1.一种基于自适应注意力机制的滚动轴承故障诊断方法，其特征在于，包括：步骤1：基于震动传感器采集滚动轴承的时域振幅数据，并基于数据集缩放因子n对时域振幅数据进行扩充，且基于预设拆分比例将扩充后的时域振幅数据拆分为训练集和测试集；

步骤2：确定训练集中各训练样本对应的位置信息，同时，获取预设注意力机制模型，并基于预设模型缩放因子ε、γ和得分公式系数α、β以及具有位置信息的训练样本对预设注意力机制模型中的注意力机制模块进行目标次数的迭代训练，更新注意力机制模块的权重，且保存所有训练次数中的最高模型权重；

步骤3：对预设注意力机制模型中的训练权重进行冻结以及对预设注意力机制模型中全连接层的目标权重进行保留设置，并基于设置结果将测试集输入最高模型权重对应的预设注意力机制模型进行分析，得到测试集对应的故障诊断结果；

步骤4：基于诊断结果判断训练后的预设注意力机制模型是否满足预设要求，并当满足预设要求时，基于训练好的预设注意力机制模型对滚动轴承进行故障诊断，否则，对训练好的预设注意力机制模型进行优化；

其中，步骤2中，获取预设注意力机制模型，并基于预设模型缩放因子ε、γ和得分公式系数α、β以及具有位置信息的训练样本对预设注意力机制模型中的注意力机制模块进行目标次数的迭代训练，更新注意力机制模块的权重，包括：获取预设注意力机制模型，并确定预设注意力机制模型中的目标结构，其中，目标结构包括线性嵌入层、注意力机制模块以及全连接层；

将线性嵌入层与注意力机制模块进行封装，并基于预设模型缩放因子γ确定对封装后的线性嵌入层与注意力机制模块的重复次数，且基于重复次数为每一个封装的线性嵌入层与注意力机制模块设置步距以及通道数，同时，基于预设模型缩放因子ε对注意力机制模块中的自适应注意力机制进行并行扩容；

基于设置结果将具有位置信息的训练样本经线性嵌入层输入至注意力机制模块中的ε个自适应注意力机制进行处理，并将自适应注意力机制处理输出后的数值分别与原始具有位置信息的训练样本进行相加与归一化处理；

将归一化处理后得到的数值进行前向传播，并基于3*1的卷积模块对得到的数值进行处理，且将处理后的数值与自适应注意力机制处理输出后的数值与原始具有位置信息的训练样本进行相加与归一化处理后得到的数值进行相加与归一化操作，输出特征值；

将特征值再与具有位置信息的训练样本进行相加，并基于最终相加结果得到目标训练步骤，且基于目标训练步骤对预设注意力机制模型进行目标次数的迭代训练；

同时，基于得分公式系数α、β计算预设注意力机制模型每次迭代训练后的目标得分，并基于目标得分对注意力机制模块的权重进行更新，其中，α和β分别表示预设注意力机制模型的精度和计算时间在总得分中的占比权重；

将具有位置信息的训练样本经线性嵌入层输入至注意力机制模块中的个自适应注意力机制进行处理，包括：获取预设可训练矩阵Q、K以及V；

Q、K两个可训练矩阵经过线性映射后再与上层的输出矩阵进行乘积，并对乘积结果进行变形；

基于变形结果分别进行softmax和计算协方差矩阵操作，可训练矩阵V在线性映射后再与协方差矩阵进行concat处理，最终concat的数值与softmax再进行矩阵运算；

其中，数据处理的过程可用如下公式表示：

其中Q、K、V为可训练矩阵；dK表示向量K的长度；Cov(Q，K)表示Q、K可训练矩阵进行矩阵运算后Q，K的协方差；T表示可训练矩阵K的转置；

基于得分公式系数α、β计算预设注意力机制模型每次迭代训练后的目标得分，包括：缩放因子n、ε、γ满足如下条件公式：

2 2

s.t.n·ε·γ ≈i

n≥1,ε≥1,γ≥0；

ε、γ分别控制预设注意力机制模型的宽度与深度；i代表目标值，其对模型参数的影响是n的二次方倍，所以需要将前两个参数进行平方处理；

得分公式具体如公式：

s.t.0≤α≤1,0≤β≤1，α+β＝1

其中A(i)表示缩放因子n、ε、γ条件公式中取i时模型的精度，min(A)表示所有i值中最低的精度，max(A)表示所有i值中最高的精度，T(i)表示取值为i时模型总共花费的时间，max(T)表示所有i值模型计算时间中最大的时间值，min(T)表示所有i值模型计算时间中最小的时间值，α和β分别表示精度和计算时间在总得分中的占比权重。

