1.一种轴承锈蚀智能故障诊断方法，其特征在于，所述轴承锈蚀智能故障诊断方法包括，步骤S1，采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据；

步骤S2，按初始设定的比例，对采集到的三种状态下的原始振动数据进行分别截断，得到用于训练的数据和用于测试的数据；

步骤S3，按照初始设定的单个样本的采样点数SL，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量SO，并截取下一个样本，生成训练集和测试集；

步骤S4，将训练集和测试集数据中的所有样本进行灰度化处理；

步骤S5，构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型，设置模型中的初始参数；

步骤S6，将训练集样本输入模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置；

步骤S7，判断迭代次数是否达到初始设定的值，如否，则执行步骤S6；若是，则训练过程完成，并保存最优模型；

步骤S8，将测试集数据中的所有样本输入最优模型中，输出模型对测试集数据中的每个样本的预测标签；

步骤S9，将预测标签与训练集中的标签进行比对，判断并输出当前轴承锈蚀的严重程度。

2.根据权利要求1所述的轴承锈蚀智能故障诊断方法，其特征在于，构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型过程中包括ECA‑Net子模型构建方法，步骤S501，对输入的特征图进行全局平均池化，将数据降维；

步骤S502，采用一维卷积的方式计算特征向量的重要性，并利用激活函数生成通道间的权重信息；

步骤S503，将通道的权重信息乘以原始输入特征，在通道维度上对原始输入特征的重新标定。

3.根据权利要求2所述的轴承锈蚀智能故障诊断方法，其特征在于，构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型过程中还包括EfficientNet子模型构建方法，步骤S511，构建一个卷积核尺寸为3、步距为2的二维卷积层作为第一模块；

步骤S512，构建16个移动翻转瓶颈卷积模块作为第二模块；

步骤S513，构建一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层作为第三模块。

4.根据权利要求3所述的轴承锈蚀智能故障诊断方法，其特征在于，移动翻转瓶颈卷积模块包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层。

5.根据权利要求1‑4中任意一项所述的轴承锈蚀智能故障诊断方法，其特征在于，在EfficientNet模型中第一模块之后以及第三模块全连接层之前分别添加ECA‑Net通道注意力模块。

6.一种用于执行如权利要求1‑5中任意一项所述轴承锈蚀智能诊断方法的系统，其特征在于，所述系统包括，采集单元，用于采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据；

截断单元，用于按初始设定的比例，对采集到的三种状态下的原始振动数据进行分别截断，得到用于训练的数据和用于测试的数据；

预处理单元，用于按照初始设定的单个样本的采样点数SL，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量SO，并截取下一个样本，生成训练集和测试集；

灰度化处理单元，用于将训练集和测试集数据中的所有样本进行灰度化处理；

初始化单元，用于构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型，设置模型中的初始参数；

参数设置单元，用于将训练集样本输入模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置；

判断单元，用于判断迭代次数是否达到初始设定的值，如否，则重新回到参数设置单元中；若是，则训练过程完成，并保存最优模型；

标签设置单元，用于将测试集数据中的所有样本输入最优模型中，输出模型对测试集数据中的每个样本的预测标签；

输出单元，用于将预测标签与训练集中的标签进行比对，判断并输出当前轴承锈蚀的严重程度。

7.根据权利要求6所述的系统，其特征在于，所述初始化单元包括基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型，所述基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型包括ECA‑Net子模型和EfficientNet子模型，其中，ECA‑Net子模型包括，数据池化模块，用于对输入的特征图进行全局平均池化，将数据降维；

权重设置模块，用于采用一维卷积的方式计算特征向量的重要性，并利用激活函数生成通道间的权重信息；

权重设置模块，用于将通道的权重信息乘以原始输入特征，在通道维度上对原始输入特征的重新标定；

EfficientNet子模型包括，

第一模块，包括一个卷积核尺寸为3、步距为2的二维卷积层；

第二模块，包括16个移动翻转瓶颈卷积模块；

第三模块，包括一个卷积核尺寸为1、步距为1的二维卷积层以及一个全局平均池化层和一个全连接层。

8.根据权利要求7所述的系统，其特征在于，移动翻转瓶颈卷积模块至少包括深度可分离卷积、BN批量归一化、Swish激活函数、SE注意力机制、Dropout层；

EfficientNet模型中的第一模块之后以及第三模块全连接层之前分别连接ECA‑Net通道注意力模块。

9.一种电子设备，其特征在于，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行计算机程序时，实现如权利要求1‑5中任意一项所述的轴承锈蚀智能诊断方法。

10.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请权利要求1‑5中任意一项权利要求所述的轴承锈蚀智能诊断方法。