1.一种基于聚类K‑SVD算法的滚动轴承故障诊断方法，其特征在于：所述方法包括以下步骤：

S1、采集滚动轴承振动信号；

S2、采用基于粒子群优化的时变滤波经验模态分解算法对采集到的滚动轴承振动信号进行自适应分解，得到若干本征模式分量；

S3、计算每个本征模式分量的相关峭度指标(Kcr)；

S4、采用聚类K‑SVD算法对相关峭度指标Kcr最大的本征模式分量进行字典学习，获得含有明显冲击特征原子的超完备字典DNew；

S5、采用正交匹配追踪算法和超完备字典DNew对滚动轴承振动信号进行稀疏表示；

S6、采用Teager能量算子对稀疏表示结果进行解调分析，获得解调包络谱；

S7、利用所述解调包络谱识别滚动轴承故障频率特征，进行滚动轴承故障诊断；

所述步骤S2具体包括：

(1)设置时变滤波经验模态分解算法中的带宽阈值ε和B样条阶数n的搜索范围分别为[0.1 1]和[5 30]，并将这两个参数共同构成粒子的位置坐标；

(2)利用不同的粒子位置信息，采用时变滤波经验模态分解算法对振动信号进行自适应分解，得到若干本征模式分量，计算每个粒子位置信息所对应的所有本征模式分量的包络熵Ep，并将包络熵的最小值作为该粒子的适应度值；

信号x(i) (i=1,2,…,N)的包络熵EP计算公式为：其中，p(i)是信号x(i)经Hilbert变换得到的解析信号的包络，N为信号长度；

(3)利用每个粒子的适应度值更新个体局部极值和整体局部极值，进而更新粒子群的位置信息和速度信息；

(4)当迭代次数达到最大设定值或误差小于设定阈值时，输出最佳的适应度值及其相应的粒子位置信息；

(5)将得到最佳粒子位置信息，即带宽阈值ε和B样条阶数n，代入时变滤波经验模态分解算法，获得对滚动轴承振动信号的最终分解结果u={u1，u2，…uK}，其中uk表示第k个本征模式分量，K表示本征模式分量的个数。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于：所述步骤S3具体包括：针对步骤S2获得的K个本征模式分量，计算每个本征模式分量uk的相关峭度指标Kcr，计算公式为：

其中，x表示原始信号，和 分别为原始信号x和第k个本征模式分量uk的均值，N为信号长度。

3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于：所述步骤S4具体包括：(1)通过计算K个本征模式分量的相关峭度指标Kcr，选取相关峭度指标最大的本征模式分量um作为聚类K‑SVD算法的输入；

(2)设置K‑SVD算法参数，采用K‑SVD算法对本征模式分量um进行字典学习，获得超完备字典D；

(3)采用K‑均值聚类算法对所述超完备字典D进行分析。

4.根据权利要求3所述的滚动轴承故障诊断方法，其特征在于：所述采用K‑均值聚类算法对所述超完备字典D进行分析具体包括：(1)计算超完备字典D中每个原子dj(j=1，2，…，J，J表示字典D中的原子个数)的峭度指标 和裕度指标 作为表征原子dj的特征向量 ；

(2)利用所有原子的特征向量构造样本集 作为K‑均值聚类算法的输入，设定聚类数为2，从Λ中随机选择2个样本作为初始均值向量{μ1，μ2}；

(3)计算每个输入样本 与各均值向量μl(l=1, 2)的距离 ，根据距离最近的均值向量确定 的类别，从而将所有样本划分为两类C1和C2；

(4)利用每个类别中的所有样本更新相应类别的均值向量；如果更新前后均值向量没有发生变化，则停止聚类，输出聚类结果C={C1, C2}；反之，返回执行步骤(3)；

(5)从聚类结果中选取特征向量较大的一类原子重新构造字典，获得含有明显冲击特征原子的超完备字典DNew。

5.根据权利要求4所述的滚动轴承故障诊断方法，其特征在于：所述步骤S5具体包括：利用超完备字典DNew，对滚动轴承振动信号x进行稀疏表示：其中，dk表示超完备字典DNew中的原子，α表示稀疏表示系数，r表示残差；将求解稀疏表示系数α的问题归纳为一个基于l0范数的系数求解问题：利用稀疏度为1的正交匹配追踪算法求解所述l0范数系数求解问题，得到对滚动轴承振动信号的稀疏表示结果。