1.一种基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，所述基于波形和无量纲学习的大机组摩擦故障分析方法，包括：利用双探头提取机器故障振动信号，并对数据进行预处理；

进行摩擦故障特征提取：(1)对故障信号进行小波包2层分解变换，小波包即利用多次叠代的小波转换分析输入信号的细节部分，得到不同尺度下的小波系数，将信号HH层的尺度系数置零；

(2)计算无量纲特征波形指标Sf，将波形指标作为提取的特征之一，具体计算公式如下：其中 表示波形数据均方根值， 表示波形数据绝对平均；

(3)计算无量纲特征峰值指标，将峰值指标作为提取的特征之一，具体计算公式如下：其中xmax表示波形峰值， 表示表示均方根值；

(4)计算无量纲特征脉冲指标，将脉冲指标作为提取的特征之一，具体计算公式如下：其中xmax表示波形峰值， 表示波形数据绝对平均；

(5)计算无量纲特征峭度指标，表示实际峭度相对于正常峭度的高低，峭度指标反映振动信号中的冲击特征，将无量纲特征峭度指标作为提取的特征之一，具体计算公式如下：其中

(6)计算无量纲特征裕度指标，一般用于检测机械设备的磨损情况；若歪度指标变化不大，有效值与平均值的比值增大，说明由于磨损导致间隙增大，因而振动的能量指标有效值比平均值增加快，其裕度指标也增大了，将无量纲特征裕度指标作为提取的特征之一，具体计算公式如下：

其中

(7)计算无量纲特征Teager能量算子，将Teager能量算子为提取的特征之一，具体计算公式如下：

其中，t表示数据采集时间， αt为t时刻前后的偏移角；

(8)计算标准偏差，标准偏差表征的是数据的离散程度，表征的是单个统计量在多次抽样中呈现出的变异性；可以这样理解，前者是表示数据本身的变异性，而后者表征的是抽样行为的变异性，具体计算公式如下：(9)计算平均值的标准偏差，平均值的标准偏差是指一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度；标准偏差越小，这些值偏离平均值就越少，反之亦然；标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量，具体计算公式如下：

(10)计算样本的样本圆均值(circle_mean)，将样本圆均值做为提取的特征之一，具体计算公式如下：

其中X为样本，sin为正弦函数，cos为余弦函数，arctan2为正切函数，π为圆周率；

其中 S′＝∑isin(angle)C＝∑icos(angle)，res＝arctan2(S′,C)；

利用机器学习方法建立故障预测模型；

预测未知标签信号是否存在故障，并确定故障类型。

2.如权利要求1所述基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，所述机器故障振动信号及数据进行预处理的过程为：

1)安装两个探点，通过两个探点采集得到大型滑动机组振动双视图信号，数据采集为

32/rms，即轴承每转一圈采样32个点，采集32圈的数据；

2)探针采集数据后，对齐进行离散傅里叶变换，窗口大小32*32＝1024个点，并修饰变换后的傅里叶值；根据信号情况设置自适应阈值，降低信号存储量，加速传输。

3.如权利要求2所述基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，所述2)中离散傅里叶变换公式具体如下：其中n＝0，…，N‑1，N表示数据长度。

4.如权利要求1所述基于波形和无量纲学习的大机组摩擦故障分析方法，其特征在于，利用提取出的两个视图特征进行cca降维，将降维后两个视图的特征进行拼接，作为输入向量，使用机器学习模型进行训练。

5.一种实施如权利要求1～4任意一项所述基于波形和无量纲学习的大机组摩擦故障分析方法的基于波形和无量纲学习的大机组摩擦故障分析系统，其特征在于，所述基于波形和无量纲学习的大机组摩擦故障分析系统，包括：数据采集模块，通过利用双探头提取机器故障振动信号，并对数据进行预处理；

特征提取模块，对摩擦故障信号，进行特征提取；

预测模型构建模块，通过利用机器学习方法，建立故障预测模型；

故障预测模块，预测未知标签信号是否存在故障，并确定故障类型。

6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～

4任意一项所述基于波形和无量纲学习的大机组摩擦故障分析方法，具体包括如下步骤：利用双探头提取机器故障振动信号，并对数据进行预处理；

对摩擦故障信号，进行特征提取；

通过利用机器学习方法，建立故障预测模型；

预测未知标签信号是否存在故障，并确定故障类型。

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～4任意一项所述基于波形和无量纲学习的大机组摩擦故障分析方法，具体包括如下步骤：

通过利用双探头提取机器故障振动信号，并对数据进行预处理；

对摩擦故障信号，进行特征提取；

通过利用机器学习方法，建立故障预测模型；

预测未知标签信号是否存在故障，并确定故障类型。