1.一种水面无人艇不平衡样本的故障诊断方法，其特征在于，该方法包括：S1，通过水面无人艇的传感器获取推进器水草堵塞、塑料袋堵塞、尼龙绳堵塞、布条堵塞、正常状态的一维振动时间序列数据，所述水面无人艇的传感器包括船首、船身和推进器部位安装的加速度传感器；

S2，对采集到的数据进行预处理，去除异常值和噪声，应用改进的SMOTE算法，通过多次k‑means聚类识别并隔离边界样本和不稳定样本，生成新的样本以平衡数据集；

S3，采用连续小波变换将预处理后的一维振动数据转换为二维时频图数据，并划分为训练集和测试集；

S4，建立水面无人艇故障诊断网络模型，包括残差模块、特征提取模块、注意力模块、池化层、全连接层、输出层；

S5，使用改进的FPN结构对二维时频图进行多尺度特征提取，通过自底向上和自上而下的路径整合不同层级的特征图；

S6，引入旋转注意力机制，通过对特征图进行旋转和池化操作，增强特征的表达能力，应用Softmax函数生成自适应权重，实现特征的加权融合；

S7，训练水面无人艇故障诊断网络模型，将融合后的特征输入到网络模型，采用损失函数和优化算法进行训练；

S8，将训练好的故障诊断网络模型应用于独立的测试集，评估故障诊断网络模型的诊断准确性和泛化能力，对故障诊断网络模型进行优化和调整，并不断迭代；

S9，根据故障诊断网络模型输出的诊断结果，分析故障类型和严重程度，为消除故障和维修设备提供依据；

在步骤S2中，改进的SMOTE算法，包括：

S201，边界样本识别：对于少数类样本集x＝{x1，x2，…，xn}中的任意两个样本xi和xj之间的距离dxx(i，j)使用欧几里得距离计算；其中，i，j＜n，公式如下：式中，xi，xj分别为少数类样本集中的第i个和第j个样本，d为样本的特征维度数，即每个样本中特征的数量；xik，xjk分别为少数类样本xi和xj在第k个维度的值；

对于少数类样本集中的样本xi和多数类样本集y＝{y1，y2，…，ym}中的样本yj，j＜m，它们之间的距离dxy(i，j)使用欧几里得距离计算，公式如下：式中，yj代表多数类样本集中的第j个样本，yjk代表多数类样本yj在第k个维度的值；

若存在dxxmin(i，j)＞dxymin(i，j)，则样本xi为边界样本，对边界样本进行隔离保护处理；

其中，dxxmin(i，j)为样本点与少数类样本的最小距离，dxymin(i，j)为样本点与多数类样本的最小距离；

S202，k‑means聚类：对剩余的少数类样本设定重复次数为 预期簇群数量为的k‑means聚类，并初始化一个数组f，元素fp表示第p个样本点改变簇群的次数；

S203，分配矩阵构建：定义一个分配矩阵A，元素Apq表示第p个少数类样本在某次聚类中所属的簇群，其中：对于样本p和连续两次聚类r和r′，r′＝r+1，计算簇群分配的变化ΔAp(r)＝Apq‑Apq′，如果ΔAp(r)≠0，表示样本p在两次聚类中分配到了不同的簇群即q≠q′，更新计数器fp＝fp+

1，fp的值越大表明样本点p受到噪声和异常值的影响越大是不稳定样本；

S204，不稳定样本识别：通过比较样本在多次聚类中的簇群分配变化，即ΔAp(r)＞τ时，识别为不稳定样本；

S205，设置权重参数：获取水面无人艇推进器转速w和船体长度L，定义权重系数为：式中，w表示水面无人艇推进器转速，L表示船体长度，fp表示样本在多次聚类中改变簇群的次数，M表示聚类重复次数，wusv表示权重系数；

S206，新样本点生成：根据分配矩阵中记录的改变簇群的次数，调整原始SMOTE算法的公式，新生成的样本点为xnew＝xi+(1‑δ·wusv)·(xj‑xi)，其中，δ∈(0，1)为随机变量，δ在(0，1)区间内取值，用于调节新生成样本点相对于原始样本点xi和其邻居样本xj的位置；

S207，样本平衡实现：重复以上步骤，直至少数样本点与多数样本点实现数量上的平衡。

2.根据权利要求1所述的水面无人艇不平衡样本的故障诊断方法，其特征在于，在步骤S2中，对采集到的数据进行预处理，去除异常值和噪声，包括：S211，对含噪信号进行特性分析，选择使用dbn小波、symn小波或coifn小波作为基函数，分解层数为3至5层；

S212，对小波分解后的信号系数应用阈值处理，通过选择阈值函数和阈值参数，对小波系数进行量化处理，以抑制噪声分量，软阈值函数公式如下：式中，ωj，k为波形分解后的第k级第j个系数，|ωj，k|为ωj，k的绝对值，sgn(ωj，k)为ωj，k的符号函数，λ为正的阈值参数；

