1.一种轴承故障诊断方法，其特征在于，包括：采集轴承的时间序列数据；

采用格拉姆角场处理所述时间序列数据，生成格拉姆差场图以及格拉姆和场图；

将所述格拉姆差场图以及所述格拉姆和场图输入轴承故障诊断模型，得到轴承的故障诊断结果；

其中，所述轴承故障诊断模型采用卷积神经网络，所述模型用于：对所述格拉姆差场图与所述格拉姆和场图进行并行卷积，并采用滑动卷积替代池化操作，进行特征提取与特征聚合，得到故障特征；

基于所述故障特征，采用CBAM注意力机制自适应地调整特征图的通道和空间权重，生成所述故障诊断结果；

所述轴承故障诊断模型包括：采样模块、空间注意力模块与通道注意力模块；

所述采样模块的结构依次为卷积层、正则化层、滑动卷积层、ReLu层、卷积层、正则化层、滑动卷积层、ReLu层、卷积层与正则化层；

所述空间注意力模块，包括：卷积层与Sigmoid层；

所述通道注意力模块，包括：自适应平均池化层、自适应最大池化层、卷积层、ReLu层与卷积层。

2.如权利要求1所述的轴承故障诊断方法，其特征在于，所述采用格拉姆角场处理所述时间序列数据，生成格拉姆差场图以及格拉姆和场图，包括：将所述时间序列数据进行归一化处理，并将归一化的时间序列数据转换为极坐标；

根据所述时间序列数据之间的余弦和，生成格拉姆和场图；

根据所述时间序列数据之间的角度差，生成格拉姆差场图。

3.如权利要求1所述的轴承故障诊断方法，其特征在于，所述CBAM注意力机制包括通道注意力机制，所述通道注意力机制用于：通过计算每个通道的全局平均池化和全局最大池化，得到每个通道的全局信息；

通过全连接层对所述全局信息进行融合，生成通道注意力权重，以对每个通道进行加权。

4.如权利要求3所述的轴承故障诊断方法，其特征在于，所述CBAM注意力机制还包括空间注意力机制，所述空间注意力机制用于：通过在每个通道上进行一维卷积，获取每个像素点的局部信息；

对所述局部信息进行全局平均池化和全局最大池化，生成空间注意力权重，以对每个像素点进行加权。

5.一种轴承故障诊断装置，其特征在于，包括：数据采集模块，用于采集轴承的时间序列数据；

格拉姆角场模块，用于采用格拉姆角场处理所述时间序列数据，生成格拉姆差场图以及格拉姆和场图；

故障诊断模块，用于将所述格拉姆差场图以及所述格拉姆和场图输入轴承故障诊断模型，得到轴承的故障诊断结果；

其中，所述轴承故障诊断模型采用卷积神经网络，所述模型用于：对所述格拉姆差场图与所述格拉姆和场图进行并行卷积，并采用滑动卷积替代池化操作，进行特征提取与特征聚合，得到故障特征；

基于所述故障特征，采用CBAM注意力机制自适应地调整特征图的通道和空间权重，生成所述故障诊断结果；

所述轴承故障诊断模型包括：采样模块、空间注意力模块与通道注意力模块；

所述采样模块的结构依次为卷积层、正则化层、滑动卷积层、ReLu层、卷积层、正则化层、滑动卷积层、ReLu层、卷积层与正则化层；

所述空间注意力模块，包括：卷积层与Sigmoid层；

所述通道注意力模块，包括：自适应平均池化层、自适应最大池化层、卷积层、ReLu层与卷积层。

6.如权利要求5所述的轴承故障诊断装置，其特征在于，所述格拉姆角场模块具体用于：将所述时间序列数据进行归一化处理，并将归一化的时间序列数据转换为极坐标；

根据所述时间序列数据之间的余弦和，生成格拉姆和场图；

根据所述时间序列数据之间的角度差，生成格拉姆差场图。

7.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的轴承故障诊断方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，所述计算机可读存储介质所在设备执行所述计算机程序时，实现如权利要求1至4中任意一项所述的轴承故障诊断方法。