1.一种滚动轴承故障诊断方法，其特征在于，该方法包括：

S1：进行多种工况下的滚动轴承振动信号测试；

S2：基于实验平台获取不同工况下滚动轴承的振动信号数据，不同工况包括：不同转速、特定转速、不同负载、不同温度、不同湿度以及不同酸碱度条件；

S3：对采集到的振动信号数据进行分析，根据不同约束条件判定滚动轴承的振动变化情况，获取不同约束条件下的振动变化数据；

S4：基于不同工况下的振动变化数据，分析滚动轴承的损耗程度；

S5：构建多个第一LSTM模型，将获取的不同工况下的振动信号数据及对应的损耗程度输入第一LSTM模型进行训练，生成针对各单一因素的预测故障模型，得到多个单因素LSTM模型；

S6：基于多个单因素LSTM模型，构建一个包括多输入层、融合层和输出层的第二LSTM模型，通过融合不同工况下的预测结果，生成综合故障预测模型，并输出综合故障诊断结果；

S7：在进行故障诊断之前，对无人船船尾螺旋桨所使用的若干个滚动轴承进行编号，并依据不同工况进行分类保存；

S8：采集当前运行的滚动轴承工况数据，基于分类保存结果，将当前工况数据分别输入到对应的单因素LSTM模型中进行预测，并将各个单因素模型的预测结果输入第二LSTM模型进行综合故障预测，输出滚动轴承的故障诊断结果；

在步骤S6中，第二LSTM模型包括：多输入层、融合层和输出层，多输入层接收来自多个单因素LSTM模型的预测结果；融合层将来自不同输入源的特征融合在一起，产生一个多维的表示，用于预测故障状态；

融合层的融合策略包括加权融合，为不同输入分配权重，提取新的综合特征表示；在输出层中对故障状态或损耗程度进行预测，对于分类任务，输出层使用softmax函数输出故障类别的概率，对于回归任务输出连续的损耗预测值；

注意力机制通过计算不同输入特征的重要性权重，选择性地对特征进行加权，生成一个更加代表性的、包含全局信息的特征表示；实现步骤为：(1)输入特征的表示：注意力机制的输入是多个特征向量，每个特征向量来自单因素LSTM模型的输出，这些特征表示不同的转速、负载、温度工况的振动信号，这些输入特征向量用一个向量集合表示，每个特征向量代表一种工况；

(2)计算注意力权重：对每个输入特征，通过权重矩阵计算注意力得分，该得分反映特征对最终预测的重要性；计算公式中使用加权运算，表示不同特征的重要性；使用softmax函数对所有计算出的注意力得分进行归一化处理，使得所有特征的权重总和为1，从而合理分配不同特征的权重；

(3)加权特征表示：将每个特征与计算出的注意力权重相乘，得到加权后的特征表示；

确保重要的特征权重较高，不重要的特征权重较低；

(4)融合加权后的特征：将所有加权后的特征进行求和，得到一个全局的融合特征表示；融合后的特征包含了所有输入特征的重要性信息，并经过加权处理，确保综合特征能够更好地反映故障预测中的关键特征；

(5)综合特征输出：将融合后的综合特征传递到输出层，进行故障预测；对于分类任务，输出层使用softmax函数输出故障类别的概率；对于回归任务，输出层输出连续的损耗预测值。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，在步骤S2中，基于实验平台获取不同工况下滚动轴承的振动信号数据，包括：不同转速下的滚动轴承振动信号数据、特定转速下的滚动轴承振动信号数据、不同负载条件下的滚动轴承振动信号数据、不同湿度条件下的滚动轴承振动信号数据、不同温度条件下的滚动轴承振动信号数据、不同洁净度条件下的滚动轴承振动信号数据、不同酸碱度条件下的滚动轴承振动信号数据。

3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，在步骤S3中，获取不同约束条件下的振动变化数据，包括：(1)基于特定转速下的滚动轴承的振动信号数据和特定转速但不同负载下的滚动轴承的振动信号数据，判定不同负载下的滚动轴承的振动信号数据；

(2)基于特定转速下的滚动轴承的振动信号数据和特定转速但不同温度下的滚动轴承的振动信号数据，判定不同温度下的滚动轴承的振动信号数据；

(3)基于特定转速下的滚动轴承的振动信号数据和特定转速但不同湿度下的滚动轴承的振动信号数据，判定不同湿度下的滚动轴承的振动信号数据；

(4)基于特定转速下的滚动轴承的振动信号数据和特定转速但不同洁净度下的滚动轴承的振动信号数据，判定不同洁净度下的滚动轴承的振动信号数据；

(5)基于特定转速下的滚动轴承的振动信号数据和特定转速但不同酸碱度下的滚动轴承的振动信号数据，判定不同酸碱度下的滚动轴承的振动信号数据。

4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，在步骤S4中，分析滚动轴承的损耗程度，包括：第一种方式，综合使用时域和频域特征分析；

