1.一种无监督特征学习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、采集滚动轴承在不同健康状态下的振动信号；

S2、对振动信号进行非重叠截取处理，分别构造权值训练样本集和模型训练样本集以及测试样本集，并对样本集中的数据进行标准化处理；

S3、采用自编码极限学习机对权值训练样本集进行无监督学习，得到隐含层和输出层之间的权值矩阵；

S4、对得到的权值矩阵进行叠加处理，得到卷积池化结构中的卷积核，并利用卷积池化结构对模型训练样本集和测试样本集进行特征提取；

S5、利用从模型训练样本集中提取到特征向量集对支持向量机进行有监督训练，并将训练好的模型用于测试样本集进行滚动轴承健康状态的识别与分类；

所述步骤S2具体包括：用长度为M的滑动窗对原始振动信号进行非重叠截取，从中选取若干组数据分别作为权值训练样本集Xptr、模型训练样本集Xtr以及测试样本集Xte，其中权值训练样本集Xptr用于对ELM‑AE进行权值矩阵的训练和学习；模型训练样本集Xtr以及测试样本集Xte分别用于对支持向量机模型进行训练和测试；为增加数据间的可比性，对样本集Xptr、Xtr和Xte中的数据进行Z‑score标准化处理，公式如下i i

其中，x表示样本集中第i个样本值， 表示标准化后的样本值，μ和δ分别表示样本x的均值和标准差；

所述步骤S3具体包括：建立单隐含层前馈ELM‑AE网络模型，对所述权值训练样本集Xptr进行无监督学习，模型输出数学表达式如下其中，L表示隐含层的神经元数量，g(·)表示Sigmoid激励函数，βk表示隐含层第k个神经元与输出层的输出权值向量，wk和bk分别表示输入层与隐含层第k个神经元之间的权值向量与偏置；通过ELM‑AE网络模型的无监督学习获得隐含层和输出层间的权值矩阵其中βk的长度与样本集Xptr中的样本长度相同；

所述步骤S4具体包括：对得到的所述权值矩阵β进行叠加处理，得到卷积层滤波器的卷积核ω，公式如下ω＝β1+β2+…+βL

构建卷积池化网络结构，对模型训练样本集合测试样本集进行特征提取，卷积滤波的数学公式如下c＝f(x*ω+b)

其中，*表示卷积运算；b表示偏置；ω表示卷积核；x为输入样本；f(g)表示Sigmoid激励函数，c表示卷积层输出特征；将ELM‑AE所学到的权值矩阵整合成了1个滤波器权值，故卷积层滤波器个数为1个，且不再需要利用反向传播算法对滤波器权值进行调整，有效提升模型学习效率；

将卷积滤波得到的输出特征进行池化处理，采用最大值池化，公式如下其中，c(i)表示输出特征中第i个数据点的值，p代表池化长度，缺省为5；o(j)代表池化层的输出值，j＝1,2…,M，M为c中特征个数与p的比值；

通过利用卷积池化结构对模型训练样本集和测试样本集进行特征提取，分别得到的特征向量集为Ftrain和Ftest。