1.一种逆变器退化故障的诊断方法，其特征在于，所述诊断方法包括：S1.以金字塔视觉变换器为主干网络，内跨尺度特征融合注意力模块和KAN网络层模块，搭建基于级联金字塔视觉变换器的逆变器退化故障诊断模型；

S2.采集包含多种逆变器运行状态的时频图像数据，得到时频图像数据集；

S3.采用所述时频图像数据集训练逆变器退化故障诊断模型；

S4.将训练好的逆变器退化故障诊断模型和时频图像转换模块部署在逆变器中，实时诊断逆变器退化故障；

其中，所述时频图像转换模块用于将实时采集得到的输出电压信号转换为可输入所述逆变器退化故障诊断模型的时频图像；

所述将实时采集得到的输出电压信号转换为可输入所述逆变器退化故障诊断模型的时频图像，具体为：利用连续小波变换将所述输出电压信号映射至时‑频域，引入小波基函数 的共轭函数 ，在不同尺度因子 与位移因子 下进行卷积运算，生成复数小波系数矩阵  ：；

其中 为复数小波系数矩阵，是尺度因子，是位移因子， 是小波基函数 的共轭函数；

计算复数小波系数矩阵关于位移因子 的相位偏导数，得到各尺度分量对应的瞬时频率估计量 ；

；

其中 为瞬时频率估计量， 为复数小波系数矩阵对位移因子 的偏导数；

将瞬时频率估计量 进行同步挤压处理，将尺度轴上散布的能量沿频率轴向中心频率  处进行同步挤压重排，得到同步挤压系数矩阵  ；

；

其中 为同步挤压系数矩阵，为频率区间宽度， 为中心频率， 为尺度因子的离散值，代表尺度采样步长；

采用级联结构对 个不同变换次数的同步挤压系数矩阵 进行线性叠加或特征融合，生成综合时频表征矩阵  ；

；

其中，J为变换次数，T为同步挤压算子， 是第j次变换时得到的小波系数，是第j次变换时的尺度因子， 是第j次变换时的平移因子；

将综合时频表征矩阵  进行标准化处理后映射为二维像素矩阵，得到一个单通道的灰度图像矩阵，其像素值对应归一化的能量强度；

再利用伪彩色映射技术将所述单通道的灰度图像矩阵转换为彩色的时频图像数据，其中，颜色编码了能量信息；

所述逆变器退化故障诊断模型还包括分类模块，所述分类模块通过全局平均池化层对KAN网络层模块输出的特征矩阵进行降维处理，提取全局特征向量，随后，将所述全局特征向量送入全连接层进行线性变换，输出分类矩阵y，并利用Softmax归一化指数函数对所述分类矩阵进行处理，计算待诊断逆变器属于各预设故障类别的概率值，并将概率值最大的故障类别作为最终的逆变器参数故障诊断结果，所述Softmax归一化指数函数为：；

其中， 为待诊断逆变器被识别为第 类故障的概率值，K为预设逆变器故障类别总数，为全连接层输出特征向量 中的第 个元素值，代表对应于第 类故障的特征得分；

分类矩阵y根据如下公式得到：

；

其中， 为全连接层的权重矩阵，是全局特征向量， 为偏置项。

2.根据权利要求1所述的诊断方法，其特征在于，所述金字塔视觉变换器采用自适应缩减机制依据输入的时频图像中能量分布动态调节各阶段的特征图分辨率；

所述自适应缩减机制如下式所示：

；

其中，Ri为第i阶段实际空间缩减比例，βi 为第i阶段的超参数，m值为预设参数，1≤m≤

8。

3.根据权利要求1所述的诊断方法，其特征在于，所述跨尺度特征融合注意力模块的机制具体为：将前一阶段的时频特征图Xs−1进行下采样处理得到特征图 ，再通过双线性上采样和

1x1卷积，使其在分辨率和通道数上与当前阶段的时频特征图Xs对齐，后进行融合计算，得到融合时频特征图Xfuse；

其中，双线性上采样和1x1卷积的计算公式如下式所示：；

式中， 为1 1的卷积， 为双线性上采样；

融合计算的公式如下式所示：

， ；

其中，Xfuse为融合时频特征图，α为权重，σ表示Sigmoid函数，MLP为多层感知器，⊙表示逐元素乘法，增强共同特征，GAP代表全局平均池化；

将融合时频特征图Xfuse输入改进的多头注意力机制，进行跨尺度特征融合注意力模块计算；

其中，所述改进的多头注意力机制的表达式为：，

，

，

，

其中，Q、K、V分别表示查询、健和值矩阵, WQ、WK和WV则是相应的权重矩阵；Attention(Q、K、V)为改进的多头注意力机制，dh是键向量的维度，h是头的数量。

4.根据权利要求1所述的诊断方法，其特征在于，所述KAN网络层模块的输出为：；

其中， 为第l层KAN网络层第i个节点的第j个非线性激活函数，L是KAN网络层的层数，所述非线性激活函数是单变量连续函数，由基函数和样条函数的线性组合获得。

5.根据权利要求1所示的诊断方法，其特征在于，所述多种逆变器运行状态为不同元器件退化程度下的运行状态。

6.根据权利要求5所述的诊断方法，其特征在于，所述多种逆变器运行状态为不同输入滤波电容和输出滤波电容退化程度下的运行状态。