1.一种滚动轴承故障特征提取方法，其特征在于,步骤包括：采集电动驱动端的轴承信号数据，对信号数据进行预处理，将信号数据分为测试集和训练集；

采用小波频带能量法提取信号数据的特征，分别得到训练集和测试集的第一特征矩阵；

采用小波包—AR谱估计法提取信号数据的特征，分别得到训练集和测试集的第二特征矩阵；

采用EMD‑SVD法提取信号数据的特征，分别得到训练集和测试集的第三特征矩阵；

将第一、第二和第三特征矩阵拼接处理，并通过PCA进行数据压缩得到降维后的训练集和测试集，即，为轴承故障特征；

所述采用小波包—AR谱估计法提取信号数据的特征的具体步骤包括：对轴承信号进行小波包分解；

将信号的不同分量分解到相应的频段内，并对每个分量进行小波包重构获得重构信号；

对重构信号进行AR谱估计，计算出各个频段的AR谱能量特征；

获得AR谱能量特征的特征向量，分别得到训练集和测试集的第二特征矩阵。

2.如权利要求1所述的滚动轴承故障特征提取方法，其特征在于，所述信号数据进行预处理的步骤包括：轴承数据信号中待使用的信号序列为F1～Fi，将Fi进行适当分割，形成l个信号序列，即Fi＝fi1，fi2，fi3…fil}，其中fi1为第i种故障序列分割而成的第一个子集序列；

随机从Fi中选出一部分信号子序列作为原始训练集；另一部分作为原始测试集。

3.如权利要求1所述的滚动轴承故障特征提取方法，其特征在于，所述采用小波频带能量法提取信号数据的特征的具体步骤包括：对轴承信号数据进行小波分解；

将轴承信号数据的不同分量分解到相应的频段内，计算出各个频段的能量特征；

对能量特征向量归一化处理，分别获得训练集和测试集的第一特征矩阵。

4.如权利要求1所述的滚动轴承故障特征提取方法，其特征在于，所述采用EMD‑SVD法提取信号数据的特征的具体步骤包括：对信号进行EMD分解得到若干IMF分量；

计算IMF分量的能量占比；

设定阈值，提取能量占比超过阈值的若干IMF分量；

采用SVD对提取的IMF分量进行压缩处理，将压缩的IMF分量作为信号特征，分别得到训练集和测试集的第三特征矩阵。

5.如权利要求1所述的滚动轴承故障特征提取方法，其特征在于，所述将第一、第二和第三特征矩阵拼接处理的具体步骤包括：获得拼接处理后的训练集α和测试集β，其中α＝[α1，α2，α3]A1×M，β＝[β1，β2，β3]A2×M，A1，A2分别表示训练集和测试集的信号个数，M表示特征维数α1、α2和α3分别为训练集的第一、第二和第三特征矩阵，β1、β2和β3分别为测试集的第一、第二和第三特征矩阵；

所述通过PCA进行数据压缩的具体步骤包括：对于训练数据集α，计算其协方差矩阵；对协方差矩阵进行奇异值分解；输出降维后的训练集；同样的对测试集β进行相同处理得到降维后的测试集。

6.一种滚动轴承故障的智能诊断方法，其特征在于，包括采用如权利要求1‑5所述的滚动轴承故障特征提取方法来获取降维后的训练集和测试集，并将降维后的训练集和测试集输入分类器进行训练，对轴承故障进行诊断；

所述将降维后的训练集和测试集输入分类器进行训练的具体步骤包括：初始化粒子群，对粒子的惩罚项系数和核函数宽度的速度、位置初始化；在当前惩罚项系数和核函数宽度下，计算SVM识别准确率；

寻找极值；更新粒子速度和位置；判断SVM分类误差是否满足终止条件；

若满足终止条件，则将测试集放入分类器进行分类，对训练集和测试集的分类结果进行分析；若不满足，则返回寻找极值处继续处理。

7.一种滚动轴承故障特征提取系统，包括：

采集模块，被配置为：采集电动驱动端的轴承信号数据；

预处理模块，被配置为：对信号数据进行预处理，将信号数据分为测试集和训练集；

特征提取模块，被配置为：采用小波频带能量法提取信号数据的特征，分别得到训练集和测试集的第一特征矩阵；采用小波包—AR谱估计法提取信号数据的特征，分别得到训练集和测试集的第二特征矩阵；采用EMD‑SVD法提取信号数据的特征，分别得到训练集和测试集的第三特征矩阵；将第一、第二和第三特征矩阵拼接处理，并通过PCA进行数据压缩得到降维后的训练集和测试集；

所述采用小波包—AR谱估计法提取信号数据的特征的具体步骤包括：对轴承信号进行小波包分解；

将信号的不同分量分解到相应的频段内，并对每个分量进行小波包重构获得重构信号；

对重构信号进行AR谱估计，计算出各个频段的AR谱能量特征；

获得AR谱能量特征的特征向量，分别得到训练集和测试集的第二特征矩阵。

8.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1‑5所述的滚动轴承故障特征提取方法。

9.一种滚动轴承故障的智能诊断系统，其特征在于，包括：分类器和如权利要求7所述的特征提取系统中的采集模块、预处理模块、特征提取模块；所述分类器，被配置为：输入特征提取模块降维后的训练集和测试集；初始化粒子群，对粒子的惩罚项系数和核函数宽度的速度、位置初始化；在当前惩罚项系数和核函数宽度下，计算SVM识别准确率；寻找极值；

更新粒子速度和位置；判断SVM分类误差是否满足终止条件；若满足终止条件，则将测试集放入分类器进行分类，对训练集和测试集的分类结果进行分析；若不满足，则返回寻找极值处继续处理。