1.一种石化机组轴承故障诊断方法，其特征在于，包括如下步骤：步骤1：采集相同转速下滚动轴承正常情况、内圈故障、外圈故障和滚动体故障4种不同情况的振动信号；

步骤2：使用随机惯性权重和莱维飞行策略对双曲正余弦优化算法SCHO进行改进，得到改进双曲正余弦优化算法ISCHO；

步骤2.1：由于双曲正余弦优化算法SCHO勘探的第二阶段是在当前位置进行无定向搜索，所以引入随机惯性权重策略，避免出现局部最优情况，改进后公式如下：w＝Wmax+r14(Wmax‑Wmin)+σ·R其中，t为当前迭代次数； 为第i个解在当前迭代中的第j个位置，i＝1,2,…N，N为候选解的个数，j＝1,2,…dim，dim为问题维数；ε表示一个极小的正数； 为当前最优解的第j个位置；W2为 的权重系数；r为区间[0,1]之间的随机数；w为随机惯性权重；Wmax为随机惯性权重最大值；Wmin为随机惯性权重最小值；σ为随机惯性权重和数学期望之间的偏差；R为正态分布的随机数；

步骤2.2：由于SCHO开发的第二阶段是围绕最优解进行深度开发，所以引入莱维飞行策略加快算法运行速度，改进后公式如下：其中，l为步长缩放因子；levy(λ)为莱维飞行随机路径；

步骤3：使用ISCHO优化时变滤波经验模态分解TVFEMD的参数，所述参数包括带宽阈值ξ和B样条阶数，使用优化后的TVFEMD分解采集的轴承振动信号，得到多个本征模态函数分量IMF，进一步选出含有故障特征较多的IMF；

步骤4：使用滑动窗口法对选出的IMF进行重叠采样，划分为多个样本集，计算振动信号的时域特征、频域特征、能量熵特征、样本熵特征与奇异值特征，构造特征向量；

步骤5：使用随机森林对特征向量进行筛选，获得最优特征向量，并将样本集按7:3的比例分为训练集和测试集；

步骤6：通过融合多尺度卷积神经网络MSCNN和Linear Transformer(LTransformer)构建并训练MSCNN‑LTransformer故障诊断模型，MSCNN从不同跨度的时间序列内提取特征，LTransformer捕获时间序列的全局特征；

步骤7：使用测试集数据对完成训练的MSCNN‑LTransformer故障诊断模型进行检验。

2.根据权利要求1所述的一种石化机组轴承故障诊断方法，其特征在于，所述步骤3中使用ISCHO对TVFEMD进行优化包括以下步骤：步骤3.1：初始化ISCHO的相关参数，包括种群大小、问题维数dim、迭代次数t和勘探开发第一、第二阶段之间的切换值T等，其中T的计算公式如下：其中，floor是向下舍入的函数；Max_iteration表示迭代的最大值；ct为两阶段切换的系数；

步骤3.2：随机初始化一组候选解，候选解计算公式如下：X＝rand(N,dim)×(ub‑lb)+lb其中，X为随机候选解集合；rand为[0,1]中的随机数；ub为变量的上界；lb为变量的下界；

步骤3.3：计算候选解的目标函数值，确定当前最优解，使用的目标函数为最小包络熵，最小包络熵Ep的计算公式为：其中，a(h)是包络信号，h＝1,2,…N；ph是a(h)的归一化形式；

步骤3.4：计算A的值，A是Sinh和Cosh转换机制在勘探和开发阶段进行转换的值；当A大于1时进入勘探阶段，当A小于1时进入开发阶段；A的计算公式如下：其中，p是迭代过程中勘探阶段的平衡系数；q是迭代过程中开发阶段的平衡系数；r为区间[0,1]之间的随机数；

如果t＝BSk时，找出第二个解的当前位置，更新BSk和搜索空间，重新分配候选解，BSk的计算公式如下：其中，BSk为当前有界搜索策略的迭代次数；α为敏感系数值；

搜索空间的计算公式如下：

其中，ubk为搜索空间的上界；lbk为搜索空间的下界； 为当前最优解的第j个位置；

表示次优解的第j个位置；

步骤3.5：A>1时，进入勘探阶段，计算W1和W2，W1和W2计算公式如下：W1＝r3×a1×(coshr4+u×sinhr4‑1)W2＝r6×a2

其中，W1为 的权重系数；W2为 的权重系数；a1，a2为单调递减函数；u为控制第一阶段勘探精度的敏感系数；

t≤T时，进入勘探的第一阶段，勘探第一阶段候选解的位置更新公式如下：t≥T时，进入勘探的第二阶段，勘探第二阶段候选解的位置更新公式如下：w＝Wmax+r14(Wmax‑Wmin)+σ·RA<1时，进入开发阶段，计算开发第一阶段的权重系数W3，计算公式如下：W3＝r9×a1×(coshr10+u×sinhr10)t≤T时，进入开发的第一阶段，开发第一阶段候选解的位置更新公式如下：t≥T时，进入开发的第二阶段，开发第二阶段候选解的位置更新公式如下：其中，W2控制开发第二阶段的程度；