Heursure阈值λ的公式如下：

式中，N为整个信号的长度，σ为信号标准差，SNR为信噪比；

式中，ωj，k为小波变换系数，Median()为中位数；

S213，进行小波系数的重构。

3.根据权利要求1所述的水面无人艇不平衡样本的故障诊断方法，其特征在于，在步骤S3中，采用连续小波变换将预处理后的一维振动数据转换为二维时频图数据，包括：通过对一维信号x(t)进行小波变换，分解为与尺度s和平移t相关的小波系数，并投影成二维时频分布图像作为水面无人艇故障诊断模型的输入，连续小波变换公式如下：式中，W(a，b)为小波变换的系数，ψa，b(t)表示缩放和平移后的小波函数，a，b分别为尺度和平移参数，f(t)为被分析的信号或函数， 为小波函数的中心位置b经过尺度a的变换后的位置，R为实数集；

Morlet小波基函数公式如下：

1/4

式中， 为高斯窗口的宽度，ω0为中心频率，π 为归一化因子确保小波函数是归一化的，t为时间变量，e为自然对数的底数， 为正态分布的指数部分，i为虚数单位。

4.根据权利要求1所述的水面无人艇不平衡样本的故障诊断方法，其特征在于，在步骤S5中，使用改进的FPN结构对二维时频图进行多尺度特征提取，包括：S501，自底向上的网络：输入数据通过一系列残差单元处理，产生逐渐减小的特征图[C1，C2，C3，C4，C5]，这些特征图具有不同的分辨率和特征信息；

S502，横向连接：在每个层级，通过1×1的卷积核进行横向连接，调整特征图的通道数，以匹配所需的维度使得不同层级的特征有效地传递和整合；

S505，自上而下的网络：将自上而下的路径整合到底层特征中；

S506，将融合后的特征经过一个具有3×3卷积核的卷积层输出。

5.根据权利要求4所述的水面无人艇不平衡样本的故障诊断方法，其特征在于，在步骤S505中，将自上而下的路径整合到底层特征中，包括：S5051，C5通过1×1卷积变为P4；

S5052，C5通过1×1卷积并上采样×2，与C4通过1×1卷积的输出结合，变为P3；

S5053，C5通过1×1卷积并上采样×4，C4通过1×1卷积并上采样×2，与C3通过1×1卷积的输出结合，变为P2；

S5054，C5通过1×1卷积并上采样×8，C4通过1×1卷积并上采样×4，C3通过1×1卷积并上采样×2，与C2通过1×1卷积的输出结合，最终变为P1；

其中，

P4＝C1×1(C5)

(2)

P3＝U (C1×1(C5))+C1×1(C4)

(4) (2)

P2＝U (C1×1(C5))+U (C1×1(C4))+C1×1(C3)(8) (4) (2)

P1＝U (C1×1(C5))+U (C1×1(C4))+U (C1×1(C3))+C1×1(C2)f

式中，[P1，P2，P3，P4]均表示原始特征重构的特征，U()为上采样操作，f为上采样的倍数，C1×1为卷积操作用于调整通道数。

6.根据权利要求1所述的水面无人艇不平衡样本的故障诊断方法，其特征在于，在步骤S6中，引入旋转注意力机制，通过对特征图进行旋转和池化操作，增强特征的表达能力，包括：S601，输入特征旋转：将输入特征 沿空间维度H和W分别进行90度顺时针旋转得到 和 来增强通道C和空间维度H，W间

的交互；其中，x为原始特征， 为实数集，xrotatedH为沿空间维度H顺时针旋转90度后得到的新特征，xrotatedW为沿空间维度W顺时针旋转90度后得到的新特征；

S602，Concatpool操作：分别对特征x进行Concatpool操作，在C，H，W维度上应用最大池化Maxpool和平均池化Avgpool，将结果进行拼接：式中，Z(x)为对原始特征进行Concatpool操作，AvgPool(x)为对原始特征进行平均池化操作，MaxPool(x)为对原始特征进行最大池化操作，Z(xrotatedH)为对H维度特征进行Concatpool操作，AvgPool(xrotatedH)为对H维度特征进行平均池化操作，MaxPool(xrotatedH)为对H维度特征进行最大池化操作，Z(xrotatedW)为对W维度特征进行Concatpool操作，AvgPool(xrotatedW)为对W维度特征进行平均池化操作，MaxPool(xrotatedW)为对W维度特征进行最大池化操作；

S603，卷积层和全连接层：通过卷积层和后续的全连接层FC1、FC2对Concatpool的输出进行特征映射和自适应权重调整，表达式为：P＝FC2(ReLU(FC1(Z)))

式中，ReLU()是激活函数用于引入非线性，FC1(Z)为将Concatpool的输出与全连接层连接；

S604，对于每个分支i输出的权重矩阵pi首先通过Softmax函数σ生成归一化的自适应权重ωi，表达式为：ωi＝σ(pi)

