1.一种基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：包括以下实施步骤，
2.根据权利要求1所述的基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：所述的步骤1中，将传感器集成监测模块嵌入至轴承中，实时采集n种模态的信号；n种模态的信号包括不同故障类型状态下的多源信号，多源信号类型包括但不限于轴承的振、温、转速，电机工作状态的电压、电流、功率。
3.根据权利要求1所述的基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：所述的步骤2中，将多种模态信号进行特征提取和信息融合预处理,提取后得到每个模态信号特征向量；其中，每个特征向量包含描述不同模态信息的特征，对不同模态的特征进行拼接、求均值后，以振、温、转速为主序列按模态维度进行数据级融合并构建特征向量矩阵。
4.根据权利要求1所述的基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：所述的步骤3中，将数据级融合特征向量矩阵通过选择不同的小波函数或尺度参数以获得不同频率范围或时间尺度下的特征并计算每个尺度下的特征，生成多尺度的cwt特征提取的灰度图像。
5.根据权利要求1所述的基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：所述的步骤4中，将数据级融合特征向量矩阵a1进行多尺度stft特征提取，计算相应的频谱能量或其他统计特征以生成多尺度stft特征提取的灰度图像；
6.根据权利要求1所述的基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：所述的步骤5中，对不同尺度下提取的特征向量灰度图进行加权融合，根据不同尺度的重要性赋予不同的权重；将上述图像进行拼接形成更长的特征向量再归一化，以生成新的时频特征图像集image；
7.根据权利要求1所述的基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：所述的步骤6中，vit模型包括输入层、多尺度图像块划分、图像块嵌入层、位置编码层、transformer编码器层、自适应池化层、mlp层和输出层；
8.根据权利要求1所述的基于多模态和多尺度融合网络的轴承诊断方法，其特征在于：所述的步骤7中，对于上述步骤5中获得的不同类型数据集按照4：1的比例划分为训练集、验证集，首先将两种不同预处理后构建的数据训练集中分别输入在步骤6中建立的基于多尺度图注意力融合网络架构中,然后通过反向传播算法对故障检测模型中的各权重值进行训练；利用验证集来判断轴承缺陷检测模型的训练效果,以得到训练完整的机械缺陷检测模型；最后用测试集的数据用于检验模型的可靠性；
9.如权利要求1至8任一所述基于多模态和多尺度融合网络的轴承诊断方法的轴承诊断系统，其特征在于：包括原始信号获取模块、多源数据处理模块﹑多尺度特征融合模块、多尺度特征提取模块、诊断分类模块；
10.应用如权利要求9所述基于多模态和多尺度融合网络的轴承诊断系统的上位机工控设备，其特征在于：包括处理器和存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取所述计算机可执行程序并执行；