到卷积神经网络-长短期记忆网络-残差网络的五组渐进式消融实验，在统一超参数配置下对比数据质量优化与模型复杂度对诊断性能的影响；

（4）根据实验结果，选择最优数据质量优化策略及模型架构进行滚动轴承故障诊断，并输出故障诊断结果。

2.根据权利要求1所述的基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：在步骤（2.1）中，所述优化采样长度与故障周期数之间的定量映射关系，具体为：通过分析轴承故障特征频率，确定采样长度应覆盖至少一个完整故障周期，以优化信号长度为2048采样点，确保特征完整性和样本独立性。

3.根据权利要求1所述的基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：在步骤（2.2）中，所述五维激进数据增强策略，具体包括：高斯噪声注入：向原始信号中添加不同强度的高斯噪声；

幅值缩放：对信号幅值进行线性或非线性缩放；

时间平移：将信号在时间轴上平移一定时间单位；

随机翻转：随机选择信号段进行翻转操作；

脉冲噪声扰动：向信号中添加随机位置的脉冲噪声。

4.根据权利要求1所述的基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：在步骤（3.1）中，所述五组渐进式消融实验，具体包括：基线卷积神经网络实验；

复杂卷积神经网络实验；

简单卷积神经网络-长短期记忆网络实验；

卷积神经网络-长短期记忆网络实验；

卷积神经网络-长短期记忆网络-残差网络实验；

在统一超参数配置下，对比各模型架构在数据质量优化前后的诊断性能。

5.根据权利要求1所述的基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：在该方法中，滚动轴承故障振动信号的产生机理源于滚动体与故障缺陷的周期性接触冲击，当滚动体经过故障点时，会产生瞬态冲击力，激励轴承-转子系统的固有频率，形成衰减振荡响应，这一过程用冲击响应模型描述：；

式中，为振动信号，为第次冲击的幅值，为系统冲击响应函数，为故障周期，为背景噪声；

振动信号频谱包含以下组分：

故障特征频率及其谐波（）；

调制边频（）；

系统固有频率及其调制边频；

根据轴承运动学理论，各故障类型的理论特征频率为：；

式中，为转频（Hz），为滚动体数量，为滚动体直径，为节圆直径，为接触角。

6.根据权利要求1所述的基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：在该方法中，轴承故障振动信号呈现周期性冲击特征，信号采样长度直接决定故障特征的完整性和统计可靠性，设信号长度为，采样频率为（Hz），故障特征频率为（Hz），则信号时间窗口内包含的故障周期数为：；

根据轴承故障诊断理论准确识别周期性信号至少需要3-5个完整周期。

7.根据权利要求1所述的基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：在该方法中，五维激进数据增强策略，每维分别对应一种可解释的物理扰动机制，具体包含以下维度：高斯噪声添加：在轴承振动原始信号上叠加高斯白噪声以模拟实际工况中的随机干扰，其数学表达为：；

式中为原始信号，为高斯噪声，标准差，噪声强度通过信噪比控制，信噪比范围为30-40dB，确保添加的噪声不会淹没故障特征；

幅值缩放：对信号整体进行幅值缩放，公式为：；

式中缩放因子在[0.8,1.2]范围内均匀采样，模拟不同载荷条件下的振动幅值变化；

时间平移：对信号进行循环移位，公式为：；

式中为信号长度，移位量在[-100,100]个采样点范围内均匀采样，对应约[-8.3,8.3]ms的时间偏移；

随机翻转：以50%的概率对信号进行时间反转，即将信号序列完全颠倒，虽然翻转改变了信号的时间顺序，但保留了频域特征，增加了数据多样性；

脉冲噪声添加：随机选择1-10个采样点，将其幅值替换为高幅值脉冲，幅值为信号标准差的5-10倍，模拟突发的电磁干扰或碰撞冲击；

五种增强技术独立随机应用，每个样本期望应用数为:；

为第种增强的应用概率；

多维增强的协同效应表示为：

；

式中为单一增强的性能提升。

8.根据权利要求1所述的基于数据质量主导的滚动轴承智能故障诊断方法，其特征在于：该方法的模型采用改进的CNN-LSTM架构，模型整体包括“特征提取—时序建模—分类决策”三个阶段：特征提取阶段采用三层一维卷积网络：输入张量维度为（Batch_size,1,2048），三层卷积核尺寸依次为7、5、3，对应通道数为64/128/256，每层后依次连接批量归一化层、线性整流单元激活函数以及步长为2的最大池化层，经过三次池化操作后，时间维度由2048压缩至256，在多尺度上同时捕捉宽范围模式与局部细节特征；

分支1对卷积输出特征图（Batch_size,256,256）进行自适应全局平均池化，将时间维度压缩为1，得到256维全局统计特征，用于表征能量分布和整体频谱的平移不变信息；分支2将同一特征图视为长度为256的序列输入双向LSTM，并在其输出序列上施加注意力池化机制，自适应学习各时间步的重要性权重，门控与注意力的具体计算过程如下公式所示：；

；

；

；

；

；

双向LSTM包含前向和后向两个方向，输出256维双向特征序列（Batch_size,256,256），不同于传统方法仅使用最后时间步隐藏状态，本申请引入注意力池化机制，学习每个时间步的重要性权重，注意力机制计算公式为：；

ht∈R256是LSTM输出序列第个时间步的特征向量；Wa∈R128x256是注意力权重矩阵；v∈R128是注意力查询向量是第个时间步的注意力数；

；

hattn∈R256是加权汇聚后的LSTM特征该向量是所有时间步特征的加权平均，权重由注意力机制学习得到；

式中，为LSTM输出序列第个时间步的特征向量，为注意力分数，为归一化后的注意力权重，为加权汇聚后的LSTM特征；

特征融合与分类决策阶段：将CNN全局特征与 LSTM-注意力特征拼接成512维融合向量，送入512→256→128→4的三层全连接分类器输出四类工况，全连接层采用ReLU与Dropout，在发挥双分支对统计信息与时序模式互补表达的同时，有效抑制过拟合；

最终4维输出通过Softmax转换为概率分布：；

式中为第类的logit值，为预测概率，为类别数；

训练时使用加权交叉熵损失函数：

；

式中为批次样本数，为真实类别，为类别权重。