式中，i＝C.H.W分别为三个不同的分支，j，k分别为输出权重的索引，σ(z)j为Softmax函数作用在输入特征z上的第j个元素经过转换后得到的值， 为输入向量z中第j个元素zj的指数， 为输入向量z中第k个元素zk的指数；

S605，特征加权融合：将自适应权重应用于原始旋转特征，实现特征的加权融合：xweightedC＝x⊙ ωC

xweightedH＝xrotatedH⊙ ωH

xweightedW＝xrotatedW⊙ ωW

式中，⊙为逐元素相乘，xweightedC为加权后C维度的特征，ωC为维度C自适应权重，xweightedH为加权后H维度的特征，xrotatedH为沿空间维度H顺时针旋转90度后得到的新特征，ωH为维度H自适应权重，xweightedW为加权后W维度的特征，xrotatedW为沿空间维度W顺时针旋转

90度后得到的新特征，ωW为维度W自适应权重；

S606，反旋转操作：在完成特征加权融合后，对每个分支的特征 执行与之前相反的旋转操作，以恢复到原始的空间维度；如果原始旋转是沿H轴或W轴的90度顺时针旋转，则反旋转操作是沿相同轴的逆时针90度旋转：‑1

xrestordi＝Rotate (xweightedi)

‑1

式中，xrestoredi为恢复到原来维度的特征，Rotate ()为逆旋转；

S607，最终特征融合：将加权后的特征进行整合，得到最终的特征表示：式中，xfinal为经旋转注意力模块输出的特征， 为逐元素相加，xrestoredH为维度H恢复后的加权特征，xrestoredW为维度W恢复后的加权特征，xrestoredC为维度C恢复后的加权特征。

7.根据权利要求1所述的水面无人艇不平衡样本的故障诊断方法，其特征在于，在步骤S7中，将经特征提取和注意力网络之后的特征与网络模型的全连接网络相连，并通过损失函数反向不断更新相关参数，使输入的信号数据经过模型后的预测类型不断逼近真实故障类型，实现对信号数据的故障诊断和故障分类。

8.根据权利要求7所述的水面无人艇不平衡样本的故障诊断方法，其特征在于，故障诊断网络模型采取交叉熵作为训练的损失函数，交叉熵的基础信息熵为：式中，H(X)为随机变量X的基础信息熵，x为随机变量，n为随机变量的取值范围，p(x)为概率分布，p(xi)为i个变量分布概率；

在多分类的情况下，数据样本为(a，b)时候，其中a作为样本，b为该样本的标签，此时预测结果不仅仅是{0，1}两个数值之间，而是K个分类标签的集合；此时损失函数为：式中，Llog(Y，P)为针对标签分布Y和预测分布P计算的对数似然损失，Y为真实标签的集合，P为模型预测的概率分布，N为样本总数，i为样本索引即从0到N‑1，K为类别的总数，yi，k为样本i是否属于类别k，若属于yi，k＝1，否则yi，k＝0，Pi，k为模型预测样本i属于类别k的概率。

9.一种水面无人艇不平衡样本的故障诊断系统，其特征在于，该系统通过权利要求1‑8任意一项所述的水面无人艇不平衡样本的故障诊断方法进行诊断，该系统包括：一维振动时间序列数据获取模块，用于通过水面无人艇的传感器获取推进器水草堵塞、塑料袋堵塞、尼龙绳堵塞、布条堵塞、正常状态的一维振动时间序列数据，所述水面无人艇的传感器包括船首、船身和推进器部位安装的加速度传感器；

数据生成模块，用于预处理采集到的数据，去除异常值和噪声，应用改进的SMOTE算法，通过多次k‑means聚类识别并隔离边界样本和不稳定样本，生成新的样本以平衡数据集；

训练集和测试集划分模块，用于采用连续小波变换将预处理后的一维振动数据转换为二维时频图数据，并划分为训练集和测试集；

水面无人艇故障诊断网络模型建立模块，用于建立水面无人艇故障诊断网络模型，包括残差模块、特征提取模块、注意力模块、池化层、全连接层、输出层；

多尺度特征提取模块，用于使用改进的FPN结构对二维时频图进行多尺度特征提取，通过自底向上和自上而下的路径整合不同层级的特征图；

引入旋转注意力机制模块，用于引入旋转注意力机制，通过对特征图进行旋转和池化操作，增强特征的表达能力，应用Softmax函数生成自适应权重，实现特征的加权融合；

故障诊断网络训练模块，用于训练水面无人艇故障诊断网络模型，将融合后的特征输入到网络模型，采用损失函数和优化算法进行训练；

测试模块，用于将训练好的故障诊断网络模型应用于独立的测试集，评估故障诊断网络模型的诊断准确性和泛化能力，对故障诊断网络模型进行优化和调整，并不断迭代；

分析模块，用于根据故障诊断网络模型输出的诊断结果，分析故障类型和严重程度，为消除故障和维修设备提供依据。