1.一种基于稀疏编码器和支持向量机的滚动轴承故障诊断方法，其特征在于，所述诊断方法包括以下步骤：步骤1，以滚动轴承的原始振动数据作为输入样本，采用小波去噪，去除干扰噪声然后对滚动轴承的原始振动数据进行快速傅里叶变换得到新的轴承振动频谱信号X；

步骤2，通过线性归一化方法，对轴承振动频谱信号X进行归一化处理后得到轴承振动频谱信号X1；

步骤3，将轴承振动频谱信号X1输入SSAE模型，对滚动轴承特征进行深度学习；

其中，SSAE模型是多个稀疏编码器(Sparse Auto Encoder,SAE)叠加，第一级稀疏编码器的输出作为第二级稀疏编码器的输入，第二级稀疏编码器的输出作为第三级稀疏编码器的输入，以此类推；通过对数据的逐层学习完成DNN网络预训练，然后通过带标签的样本使用BP算法以误差最小化为原则自上向下传输完成DNN网络的微调；

步骤4，将步骤3中提取到的两层特征综合到一起构成支持向量机的输入，以粒子群算法对支持向量机的参数进行优化，通过训练样本对支持向量机进行训练，然后使用训练好的支持向量机对测试样本进行测试，完成对滚动轴承的故障诊断。

2.根据权利要求1所述的基于稀疏编码器和支持向量机的滚动轴承故障诊断方法，其特征在于：在步骤1中，先对含有噪声信号进行小波分解，把信号分解到各尺度中，然后分别在各个尺度下把噪声去掉，留下有用信号，最后对其进行小波逆变换恢复信号。

3.根据权利要求1所述的基于稀疏编码器和支持向量机的滚动轴承故障诊断方法，其特征在于：在步骤2中，采用线性归一化方法，提高深度学习分类准确率同时缩减分类计算时间；

线性归一化计算式为：

式中，i＝1,2,3,...,n.；n为轴承振动频谱信号的采样点数；xi为轴承振动频谱信号；

为轴承振动频谱信号线性归一化后得到的信号；xmax为轴承振动频谱信号中幅值最大的信号；xmin为轴承振动频谱信号中幅值最小的信号。