1.基于不平衡无标签监测数据自监督的智能故障诊断方法，包括以下步骤：第一步，获取时域振动信号，将无标签且数据类型不平衡监测数据组成数据集作为自监督预训练数据，有标签时域振动信号分割为训练集和测试集；

第二步，使用乘性噪声增强、倒序偏移增强和加性噪声增强方式分别对无标签数据进行增强扩充；

第三步，构建自监督故障诊断网络，包含特征提取和映射，具体包括：将第i个乘性噪声增强样本 倒序偏移增强样本 和加性噪声增强样本 拼接作i为X传递到公式(3)中特征编码器网络f(·)进行特征提取，f(·)采用1DCNN网络结构；

i i i

h＝f(X)＝1DCNN(X)    (3)，i

其中h 是1DCNN网络最后一个平均池化层的输出表征，每个增强后样本通过1DCNN获得各自对应输出；

i

随后进行特征非线性映射，利用投影头g(·)将通过编码获得的表征h映射到对应的对比损失的潜在空间中，映射关系如公式(4)所示；

i i 1 2 i

q＝g(h)＝Wσ(Wh)    (4)，i i 1 2 1

其中q 是表征h 映射输出，σ(·)是ReLu激活函数，W和W 是参数矩阵，W 用于将经过非2

线性激活的特征进行线性变换以得到最终输出，W 用于对输入特征进行线性变换和降维处理；

第四步，在特征提取之后进行特征的逆注意力挑选，优化特征实现特征的平衡学习与全局成熟；特征的平衡学习与全局成熟过程如下：将第三步中得到的映射输出记为特征z，首先计算特征z的成熟度gz；通过公式(5)所示峭度kurtosis计算同一特征在所有样本中的激活值，获取其可区分性用于评价其成熟度；

gz＝jurtosis(z)    (5)，在对成熟度gz进行排序后，根据需要被抑制的特征维度的比例p，对成熟度gz从大到小进行排序，得到与特征z中各维度特征相对应的排序rankg，根据公式(6)锁定要抑制的神经元的位置掩码；

最后，将位置location(i)与特征Z相乘获得新的特征；

第五步，基于挑选特征进行噪声对比估计损失函数设计，利用增强后的振动信号无标签数据集进行自监督网络预训练；

第六步，故障诊断网络的全局调整训练：使用有标签训练数据集对第五步训练好的自监督网络进行参数调整；

第七步，将振动信号测试集输入训练好的网络，输出其健康状态类型。

2.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第二步中乘性噪声增强公式如下：i i

其中 表示乘性噪声增强后的第i个样本，x 为需要增强的振动信号第i个样本，z 表i i i i i i示信号x 的平均幅值，增强幅度与x的振幅呈正比，s表示信号x 的标准差，random(z，s)i i i表示从以z为均值，s为方差构建的高斯分布中获取与x长度相同的随机数列。

3.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第二步中倒序偏移增强过程如下：i

设样本x的长度为L，对振动信号进行时间维度上的翻转，令原样本中第t个数据点在新样本中位置为L‑t，之后将信号首尾相连，令所有数据点向后逐次循环移动r个位置，得到倒序偏移增强的样本

4.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第二步中加性噪声增强过程如下：i i i

根据振动信号第i个样本x 的平均幅值z ，标准差s ，通过公式(2)进行增强，其中i i i i irandom(z，s)表示从以z为均值，s为标准差构建的高斯分布中获取的与x长度相同的随i机数列；mask(rand(L，0.1×L))是进一步混合的椒盐噪声添加方法，表示对x中L个数据点通过rand函数随机挑选0.1×L个，并通过mask操作将挑选的数据点设置为0，其他数据点值不变， 表示加性噪声增强后的第i个样本，表示如下：

5.根据权利要求1所述的基于不平衡无标签监测数据自监督的智能故障诊断方法，其特征在于，第五步设计损失函数并进行预训练过程包括：第i个乘性噪声增强样本 和倒序偏移增强样本 的正样本对经过特征提取网络转换得到特征表示 和 利用公式(7)中余弦相似度来表示特征之间的距离，其他增强后样本的匹配方式与之相同；

i，k

正样本对 的对比损失函数Loss 的定义如式(8)所示，k≠i， 表示第k个原始样本倒序偏移增强后的样本；

其中τ是温度参数，N是原始样本总数，通过最小化对比损失函数实现基于无标签数据的自监督网络训练。