1.基于双注意力机制强化分级决策网络的轴承故障诊断方法，其特征在于，步骤包括：采集不同健康状态下的轴承振动信号；

基于所述轴承振动信号，构建分层多类别故障诊断模型；所述分层多类别故障诊断模型包括双注意力引导机制和树启发式分级决策网络；所述双注意力引导机制的构建方法包括：将三元注意力机制和多头卷积注意力机制整合到一个CNN模型中，形成所述双注意力引导机制；所述多头卷积自注意力是基于单头卷积注意力构建的，步骤包括：首先，将一维原始信号以嵌入式编码的方法生成二维输入张量 其中n和dm分别表示x1的空间维度和通道维度；

其次，采用一组投影来获取查询query，与此同时，将二维输入张量 重新塑造成一个沿着空间维度的三维张量再次，将三维输入张量 进行深度可分离卷积与层归一化技术得到新三维张量 在深度可分离卷积操作中，三维输入张量 通过

缩放因子s减小其高度和宽度维度得到新张量 其中，卷积核大小、步长和填充分别为s+1、s和s/2；

接下来，新三维输入张量 被重新塑造成新二维输入张量

并分别进行两组全连接特征映射获得Key和Value，其中，n＝(h/s)×(w/s)；

进一步的，计算注意力函数中的Query、Key和Value并将Query和Key进行相乘且归一化，然后输入到带有Softmax的卷积操作中并进行实例归一化操作，计算公式如下：其中，Q表示Query；K表示Key；V表示Value；Conv(·)表示标准的1*1卷积操作，用于构建多头注意力中不同头之间信息的交互作用；dk表示输入数据的通道纬度；SA表示自注意力机制；T表示转置；

最后，每个头的输出值被串联并经过线性投影，形成最终的输出：O

MCSA(Q，K，V)＝Concat(headi)W

O

式中，W 表示由线性投影操作生成的权重矩阵；MCSA表示多头卷积自注意力机制；

Concat表示连接操作；headi表示检测头；

利用所述分层多类别故障诊断模型确定轴承的故障位置和尺寸。

2.根据权利要求1所述的基于双注意力机制强化分级决策网络的轴承故障诊断方法，其特征在于，所述双注意力引导机制用于增强轴承故障信号中与故障信息紧密相关的信息并弱化与故障信息关联性不大的干扰信息；

所述树启发式分级决策网络用于逐级决策轴承故障的位置与尺寸。

3.根据权利要求2所述的基于双注意力机制强化分级决策网络的轴承故障诊断方法，其特征在于，所述三元注意力机制通过跨维度交互概念引入卷积块注意力模块，使通道和空间维度之间的交互更加紧密和全面；

其中，所述多头卷积自注意力机制用于在训练或推断过程中减少内存使用和计算的成本，同时保持多头之间的交互性和多样性。

4.根据权利要求2所述的基于双注意力机制强化分级决策网络的轴承故障诊断方法，其特征在于，基于故障诊断任务的基本逻辑设计所述树启发式分级决策网络，包括：故障类型层和故障尺寸层；

所述故障类型层用于确定输入样本的故障类型；

所述故障尺寸层用于确定输入样本的故障尺寸。

5.根据权利要求2所述的基于双注意力机制强化分级决策网络的轴承故障诊断方法，其特征在于，将所述双注意力引导机制作为所述分层多类别故障诊断模型的骨干网络；同时，利用两个全连接层搭建具有两层结构的树启发式分级决策网络，所述骨干网络中全连接层生成的权重信息被所述树启发式分级决策网络的种子节点的阈值继承并且由种子节点与叶子节点的嵌入决策规则进一步确定叶子节点的阈值。

6.基于双注意力机制强化分级决策网络的轴承故障诊断系统，所述系统用于实现权利要求1‑5任一项所述的方法，其特征在于，包括：采集模块、构建模块和检测模块；

所述采集模块用于采集不同健康状态下的轴承振动信号；

所述构建模块用于基于所述轴承振动信号，构建分层多类别故障诊断模型；

所述检测模块用于利用所述分层多类别故障诊断模型确定轴承的故障位置和尺寸。

7.根据权利要求6所述的基于双注意力机制强化分级决策网络的轴承故障诊断系统，其特征在于，所述分层多类别故障诊断模型包括双注意力引导机制和树启发式分级决策网络；

所述双注意力引导机制用于增强轴承故障信号中与故障信息紧密相关的信息并弱化与故障信息关联性不大的干扰信息；

所述树启发式分级决策网络用于逐级决策轴承故障的位置与尺寸。

8.根据权利要求7所述的基于双注意力机制强化分级决策网络的轴承故障诊断系统，其特征在于，所述构建模块的工作流程包括：将三元注意力机制和多头卷积注意力机制整合到一个CNN模型中，形成所述双注意力引导机制；

其中，所述三元注意力机制通过跨维度交互概念引入卷积块注意力模块，使通道和空间维度之间的交互更加紧密和全面；

其中，所述多头卷积自注意力机制用于在训练或推断过程中减少内存使用和计算的成本，同时保持多头之间的交互性和多样性。