1.一种基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于包括如下步骤：

通过传感器连续采集不同故障类型的轴承振动信号并以N个采样点为一组对其划分并构建对应的故障标签；

对划分的采样点进行序列标注，序列表示为Xn(0

对于每一个采样点Xn，都可以被映射到一个相应的值域Qj内，以此来构建Q*Q的转换矩阵W；转换矩阵W第i行j列元素Wij代表的是：值域Qi(0

根据构建的转换矩阵W，通过计算Wij值与当前值域内采样点数总和的比值来获得Qi内的值转变为Qj内的值的过渡概率，并以此生成过渡概率矩阵；

根据生成的过渡概率矩阵，将每个概率按照采样点的顺序对齐来构建一个N*N的MTF矩阵；对于MTF矩阵中Mij(0

将生成的MTF矩阵进行可视化；

利用线性操作生成特征图构建轻量级网络；

利用部分过渡概率矩阵成像数据集对网络模型进行训练，得到训练好的故障分类器；

利用训练好的故障分类器对其余的成像数据集进行分类，得到分类结果；

根据分类结果判断轴承的故障类型。

2.如权利要求1所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：所述轻量级网络包括：2个3*3卷积层、2个轻量级a卷积层、1个轻量级b卷积层、2个1*1卷积层以及全连接层，第一个3*3卷积层的输入端为所述轻量级网络的输入端，该3*3卷积层的输出端分别进入两个分支，第一分支依次经过1个轻量级a卷积层、2个1*1卷积层、1个轻量级a卷积层，所述的第一个3*3卷积层的输出端的第二分支直接与第二个轻量级a卷积层的输出端连接，所述与第二个轻量级a卷积层的输出端经一个轻量级b卷积层后与第二个

3*3卷积层的输入端连接，所述第二个3*3卷积层的输出端与所述全连接层的输入端连接；

输入的数据通过第一个3*3卷积层进入多分支，一个分支经过第一个轻量级a卷积层，两层

1*1卷积层后经过第二个轻量级a卷积层输出后和另一分支进行Concat操作；Concat操作之后进入轻量级b卷积层，然后进入一个3*3的卷积层，之后经过全连接层进行分类。

3.如权利要求2所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于，所述轻量级a卷积层利用线性生成特征图的方法是：对于输入的特征图，先使用卷积对其生成一部分的特征图m，然后特征图m经过线性操作后生成幻影特征图m’，将特征图m和幻影特征图m’经过concat后生成最终需要的全部特征图n。

4.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：生成特征图m时采用的卷积是pointwise卷积，其中特征图m<＝0.5*n，生成幻影特征图m’采用的线性运算是混合DepthWise卷积操作。

5.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：轻量级a卷积层中线性生成特征图中线性运算过程的线性内核采用混合内核，3*3和

5*5以及7*7三种不同大小的内核混合使用。

6.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：轻量级b卷积层中融合注意力机制，轻量级b卷积层的特征图生成过程如下：对于输入的特征图，先使用卷积对其生成一半的特征图m，对生成的特征图m进行编码使其获得对方向感知和位置敏感的注意力特征图m’，之后将特征图m’和m进行concat后生成最终需要的特征图n。

7.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：

生成特征图m时采用的卷积是pointwise卷积，生成对方向感知和位置敏感的注意力特征图m’采用的Coordinate Attention。

8.如权利要求7所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于，对生成的特征图m进行编码使其获得注意力特征图m’的具体过程如下：使用两个一维的平均池化层分别沿着水平坐标和垂直坐标对每个通道进行编码，产生一对方向感知特征图；将上面的变换进行concat操作并使用1*1卷积层对其进行操作，并将其水平方向与垂直方向进行编码的中间特征映射的空间信息设为f；然后沿着空间维度将f分解为2个单独的张量fh和fw，利用2个1*1卷积分别对其进行操作，最后通过sigmoid函数输出gh和gw，通过对gh和gw进行扩展分别作为attention weights。

9.如权利要求2所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于，所述两层1*1卷积层构成一个线性瓶颈层，用第1层1*1卷积层进行降维，用第2层1*1卷积层进行升维。