1.一种基于改进卷积自编码器的风机滚动轴承振动信号降噪方法，其特征在于，具体包括以下步骤：步骤1：获取风机轴承振动信号，形成第一数据集；所述第一数据集中，风机轴承振动信号可采用公开数据集、用振动传感器对振动信号进行采集，或者从数据采集系统中获取；

步骤2：为所述第一数据集中的振动信号添加噪声，形成第二数据集，并将所述第二数据集划分训练集、验证集和测试集；

步骤3：构建基于多尺度注意力残差卷积自编码的风机滚动轴承振动信号降噪模型，所述模型包括编码器，ASPP‑ECA模块，解码器和残差连接块，所述模型的构建进一步包括步骤

3.1至步骤3.4：

步骤3.1：所述编码器由依次连接的卷积层1、激活函数1、最大池化层1、卷积层2、激活函数2、最大池化层2、卷积层3、激活函数3和最大池化层3组成，其中卷积层、激活函数和最大池化层依次连接组成一层小编码器，编码器中有三层结构相同的小编码器依次连接；其中激活函数1、激活函数2、激活函数3选用Relu函数，计算公式如下：F(a)＝max{0,a}                            (1)其中，a为激活值；

步骤3.2：所述ASPP‑ECA模块在编码器和解码器之间，该模块是将空洞空间卷积池化金字塔模块ASPP和通道注意力ECA模块结合起来，ASPP‑ECA模块包括输入层、1×1卷积层1、三个不同膨胀率的1×3膨胀卷积、每个膨胀卷积后的注意力模块、池化层、1×1卷积层2、上采样层、连接层、1×1卷积层3和输出层；

ASPP‑ECA模块内分为5条分支，其中，

第一条分支从模块输入层经过1×1卷积层1，传输到连接层；

第二条支路、第三条支路和第四条支路分别从模块输入层经过三个不同膨胀率的膨胀卷积，之后分别进入ECA模块，由ECA模块自适应调整不同特征的权重，再传输至连接层；

第五条分支从模块输入层，依次经过池化层、1×1卷积层2、上采样层，之后将通道权重传输至连接层；

连接层接收所述五条分支的输出后，将数据传输至1×1卷积层3，之后再传输给输出层输出；

步骤3.3：解码器由依次连接的转置卷积1、激活函数4、上采样1、残差连接块、转置卷积

2、激活函数5、上采样2、转置卷积3、上采样3和LeakyRelu函数组成，其中转置卷积、激活函数和上采样层依次连接组成一层小解码器，解码器中有两层结构相同的小解码器依次连接，第三层小解码器是由转置卷积3、上采样3和LeakyRelu函数依次连接组成；LeakyRelu函数公式如下：其中，α取0.01；

残差连接的主路径是由卷积层3、激活函数3、最大池化层3、ASPP‑ECA模块、转置卷积1、激活函数4和上采样1组成，跳跃连接线将编码器中第二个小编码结构的最大池化层2的输出，连接到解码器第一个小解码结构后的残差连接块，在残差连接块处，将主路径端上采样

1的输出与最大池化层2的输出相结合，残差连接块由依次连接的1×1卷积和融合模块组成，在残差连接块中，跳跃连接线经过1×1卷积连接到融合模块，融合模块接收1×1卷积层的输出和上采样1的输出，将两个分支的数据进行融合，融合之后作为整体输出；

步骤4：利用所述训练集和验证集对所述基于多尺度注意力残差卷积自编码的风机滚动轴承振动信号降噪模型进行训练，将训练好的模型保存为最优模型，进一步包括步骤4.1至步骤4.4：步骤4.1：设置所述基于多尺度注意力残差卷积自编码的风机滚动轴承振动信号降噪模型训练参数，模型训练参数包括：学习率，卷积核大小，优化器，迭代轮数；

步骤4.2：将所述训练集和验证集含噪信号样本输入到所述多尺度注意力残差卷积自编码的风机轴承振动信号降噪模型中，使用反向传播算法计算损失函数对模型参数的梯度，通过最小化损失函数调整模型参数使其逐渐接近最优解；

步骤4.3：使用优化器Adam来更新模型参数，使模型参数朝着梯度下降的方向更新，直到训练集和验证集的损失函数不再下降，同时评价指标信噪比SNR也不再提高，均方根误差EMSE和平均绝对值误差MAE也不再变小；

步骤4.4：将训练好的模型参数保存为最优模型；

步骤5：采用所述测试集对所述最优模型进行测试，对测试集测试结果进行评估，满足精度要求，即获得最终基于多尺度注意力残差卷积自编码的风机滚动轴承振动信号降噪模型。

2.根据权利要求1所述的一种基于改进卷积自编码器的风机滚动轴承振动信号降噪方法，其特征在于，所述步骤2中，按照7:2:1的比例进行划分训练集、验证集和测试集。

3.根据权利要求1所述的一种基于改进卷积自编码器的风机滚动轴承振动信号降噪方法，其特征在于，所述步骤5进一步包括步骤5.1至步骤5.3：步骤5.1：将所述测试集输入到步骤4所述的最优模型中；

步骤5.2：计算模型性能指标：信噪比SNR、均方根误差RMSE、平均绝对值误差MAE，具体计算公式如下：其中，SNR为信号信噪比，RMSE为均方根误差，MAE为平均绝对值误差，Si为原始信号，S′i表示降噪后输出的信号，n为信号样本的个数；

步骤5.3：当性能指标满足精度要求时，获得最终基于多尺度注意力残差卷积自编码的风机滚动轴承振动信号降噪模型。