1.基于多尺度深度神经网络的旋转机械故障诊断方法，其特征在于首先对输入信号下采样，获得不同尺度的信号表示，其次利用基于注意力机制的长短时记忆网络和多尺度卷积神经网络进行特征提取，然后融合多尺度特征，最后使用分类器对融合后的特征分类，所述方法包含以下步骤：
s1、准备训练数据集，并对数据集进行下采样，得到多尺度信号表示；
s2、利用多尺度卷积神经网络对多尺度信号做特征提取；
s3、利用基于注意力机制的长短时记忆网络对多尺度信号做特征提取；
s4、将s2和s3提取的多尺度特征进行融合；
s5、将融合之后的特征，放入全连接层，使用分类器进行分类。
2.如权利要求1所述的基于多尺度深度神经网络的旋转机械故障诊断方法，其特征在于，步骤s1中所述的多尺度下采样的原理如下：
采用多尺度的方式对输入信号下采样有助于增强特征；本发明使用不同的尺度对输入信号进行下采样，比如对于输入信号x＝{x1,x2,...,xn}，xi为第i个输入信号的值，n是输入信号的长度，通过逐段聚集平均(piecewiseaggregateapproximation，paa)算法进行下采样，获得不同尺度的信号表示{y(window)}，window表示尺度，例如当window＝2时，下采样信号后为
3.如权利要求1所述的基于多尺度深度神经网络的旋转机械故障诊断方法，其特征在于，步骤s2中所述的多尺度卷积神经网络的特征提取的原理如下：
目前大多数的研究方法都是通过单尺度卷积核提取特征，但是这种方式会导致特征提取不全面的问题；所以本发明提出使用时间卷积作为全卷积神经网络(fullyconvolutionalnetwork，fcn)的分支用来做多尺度的特征提取，首先使用不同大小的卷积核对多尺度信号提取特征；其次通过串联(concatenate)的方式融合特征；然后再次进行卷积操作；最后利用全局平均池化(globalaveragepooling，gap)对整个网路在结构上做正则化防止过拟合；为了加快训练速度，在第一层融合后，第二层和第三层均使用批标准化(batchnormalization，bn)。
4.如权利要求1所述的基于多尺度深度神经网络的旋转机械故障诊断方法，其特征在于，步骤s3中所述的基于注意力机制的长短时记忆网络的方法如下：
为了捕获信号中的时间信息，本发明使用基于注意力机制的lstm(attentionlongshort-termmemory，alstm)对多尺度信号进行特征提取，为了防止过拟合，在alstm之后添加dropout层；lstm可以捕获信号中的时间信息，使用注意力机制来关注特征的重要程度；上下文向量c以目标序列y为条件；上下文ci取决于编码器将输入序列映射到隐藏层状态
每个隐藏层状态的权重如下：
其中eij为：
其中ci是上下文向量，hi是编码器隐藏层状态，si-1是解码器隐藏层状态，
5.如权利要求1所述的基于多尺度深度神经网络的旋转机械故障诊断方法，其特征在于，步骤s4中所述的多尺度特征融合的原理如下：
设在多尺度特征提取之后，输出的特征为o1...oi和os...on；本发明采用concatenate的方式将卷积神经网络和长短时记忆网络提取的特征进行融合，融合之后的结果为：
o＝[o1...oi...os...on](1)
卷积神经网络对于提取深层次特征具有很好的效果，长短时记忆网络能够捕捉长时依赖的信号特征，使用以上两种方式对信号做特征提取并融合，不仅有利于表达每段信号的特征，还有利于提取信号之间的依赖关系，两者相结合能够更好地表示特征，从而有利于提高故障分类的准确率和鲁棒性。