1.基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于：通过使用优化变分模态分解方法对振动信号进行分解和解耦，利用无标签数据集训练改进自编码器，通过标签数据集调整分类器，实现压缩机缺陷诊断，具体Z包括以下步骤：S1：搭建振动数据采集系统，对不同缺陷类型压缩机的壳体振动信号进行采集和保存；

S2：利用峭度因子总和最大作为适度值来寻找每个传感器最优的分解个数K，利用变分模态分解对每个样本进行分解得到K个不同频率尺度的本征模态分量IMF；

S3：把每个样本的固有模态与原始振动信号拼接作为输入数据；

S4：将输入数据划分为无标签训练集、标签训练集和测试集；

S5：构建三个并行的改进自编码器模型来对三个方向的输入数据的特征进行提取和扩充，利用无监督学习方法得到改进自编码器模型的最优参数；

S6：冻结改进自编码器中编码器的最优参数，利用监督学习方法来训练分类器，得到最优分类器参数下的模型用于压缩机缺陷的诊断；

S7：对模型的诊断性能和鲁棒性进行评估和验证；

所述改进自编码器由两个卷积池化层和Transformer模块组成，卷积层的核数分别为

64X16和32X8，步数分别为4和2；池化层采用最大池化，其步数都为4；Transformer由2个基本块、4个多头注意力机制、32维的Queries和Keys组成；每个并行编码器的输出维度为（None，320，1）。

2.根据权利要求1所述的基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于所述步骤S2的具体过程如下：S21：设置K的取值范围 ，将不同方向的振动信号进行遍历分别得到K个IMFs；

S22：计算不同方向K个IMFs的峭度因子并进行相加，得到 ；

S23：得到最大的峭度因子之和对应的K值，作为该方向振动信号的分解个数。

3.根据权利要求1所述的基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于所述步骤S5中，构建卷积Transformer自编码器模型学习无标注数据样本的数据的分布，具体过程如下：S51：将无标注训练集中的三个方向的数据分别输入到三个并行的编码器中，对输入数据的时域和时频域特征进行提取和压缩；

S52：将三个并行的编码器提取的时域和时频域特征作为三个并行解码器的输入，解码器对特征维数进行扩充；

S53：对改进自编码器进行训练，采用解码器的输出与原始振动信号的均方差作为损失函数，使得得到最优的参数使损失函数最小。

4.根据权利要求1所述的基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于所述步骤S6中，利用标注训练集对分类器进行监督训练，得到最优的分类器参数，对多传感器的时域和时频域特征进行融合与提取；具体过程如下：S61：在模型的特征集对三个并行编码器的输出特征进行融合作为分类器的输入，实现多传感器信息的融合；

S62：利用随机梯度下降算法对模型进行训练，训练迭代次数为20，分类器的输出与标签的均方差作为损失函数，对模型参数进行优化。

5.根据权利要求1所述的基于改进自编码器的多信息融合压缩机缺陷诊断方法，其特征在于所述步骤S7中，在测试集中添加不同程度的信噪比对模型的诊断性能和鲁棒性进行评估和验证。