1.一种风力涡轮机轴承故障诊断方法，其特征在于，所述诊断方法包含以下步骤：Ⅰ：建立最小熵解卷积模型并获取轴承发出的信号，利用所述最小熵解卷积模型对信号进行降噪处理，得到有效故障信号；

Ⅱ：利用局部均值分解对所述有效故障信号进行分解以得到新信号，所述新信号包括若干个乘积函数PF，所述PF是一个包络信号和一个具有物理意义的纯调频信号的乘积；

Ⅲ：建立风力涡轮机轴承的改进极限学习机故障分类模型，所述改进的极限学习机是一种双层多标签极限学习机网络；

Ⅳ：将新信号输入到改进极限学习机，根据得到的新的信号进行指标计算，所述指标包括标准差、峰值、均方根值、偏斜度、谱峭度、绝对平均值、方根幅值、峰峰值、脉冲指标、波形指标、峭度指标、裕度指标；

Ⅴ：将所述指标计算结果组成故障特征向量输入到改进极限学习机中进行故障分类识别，得到轴承故障类型的分类结果；

步骤Ⅲ所述的改进极限学习机故障分类模型，包括有用于计算故障的数量的计数网络和用于识别故障的标签网络；

所述计数网络为计算故障数量的极限学习机网络，构建方法如下所示：A.通过实验特征的回归映射获得故障标签的数量m，具有单个数据节点的极限学习机网络应用于回归，输出的表达式为：其中，β＝[β1,β2,…,βLr]是隐藏层和输出层之间的权重，e(x)＝[g1(ω1,b1,x),g2(ω2,b2,x),…,gLr(ωi,bLr,x)]为隐藏节点Lr的输出，gi(ωi,bi,x)是隐藏层中第i个节点的值；

B.对于具有激活函数的隐藏层的径向基函数径向基函数，即e(x)，可由下式得到+h(x)＝g(bi||x‑ωi||)，bi∈R，+

其中，ωi和bi分别表示第i个径向基函数节点的中心和影响因子，R 表示所有正实数的T T T T集合，计数层极限学习机的回归模型为：Eβ＝T，其中，E＝(e (x1),e (x2),…,e(xN)) ，是隐T + +藏层的输出矩阵，T＝(t1,t2,…,tN,) 是目标向量，输出权重β＝ET，E是E的逆矩阵；

C.利用回归特征映射计数极限学习机网络输出的故障数目m＝fLr(x)，然后将故障数目m传递到决策模型并用于后续标签网络中；

所述标签网络输出单个最匹配的标签：

T

其中，fj(x)＝[f1(x),…,fN(x)] 表示标签网络的输出函数，其中fj(x)包含全部候选标签，基于计数网络的输出，标签网络选择m个最大变量作为最终阈值 所提出的的T决策函数通过f(x)＝[f1(x),…,fm(x)]来生成m个标签的列表；

标签网络的输出函数为：

T

其中，δ＝[δ1,δ2,…,δLc,]表示隐藏层和输出矩阵之间的输出权重向量，Th(x)＝[h1(x),h2(x),…,hLc(x)]表示隐藏层的输出向量，T是数据训练的目标，

2.根据权利要求1所述的一种风力涡轮机轴承故障诊断方法，其特征在于，步骤Ⅰ中所述的建立提高信噪比的最小熵解卷积模型，包括以下步骤：①对于获得的信号，用时域卷积表示为：

x＝hu*u+hd*d+he*e，

T T

其中，x＝[x1,x2,x3…xN] 为离散加速度序列，u＝[u1,u2,u3…uN]为未知输入的干扰信T号，d＝[d1,d2,d3…dN]为输入的周期性冲击故障信号，e为离散高斯噪声序列，hu,hd和he分别为各自对应的时域卷积FIR滤波器系数，N为加速度序列x的数据长度；

②重构故障信号d，实现最小熵解卷积：使测量加速度x通过一个L阶解卷积FIR滤波器f且L＜N，所述解卷积滤波器f的输出可以用时域卷积表示为：y＝f*x＝f*(hu*u)+f*(hd+d)+f*(he*e)T T

其中，f＝[f1,f2,f3…fL] ,y＝[y1,y2,y3…yN]；

③采用峭度K(y)作为目标函数，求该目标函数最优滤波器f的最大峭度值：其中，L、N分别为解卷积FIR滤波器f的结束和输入信号x的长度，此时，f＝[f1,f2,f3…TfL]，峭度K(y)关于滤波器f的一阶偏导数等于零；

④结合步骤②和步骤③，有 此时，

⑤将步骤④中的每个变量l(l＝1,2,…,L)对应于一个方程，共L个方程组，简化为矩阵形式为：T

其中，f＝[f1,f2,f3…fL] ， 为标量， 为解卷积滤波器f的输入信号x的L×L阶自相关Toeplitz矩阵， 为输出信号3

与y的y与输入信号x的互相关矩阵，此时，⑥通过逐步迭代方法收敛到局部最优解，输出该最优解作为有效故障信号。

3.根据权利要求1所述的一种风力涡轮机轴承故障诊断方法，其特征在于，步骤Ⅱ所述的均值分解方法包括以下步骤：S1：ni为原始信号x(t)所有的局部极值点，计算得到所有相邻的局部极值点ni和ni+1的平均值mi，将所有相邻的mi用直线连接起来并且经平滑处理得到局部均值函数m11(t)，计算包络估计值ai， 将所有的相邻ai用直线连接起来并且经进行平滑处理得到包络估计函数a11(t)；

S2：将m11(t)从原始信号x(t)中分离出并得到h11(t)，h11(t)＝x(t)‑m11(t)，对h11(t)进行解调，得到s11(t)，s11(t)＝h11(t)/a11(t)，计算s11(t)的包络估计函数a12(t)；

S3：当a12(t)＝1时，进行步骤S5，此时，s11(t)是一个纯调频信号，当a12(t)≠1时进行步骤S4；

S4：对s11(t)重复步骤S1至步骤S2，直到‑1≤s1n(t)≤1且其包络信号估计函数满足a1(n+1)(t)＝1，迭代终止条件为：S5：将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个PF分量：PF1(t)＝a1(t)s1n(t)，

包络信号a1(t)为迭代过程中产生的全部包络估计函数的乘积，S6：x(t)中分离出第一个PF分量为PF1(t)，获得新的信号u1(t)，将u1(t)作为原始数据重复步骤S1至步骤S5，循环k次，直到uk(t)为一个单调函数，此时x(t)被分解成k个PF分量和一个残余分量uk(t)之和，即：此时，PFp表示为p个PF分量，uk表示余项。

4.根据权利要求2所述的一种风力涡轮机轴承故障诊断方法，其特征在于：步骤⑥所述的迭代方法，包括以下步骤：(0) (0) (0)

第一步：初始化滤波器系数f ，所述f 为中心单位脉冲的时延滤波器，此时，f ＝T[0,…,0,1,0,…,0]；

第二步:根据X0及 计算 其中i为迭代循环次数，i＝

1,2,…,m，m为最大迭代循环次数；

(i) (i) 3

第三步：计算 K(y )、R (y ,x)L×1；

(i)

第四步：计算迭代更新f 系数并重复迭代过程第二步、第三步，直至满足迭代循环终止条件，所述终止条件为：(i) (i+1) (i)

ΔK ＝|K(y )‑K(y )|；

(i)

第五步：FIR滤波器系数f＝f ，滤波器信号 y为信号x中所包含的具有高峭度脉冲故障信号d的一个近似。