1.一种基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述基于非侵入式信号的旋转机械多尺度特征故障诊断方法，包括：构建多标签数据集，所述多标签数据集包括不同工况下采集的电流信号滤波后得到的电流基波信号和电流残余信号，所述电流基波信号设有工况标签，所述电流残余信号设有故障标签；

针对每一种工况，采用相同的网络结构建立故障分类模型，利用对应工况下的电流残余信号和故障标签预训练故障分类模型至收敛，并利用预训练后的故障分类模型，根据电流残余信号输出对应的故障多尺度低维表示；

建立一个与故障分类模型的网络结构相同的工况分类模型，将电流基波信号输入工况分类模型，得到工况多尺度低维表示；

基于工况多尺度低维表示和故障多尺度低维表示构建权重，并利用权重对故障多尺度低维表示进行加权，得到各工况下的加权特征；

对各工况下的加权特征进行拼接后作为故障特征，通过全连接层对故障特征输出故障分类向量；

基于故障分类向量，构建包括工况分类损失和故障分类损失的自适应联合损失函数，利用自适应联合损失函数优化更新工况分类模型至收敛；

获取待诊断的电流基波信号和电流残余信号，利用工况分类模型和各工况下的故障分类模型得到待诊断的故障特征，并通过全连接层输出故障诊断结果。

2.根据权利要求1所述的基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述构建多标签数据集，包括：采用巴特沃斯滤波器对原始采集的三相电流信号进行以交流电工作频率为截止频率的低通滤波，得到多种工况下的电流基波信号以及电流残余信号，公式表示如下：；

式中， 是原始采集的三相电流信号， 是低通滤波得到的电流基波信号， 是电流残余信号；

对得到的电流基波信号与电流残余信号进行滑窗操作，并分别打上工况标签与故障标签构建为多标签数据集 ， 表示电流残余信号， 表示电流基波信号， 表示故障标签， 表示工况标签。

3.根据权利要求1所述的基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述故障分类模型和工况分类模型均采用 模型，所述模型的网络结构如下：

对于 输 入的 一 个 时间 长 度为 ，通 道 维 度为 的 一 维 时间 序 列，具体的公式如下：；

其中， 表示第 个通道的数据， ， 表示对数据 进行快速傅里叶变换，将时序信号转换为频域表示，输出数据是一个同样长度为 的复数序列， 表示第 个通道输入信号第 个频率分量的幅度和相位信息，；

对复数 进行取幅值操作，具体的公式如下：；

其中， 表示复数 的幅值， 表示对复数取实部， 表示对复数取虚部；

对得到的幅值 以通道维度进行取均值操作，具体的公式如下：；

其中， 表示一维时间序列 中每个频率分量的强度，通过强度序列 获得前 个幅值最大的频率序列 以及对应的周期长度序列，具体的公式如下：

；

；

其中， 表示取幅值最大的 个频率， 表示频率序列 中的第 个频率，表示取 范围内的频率 ， 表示向上取整操作， 表示周期长度序列 中的第 个周期长度， ；

按照周期长度 将原始的一维时间序列 重构成二维时序信号序列，具体的公式如下：

；

其中， 表示二维时序信号 中的第 个二维时序信号， 表示在序列的尾部进行补零， 和 表示输入的二维张量的行数与列数， 表示按照行对数据进行重新组合成 大小；

对于得到的二维时序信号序列 ，使用Inception模块提取二维时序变化表征，具体的公式如下：

；

其中， 表示利用Inception模块提取得到的二维时序变化表征，表示不同的卷积核操作， 表示拼接操作；

将提取得到的二维时序变化表征 转化回一维空间，具体的公式如下：；

其中， 表示由二维时序变化表征 转化得到的一维表征， 表示按照行对数据进行重新组合成 大小， 表示将 操作补充的0去除；

对于得到的一维表征 根据上前 个幅值最大的频率 进行加权求和，具体的公式如下：

；

；

其中， 表示频率 对应的频率分量的强度， 为强度 的概率分布，是激活函数， 为自适应融合后的多尺度输出；

利用全连接层对 进行降维处理得到重构信号的低维特征，具体的公式如下：；

其中， 是多尺度低维表示， 、为全连接层的权重和偏置，T表示矩阵转置操作。

4.根据权利要求1所述的基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述利用对应工况下的电流残余信号和故障标签预训练故障分类模型至收敛，包括：；

；

其中， 表示第 种工况下的故障分类模型， 为输入的电流残余信号， 是第 种工况下的故障多尺度低维表示， 是预训练时输出的故障分类向量， 、为第 种工况下的全连接层的权重和偏置；

通过Adam优化器迭代故障分类模型的网络参数使损失函数最小化，损失函数采用交叉熵函数。

5.根据权利要求1所述的基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述将电流基波信号输入工况分类模型，得到工况多尺度低维表示，包括：；

；

其中， 表示工况分类模型， 为输入的电流基波信号， 是工况多尺度低维表示， 是工况分类向量， 、 为工况分类中全连接层的网络参数。

6.根据权利要求1所述的基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述基于工况多尺度低维表示和故障多尺度低维表示构建权重，并利用权重对故障多尺度低维表示进行加权，得到各工况下的加权特征，包括：取工况多尺度低维表示 分别对不同工况下的故障多尺度低维表示进行多通道注意力机制加权，具体的公式如下：；

；

其中， 表示第 种工况下的权重矩阵， 是激活函数，T表示矩阵转置操作，表示第 种工况下的故障多尺度低维表示， 表示进行多通道注意力机制加权后的第种工况下的加权特征， ， 为工况总数。

7.根据权利要求1所述的基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述基于故障分类向量，构建包括工况分类损失和故障分类损失的自适应联合损失函数，包括：；

；

；

；

；

其中， 表示自适应联合损失函数， 为工况分类损失的权重， 为故障分类损失的权重， 为工况分类的交叉熵损失、 为故障分类的交叉熵损失， 是真实工况标签的概率分布， 是预测出的属于工况类别 的概率， 为工况总数， 是真实故障标签的概率分布， 是预测出的属于故障类别 的概率， 是总的故障类别， 是工况分类向量，是训练时的故障分类向量。

8.根据权利要求7所述的基于非侵入式信号的旋转机械多尺度特征故障诊断方法，其特征在于，所述权重 与 分别为动态超参数，迭代的具体公式如下：；

其中， ， 表示调整步长， 表示第 轮迭代计算得到的自适应联合损失函数的值， 表示当前所有迭代得到的自适应联合损失函数的平均值， 表示第 轮迭代时的权重 ， 表示第 轮迭代时的权重 ， 。