2.根据权利要求1所述的一种基于自适应注意力机制的滚动轴承故障诊断方法，其特征在于，步骤1中，基于震动传感器采集滚动轴承的时域振幅数据，并基于数据集缩放因子n对时域振幅数据进行扩充，包括：获取滚动轴承的形状特征以及历史故障数据，并基于形状特征以及历史故障数据确定滚动轴承的检测关键点，且在检测关键点处配置震动传感器；

基于震动传感器对滚动轴承进行实时检测，得到滚动轴承的时域振幅信号，并基于预设模数转换器将得到的时域振幅信号进行模数转换，得到滚动轴承的时域振幅数据；

基于预设模型训练要求确定输入样本数量，同时，确定时域振幅数据的目标数量，并基于输入样本数量与时域振幅数据的目标数量确定数据集缩放因子，且当时域振幅数据的目标数量小于输入样本数量时，基于数据集缩放因子对时域振幅数据进行数据扩充。

3.根据权利要求1所述的一种基于自适应注意力机制的滚动轴承故障诊断方法，其特征在于，步骤1中，基于预设拆分比例将扩充后的时域振幅数据拆分为训练集和测试集，包括：获取扩充得到的时域振幅数据，并基于预设拆分比例对时域振幅数据进行拆分，得到第一数据集和第二数据集；

分别抽取第一数据集和第二数据集中的预设数量的时域振幅数据样本，并基于时域振幅数据样本的数据特征分别确定第一数据集和第二数据集中滚动轴承故障类型比例，且当第一数据集和第二数据集中滚动轴承故障类型比例相同时，对第一数据集和第二数据集进行封装，得到训练集和测试集；

否则，基于第一数据集和第二数据集中滚动轴承故障类型比例对第一数据集和第二数据集中的时域振幅数据进行等量交换，直至滚动轴承故障类型比例相同，得到训练集和测试集。

4.根据权利要求1所述的一种基于自适应注意力机制的滚动轴承故障诊断方法，其特征在于，步骤2中，确定训练集中各训练样本对应的位置信息，包括：提取训练集中各训练样本的属性信息，并基于属性信息确定各训练样本的数据来源，同时，获取滚动轴承上各震动传感器的装置标识，并将数据来源与装置标识进行匹配，确定各训练样本对应的目标震动传感器；

基于各目标震动传感器在滚动轴承上的目标位置确定各训练样本对应的滚动轴承的检测位置，并将检测位置转换为位置编码；

基于位置编码对相应的训练样本进行位置编码标记。

5.根据权利要求1所述的一种基于自适应注意力机制的滚动轴承故障诊断方法，其特征在于，步骤2中，保存所有训练次数中的最高模型权重，包括：基于注意力机制模块的权重确定预设注意力机制模型在每一次迭代训练后的精度以及损失，并基于每一次迭代训练后的精度以及损失绘制精度曲线以及损失曲线；

基于精度曲线以及损失曲线分别确定预设注意力机制模型的精度以及损失趋于稳定时对应的最优迭代训练次数，并将最优迭代训练次数反馈至管理终端进行存储。

6.根据权利要求1所述的一种基于自适应注意力机制的滚动轴承故障诊断方法，其特征在于，步骤4中，基于诊断结果判断训练后的预设注意力机制模型是否满足预设要求，包括：获取预设注意力机制模型对测试集分析后得到的诊断结果以及测试集中各测试样本对应的标准故障结果，并将诊断结果与标准故障结果进行相似性对比；

基于相似性对别确定诊断结果与标准故障结果相似性差值，并将相似性差值与预设阈值进行比较；

若相似性差值大于预设阈值，则判定训练后的预设注意力机制模型不满足预设要求，否则，则判定训练后的预设注意力机制模型满足预设要求。

7.根据权利要求1所述的一种基于自适应注意力机制的滚动轴承故障诊断方法，其特征在于，步骤4中，当满足预设要求时，基于训练好的预设注意力机制模型对滚动轴承进行故障诊断，否则，对训练好的预设注意力机制模型进行优化，包括：获取对训练后的预设注意力机制模型是否满足预设要求的判断结果；

当判定训练后的预设注意力机制模型满足预设要求时，基于震动传感器获取滚动轴承的实时运行数据，并将实时运行数据输入训练好的预设注意力机制模型，且基于预设注意力机制模型对实时运行数据进行分析，得到滚动轴承的故障诊断结果；

当滚动轴承存在故障时，基于故障诊断结果确定滚动轴承上的目标故障位置，并将目标故障位置进行记录，且将记录结果传输至管理终端进行报警提醒；

否则，基于对测试集的故障诊断结果与预设要求的差值确定对预设注意力机制模型中得分公式系数α、β的调整参数，并基于调整参数对得分公式系数α、β的取值进行调整，直至判定训练后的预设注意力机制模型满足预设要求。