第二种方式，小波包分解技术用于损耗判定；

第三种方式，改进的互相关分析用于损耗趋势检测；

第四种方式，深度学习模型LSTM用于滚动轴承损耗的预测；

第五种方式，加权评分模型用于综合评估损耗，所述加权评分模型将多个特征的值结合在一起，生成一个综合评分；加权评分公式为：Score＝w1·RMS+w2·Kurtosis+w3·Peak+w4·Ehigh+w5·Wenergy式中，Score为综合评分，用于评估滚动轴承的损耗程度或故障状态，通过多个特征的加权求和得到的结果，wi，i＝1,2，3，4，5为特征权重，通过历史数据或机器学习进行优化，RMS为均方根值，反映振动信号的整体强度，Kurtosis为峭度，衡量振动信号中尖锐冲击的强度，Peak为峰值，信号的最大值，用于检测冲击性损坏或严重磨损，Ehigh为高频能量，Wenergy为小波包能量。

5.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，在步骤S5中，多个单因素LSTM模型包括：基于转速预测故障的模型、基于负载预测故障的模型、基于温度预测故障的模型、基于湿度预测故障的模型、基于洁净度预测故障的模型、基于酸碱度预测故障的模型；

将不同转速下的滚动轴承的振动信号数据中的转速和滚动轴承损耗程度输入至第一LSTM模型中进行训练包括：(a)数据预处理与增强；

归一化与标准化：将振动信号和转速数据进行标准化或归一化，表达式为：式中，x′为归一化后的数据值，x为原始数据值，max(x)为原始数据中的最大值，min(x)为原始数据中的最小值；

归一化将数据缩放到0和1之间，应用滑动窗口技术，将振动信号和转速数据分割成固定长度的时间窗；

(b)使用双向LSTM，通过两个并行LSTM单元，同时学习前向和后向的时间依赖关系；

(c)多输入特征的融合，对输入的振动信号和转速，通过特征工程或神经网络中的融合层，将振动信号和转速数据结合，使用注意力机制对转速和振动信号之间的关键时刻进行加权处理，捕捉振动信号和转速数据之间的关系；

(d)动态学习率调整，使用学习率调度器根据训练进度动态调整学习率，动态调整学习率中使用余弦退火调整学习率，余弦退火学习率调整通过余弦函数来逐步减小学习率，从初始值下降到接近零；具体过程如下：学习率的计算公式为：

式中，ηt为第t步时的学习率，ηmin为最小学习率，ηmax为初始的最大学习率，Tcur为当前的训练步数，Tmax为整个退火过程的最大步数，cosx为余弦函数；

学习率随着训练步数逐步减小，遵循余弦函数的变化曲线，最终接近0；通过余弦退火学习率调整，模型在早期阶段能够快速收敛，而在后期阶段通过较小的学习率进行微调，从而稳定收敛；余弦退火与学习率重启机制相结合，在周期结束后重新提升学习率，防止陷入局部最优解，提高模型的泛化能力。

6.根据权利要求5所述的滚动轴承故障诊断方法，其特征在于，基于转速预测故障的模型，包括：输入特征，包括转速数据、振动信号；

模型结构，包括LSTM层，通过学习输入数据的时间依赖关系，提取振动信号和转速的变化模式，LSTM单元的门控结构捕捉长期和短期的依赖关系，并记忆滚动轴承的历史损耗状态；

输出层，最终预测滚动轴承在给定转速条件下的故障状态，输出连续的损耗预测值或离散的故障类别；

所述基于负载预测故障的模型、基于温度预测故障的模型、基于湿度预测故障的模型、基于洁净度预测故障的模型、基于酸碱度预测故障的模型均具有以下特征：输入层：接收振动信号与特定环境特征输入，所述特定环境包括负载、温度、湿度、洁净度、酸碱度；

LSTM单元：学习时序特征，捕捉长短期依赖关系；

堆叠LSTM层：用于对复杂动态行为的理解；

输出层：预测滚动轴承的故障或损耗，支持分类和回归任务；

优化算法：使用Adam或其他自适应优化算法加速收敛；

数据预处理与增强：通过标准化、归一化和数据增强技术优化输入特征。

7.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，加权融合，包括：第1步，数据采集与监测：通过实际运行中监测滚动轴承在不同因素下的振动信号、转速、负载、温度、湿度、洁净度和酸碱度数据；这些数据用于跟踪滚动轴承的损耗进程；

