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；

假设同一类内存在m个n维敏感特征向量ui＝(xi,1,xi,2,xi,3,…,xi,n)组成m*n维特征矩阵W＝[u1,u2,…,um]T，对特征向量进行归一化处理，则 为特征矩阵的均值向量；

为了计算同一类内样本特征的特征熵，计算W中各个向量到均值向量的距离：其中，k表示特征编号；

根据 将δk平均N1等分获得N1个区间：

以第k个特征为例，统计每个区间内元素的个数pi(i＝1,…,N1)，当m→∞时，δk中元素属于各个区间的概率为：并且满足

通过上述公式可以得出特征向量矩阵的欧氏距离分布概率，依据信息论中熵的定义，可以求熵以表征样本在欧氏空间的不确定性，即特征熵H(P)：定义类间样本特征的特征熵为最大联合熵，即可分度测度值为：

其中，Hj(P)为第j个类的特征熵，M为总类别数，因此选取特征熵较小的分类特征集，分类器训练时更容易收敛；

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Xi，i＝1,2,...,M，其中M≥200，|Xi|≥2n，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。