1.一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，包括以下步骤：a. 传感器采集滚动轴承的运行噪声信号；

b. 噪声信号按时间序列分割，组成样本集；

c. 对样本提取时频域特征，得到时频域一维特征行向量；

d. 采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；

e. 利用PSO或GA优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。

2.根据权利要求1所述的一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，所述的步骤c中提取每个样本的时频域特征包括时域平均值、时域过零点数、时域最大值、时域最小值、时域均方根、偏度、峰度、形状指标、脉冲指标、时域曲线积分、频域过零点数、频域均方根、峰值因子、中位数、时域标准差、频域面积分、频域标准差、频域曲线积分、频域幅值求和等19个时频域特征指标，得到时频域一维特征行向量。

3. 根据权利要求1所述的一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，所述的步骤b中噪声信号按时间序列分割获得样本集，每个样本集记为， ，其中 ， ，n为轴承旋转一周的采样点数。

4.根据权利要求1所述的一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，所述的步骤d中对时频域一维特征行向量所形成的数据特征集随机分配训练样本、交叉验证样本和测试样本，通过交叉验证方法，采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，为实现可视化，选取最大的3个特征为最终特征集。