第2步，损耗程度时长的计算：在每个因素下，通过分析振动信号及环境数据，计算滚动轴承达到故障临界点的时间；这个时间长度被称为损耗程度时长，反映滚动轴承在该因素下的劣化速度；

第3步，权重分配：损耗时长与权重呈反比关系，损耗程度时长越短，表示该因素对滚动轴承的损坏影响越大，相应的权重越高；权重通过以下公式计算：式中，wi为第i个因素的权重，ti为某一因素的损耗程度时长，n为所有因素的总数，tk为第k个因素的量化值；

第4步，加权融合：将每个因素的权重应用于对应的特征数据，通过对特征进行加权处理，生成加权后的特征表示，将每个特征向量与其权重相乘，得到加权后的特征，公式为：hi，weighted＝wi·hi

式中，hi，weighted为加权后的特征向量，hi为某一因素的原始特征向量；

第5步，融合特征求和：对所有加权后的特征进行求和，得到一个综合的特征表示，表达式为：式中，Hfused为融合后的特征表示；

该综合特征表示融合了所有单因素特征，并通过权重反映各因素对故障的影响程度；

第6步，第二LSTM模型训练优化：在对历史数据进行第二LSTM模型的训练和优化过程中，使用改进的策略动态调整各个因素的权重，使得模型准确反映不同因素对滚动轴承损耗的影响；具体优化步骤如下：自定义损失函数：为了更好地捕捉不同工况下滚动轴承的损耗特性，设计自定义损失函数，该损失函数不仅考虑了误差，还根据每个因素的损耗权重进行加权处理，从而提升对复杂工况的敏感度，定义的损失函数如下：式中，L为损失值， 为模型的预测值，yi为实际损耗值。

8.根据权利要求7所述的滚动轴承故障诊断方法，其特征在于，损失函数通过权重wi调整每个因素对模型的贡献，反应不同工况下对损耗影响的不同程度；

(1)混合优化算法：为了进一步提高模型的训练效率，结合反向传播算法和AdamW优化算法，AdamW是一种结合了权重衰减的自适应学习率优化算法，能够有效防止模型在长时间训练中的过拟合问题，并确保模型快速收敛，AdamW通过以下公式更新参数：式中，θt为第t次迭代时候的参数值，θt‑1为第t‑1次迭代时候的参数值，η为学习率，为偏置校正后的一阶矩估计， 为偏置校正后的二阶矩估计，∈为防止分母为零的平滑项，λ为权重衰减系数；

(2)特征权重的动态调整：在训练过程中，模型会根据不同因素在每次迭代中的贡献，动态调整这些因素的权重；随着训练的进行，每个特征的权重会根据模型的表现持续更新，确保模型能够适应不同工况下的变化；调整公式如下：式中， 为第t+1次迭代时的权重， 为第t次迭代时的权重， 为损失函数对权重的梯度；

为了防止LSTM模型在处理长时间序列数据时出现梯度爆炸或梯度消失问题，采用梯度裁剪技术，将梯度的范数限制在一个预定义的阈值范围内，具体裁剪方式如下：式中，g为梯度向量，‖g‖2为梯度的L2范数，c为裁剪阈值；

通过裁剪过大的梯度，保证模型在训练过程中的稳定性，这一过程通过反向传播算法结合损失函数优化各个权重的值。

9.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，在步骤S7中，对无人船船尾螺旋桨所使用的若干个滚动轴承进行编号，包括：采用分层编码的方法进行编码，编码结构为：AB‑CD‑EF‑GH‑IJ‑KL；

A‑B：轴承编号，两个字母表示编号，从01到99；

C‑D：转速类别，用2位数字表示转速区间，01表示0‑1000RPM，02表示1001‑2000RPM，以此类推；

E‑F：负载类别，用2位数字表示负载区间，01表示轻载，02表示中等负载，03表示重载；

G‑H：温度类别，用2位数字表示温度区间，01表示0‑50℃，02表示51‑100℃；

I‑J：湿度类别，用2位数字表示湿度范围，01表示0‑30％，02表示31‑60％，03表示61‑

100％；

K‑L：洁净度和酸碱度类别，K代表洁净度，L代表酸碱度，01表示洁净环境和中性pH值，

02表示污染环境和酸性，03表示污染环境和碱性；

分类保存的方法包括：

多层次交叉分类：在进行单一因素分类的基础上，将多种因素结合起来形成更细化的分类；

时间序列分类保存：在对滚动轴承进行监控时，将时间序列信息与上述条件结合存储，不同时间段的环境变化和轴承状态帮助识别故障早期迹象；

按照不同因素进行分类保存中，利用数据库的多级索引功能，将每个滚动轴承的编码作为主索引，同时根据转速、负载条件建立辅助索引，在需要进行特定因素分析时快速找到相关数据。