步骤3.6：判断是否满足终止条件，满足则输出最优解，不满足则重复步骤3.3到步骤

3.5。

3.根据权利要求1所述的一种石化机组轴承故障诊断方法，其特征在于，使用优化后的TVFEMD分解采集的轴承振动信号，计算公式为：其中，θ(n)为截止准则；BLoughlin为Loughlin瞬时带宽； 为加权均值瞬时频率。

4.根据权利要求1所述的一种石化机组轴承故障诊断方法，其特征在于，所述步骤4中计算振动信号的时域特征、频域特征、能量熵特征、样本熵特征与奇异值特征，包括以下步骤：步骤4.1：计算振动信号的时域特征包括计算振动信号的峰值Y1、平均值Y2、均方根值Y3，峰值Y1、平均值Y2、均方根Y3的计算公式为：Y1＝max(x(n))

其中，x(n)为原始信号，n＝1,2,3,…N，N为数据长度；

步骤4.2：计算振动信号的频域特征包括计算振动信号的频域幅值均值Y4、频率重心值Y5、频率幅值均方根Y6，频域幅值均值Y4、频率重心值Y5、频率幅值均方根Y6的计算公式为：其中，s(k)的频谱序列k＝1,2,3,…K，K为频谱线；fk为第k条频谱线的频率值；

步骤4.3：能量熵特征EFi的计算公式为：

其中，ESi为IMF分量的能量值，E表示IMF分量和；

样本熵特征SampEn的计算公式为：

m m

其中，m为模式维数；r为相似容限阈值；B (r)是两个序列在r下匹配m个点的概率，A (r)是两个序列匹配m+1个点的概率；

奇异值特征SVFi的计算公式为

其中，A表示由IMF分量构建矩阵，Um×m和Vn×n分别为A的左右奇异矩阵，Λ为m×n的对角矩阵，λ1,λ2,…,λi为矩阵A的奇异值。

5.根据权利要求1所述的一种石化机组轴承故障诊断方法，其特征在于，所述步骤6中MSCNN‑LTransformer故障诊断模型，包括以下步骤：步骤6.1：将训练集数据输入MSCNN层，MSCNN层由不同尺寸的卷积核组成，不同尺寸的卷积核可获得的特征尺寸不同，所以MSCNN可以获取更丰富的特征信息，使用卷积核大小为

1、3、7、9，MSCNN的运算可以表示为：

S1＝C1(x)

S2＝C3(S1)

S3＝C7(S2)

S4＝C9(S3)

S＝Concat(S2,S3,S4)

其中，Cn表示卷积核大小为n的一维卷积元，n＝1,3,7,9；x表示输入；S表示MCNN层的输出状态；Concat(·)表示拼接运算；

步骤6.2：将从步骤6.1中提取的局部特征信息位置编码后输入LTransformer中，LTransformer由输入层、特征编码器层、特征解码器层和输出层组成，特征编码器和特征解码器由多头注意力模块MSA和前馈神经网络模块FFN组成，每个模块之间使用残差连接Add后进行层归一化Norm；

LTransformer将传统的softmax注意力转变为基于特征映射的点积注意力，基于特征映射的点积注意力Vi'计算公式如下：其中，sim(·)为相似函数；Q为查询向量；K为键向量；V为值向量；

多头注意力模块MSA学习来自不同特征子空间的特征，MSA的计算公式如下：M(Q,K,V)＝Concat(H1,H2,…Hh)·WHi＝Vi'(Qi,Ki,Vi),i＝1,2…h其中，M(·)为多头注意力机制运算，Hi为注意力机制第i个头，W为多头注意力权重矩阵，Vi'为Qi的累计值；

FFN由两层全连接层组成，FFN的计算公式如下：FFN(x)＝max(0,xW1+b1)W2+b2其中，x为注意力层归一化后的输出矩阵；W1，W2为权重向量；b为偏置项；

特征编码器和特征解码器的每个子模块之间使用残差连接Add防止网络退化，然后使用层归一化Norm对每一层的激活值进行归一化处理避免出现过拟合，加快了训练速度，计算公式为：XB＝LN(M(XA)+XA)

XC＝LN(FFN(XB)+XB)

其中，XA为编码层的输入矩阵；XB为FFN层输入矩阵；XC为编码层的输出矩阵；LN为层归一化处理；

步骤6.3：将特征编码器输出结果输入线性层和Softmax分类器层后输出故障诊断结果。