1.基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，该方法包括以下步骤：步骤一：通过传感器采集到的轴承振动信号为一维信号，将采集到的信号按一定间隔分为多个长度相同的数据样本，并将其转换为二维灰度图像样本，将每个样本分配样本标签，划分训练数据集和测试数据集；

步骤二：构建的轻量级深度卷积神经网络为轴承故障诊断模型，包括：轻量级特征提取模块、卷积注意力通道模块、改进的故障分类模块；

在轻量级特征提取模块中，利用异构卷积结构代替传统的标准卷积结构，通过训练得到基于异构卷积的轻量化模型；在基于异构卷积的轻量化模型的基础上引入剪枝操作，用于处理异构卷积中仍然存在的冗余参数，剔除具有冗余滤波器的通道，进一步降低卷积操作产生的浮点运算量；在改进的故障分类模块中，将特征提取结构输出的故障特征经过Dropout处理后与原特征相融合，将融合后的故障特征输入全局平均池化层，实现特征降维；具体的：轻量级特征提取模块由三个剪枝后的异构卷积层和一个标准卷积层组成；卷积注意力模块用于优化特征提取模块输出的故障特征，以提升模型性能；改进的故障分类模块由一个Dropout和全局平均池化组成，且在Dropout输入全局平均池化之前，将其与原始特征数据进行数据融合；

所述轻量级特征提取模块的模型为：

HetConv＝pwc+gwc

其中Mw,Mh,Ci分别为输入特征图的大小及其输入通道数，Wi和bi为第i个卷积层的权重和偏置，Yi为第i个卷积层的输出pwc和gwc分别为逐点卷积和分组卷积；

所述卷积注意力通道模块的模型为：

Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F))) ＝σ(W1(W0(Favg))+W1(W0(Fmax)))

7×7

其中Mc(F),Ms(F)分别表示通道注意力输出结果和空间注意力输出结果，f 表示卷积核的大小，σ表示sigmoid函数，W0和W1分别代表多层感知机(MLP)中的权重参数，AvgPool为平均池化操作，MaxPool为最大池化操作；

所述改进的故障分类模块的模型为：

o＝Softmax(AvgPool(Dropout(F)+F))

其中，o为故障分类输出结果向量，F为卷积注意力模块输出特征矩阵，AvgPool为平均池化操作；

步骤三：初始化模型参数，包括：迭代次数、学习率、权重参数、偏置、训练batch‑size、测试batch‑size和优化器等；

步骤四：通过训练数据集训练构建的轴承故障诊断模型，通过前向传播和反向传播更新模型参数，训练直至模型收敛后保存性能最优的模型；

轴承故障诊断模型的训练包括：基于异构卷积的诊断模型的训练和剪枝后模型的微调；首先利用训练数据集训练初始模型，用测试数据集测试模型性能，当达到预期设定的迭代次数并且模型收敛时，保存收敛后的最优模型；再通过设定的评价标准将训练好的模型中存在的冗余通道剔除，得到轻量级模型，并再次微调恢复模型性能；

所述轴承故障诊断模型通道评价标准为每个输出通道中滤波器的l1范数l1‑norm大小，其计算公式如下：其中，ni为输入通道数量，Kj为输入通道中第j个卷积核的大小；

步骤五：将测试数据集输入训练好的轴承故障诊断模型，对模型进行测试，验证模型的对所有故障类别的诊断准确率。

2.根据权利要求1所述的基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，所述步骤一中，生成的一维样本长度为n，即每个样本包含n个数据点；对于一个一维数据样本，其转换为二维灰度图像的过程可由如下公式描述：其中L(k)为按一定间隔截取的原始一维数据，长度为n，k＝1,2,…,n，表示转换后的图像在点(i,j)处的像素值。

3.根据权利要求1所述的基于改进轻量级深度卷积神经网络的轴承故障诊断方法，其特征在于，所述步骤三中，训练的迭代次数为50，初始学习率为0.1，在迭代次数为30和40时分别将学习率衰减十倍，初始权重参数和偏置初始化为随机数，训练数据集的batch‑size为64，测试数据集的batch‑size为32，优化器选择Adam。