1.一种航空发动机轴承故障诊断方法，其特征在于，所述航空发动机轴承故障诊断方法包括以下步骤：首先通过采集涡喷发动机的振动信号、发动机转速、发动机排气温度、燃油流量、发动机推力5种信号；提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；

然后分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；

最后将融合后的特征参数作为分类器支持向量机的输入，对发动机故障进行分类识别；

所述时域统计学特征包括：

有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度；

无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标；

所述频域特征提取包括：应用快速傅里叶变换时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；

所述基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获得26个小波系数；每个小波系数的能量被计算，每个母小波共计26个小波系数的能量组成一个特征向量，表征故障状态特征。

2.如权利要求1所述的航空发动机轴承故障诊断方法，其特征在于，所述深度波尔曼兹机的能量函数定义如下：式中，v表示可视层；h(1)，…，h(L)表示L个隐藏层；模型参数θ＝{W，a，b}，其中W表示网络间的连接权值矩阵，a表示可视层的偏值，b表示隐藏层的偏值；nv表示可视层神经元数，nhl表示第l隐藏层的神经元数。

3.如权利要求1所述的航空发动机轴承故障诊断方法，其特征在于，所述特征学习过程如下：a)将特征数据输入第一个受限波尔曼兹机RBM1，假设其可视层为v，采用一步对比散度算法，基于重构的可视层矢量中场值，学习计算得到隐藏层第一层h(1)、层间自顶向下的连接权值W(1)，层间自底向上的连接权值矩阵为2W(1)；

b)冻结RBM1的自底向上的连接权值矩阵为2W(1)，按照条件概率P(h(1)|v；2W(1))抽样，提取特征h(1)作为第一个受限波尔曼兹机RBM2的输入；RBM2自顶向下和自底向上两个方向的连接权值都为2W(2)，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM2；

c)冻结RBM2的连接权值矩阵为2W(2)，按照条件概率P(h(2)|v；2W(1)，2W(2))抽样提取特征h(2)，作为RBM3的输入，训练方式同步骤b)；

d)步骤c)进行递归处理，直到L-1层，L指深度波尔曼兹机的隐藏层数；

e)使用一步对比散度算法训练顶层的受限波尔曼兹机RBM，约束条件为：自底向上的连(L) (L)接权重为W ，自顶向下的连接权重为2W ；

f)使用连接权值{W(1)，W(2)，...，W(L)}，构建一个深度波尔曼兹机；

g)利用构建好的深度波尔曼兹机进行特征提取。

4.如权利要求1所述的航空发动机轴承故障诊断方法，其特征在于，采用多特征参数数据融合算法，对提取的各种模态特征进行特征融合。

5.一种利用权利要求1～4任意一项所述航空发动机轴承故障诊断方法的航空发动机轴承。

6.一种利用权利要求1～4任意一项所述航空发动机轴承故障诊断方法的涡喷航空发动机轴承。

7.一种利用权利要求1～4任意一项所述航空发动机轴承故障诊断方法的发动机轴承。