1.一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于：具体如下：步骤1，采用最大重叠离散小波包变换MODWPT对健康和不同故障状态的轴承振动信号样本进行信号处理，得到每个信号样本的原始特征集；

步骤2，对步骤1构建的原始特征集中的每一种特征进行评价，选取出对轴承状态更加敏感的特征，构建样本的优选特征子集；

步骤3，对步骤2得到的优选特征子集进行流行结构保持降维，得到用于状态模式识别的低维迁移特征向量；

步骤4，将步骤3得到的低维迁移特征向量作为分类器的输入，用于训练故障诊断分类模型。

2.根据权利要求1所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于：步骤1具体步骤如下：将振动信号样本分为训练阶段样本集和测试阶段样本集；训练阶段样本集代表诊断问题的已知空间，样本的状态标签是已知的；测试阶段样本集，代表未知空间，需要使用训练阶段样本对诊断模型进行训练，利用训练后的模型判断测试阶段振动信号样本的状态标签。

3.根据权利要求2所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于:对训练阶段和测试阶段的每一个振动信号样本进行四层MODWPT分解，获取16个终端节点和相应的小波包系数，对树结构第四层中的每个节点系数进行单支小波包重构，可获得16个单支重构信号，再求得16个重构信号的希尔伯特包络谱，分别计算16个单支重构信号及其HES共32个序列的6种统计参数，具体6种统计参数可以得到一个振动信号样本的

192个统计参数，构成原始特征集。

4.根据权利要求2所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于:步骤2中，在训练阶段，利用PSFFC方法对步骤1得到的训练阶段的原始特征集进行分析，得到排序后的特征优先选择指标FPSD序列，根据FPSD序列选择原始特征集的优选特征子集；在测试阶段，直接利用训练阶段得到的FPSD序列选择最优特征构建优选特征子集；

具体步骤：对于步骤1所得到的训练阶段样本集的原始特征集，通过基于密度的聚类方法，计算出可以表示每一种特征对训练样本集的聚类评价指标，这里使用调整的兰德指数ARI；

计算训练阶段样本集的原始特征集每一种特征的均方差MD和均方差之和SMD，用于分析该种特征的类内聚能力。计算ARI与SMD的比值，得到每一种特征的故障敏感度的评估指标FSD，计算各特征之间的皮尔逊相关系数PCC以得到评估特征之间相关度的SPCC，结合FSD和SPCC计算最终的特征优先级选择度FPSD，对所有原始特征的FPSD进行从大到小排序，得到用于特征选择的FPSD序列，依据FPSD序列选取训练阶段样本原始特征集的优选特征子集；

对于测试阶段的样本，直接依据通过训练阶段样本集得到的FPSD序列选取训练集和测试集样本的优选特征子集。

5.根据权利要求4所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于：具体PSFFC方法的步骤如下：步骤2.1假定轴承状态有M种，每种状态采集N组振动信号样本，经过步骤1的振动信号处理和原始特征提取过程，每个振动信号样本可以获得包含K种统计参数，这些特征可以构

1 2 K k

成原始特征集[RFS ,RFS ,…,RFS]，其中RFS为所有样本的第k种统计参数的集合，表达式如下：

其中， 是第i种轴承运行状态的第j个振动信号样本的第k个统计参数；

1 2 K

然后，利用DBSCAN算法，分别对原始特征集[RFS ,RFS ,…,RFS]进行聚类分析，通过聚类结果，可以计算出每种特征的聚类评价指标ARI(k)，得到K种特征的ARI序列{ARI(1),ARI(2),…,ARI(K)}，ARI的取值范围为[‑1,1]，其值越大，表明特征的类判别度就越大，当ARI为最大值1时，即实现了类别之间的正确分类；

步骤2.2计算相同轴承状态标签样本信号的第k种统计参数的MD，因此，可以获得相应的MD集，即 MD的表达式如下：

其中，N为每种轴承状态的样本数，xi表示第i个元素的值，为行元素的算术平均数，表示为：

然后，对于M种故障类型的第k个统计参数，计算特征样本的SMD以获得SMD(k)，SMD(k)的表达式如下：

因此，K个统计参数的平均偏差序列为{SMD(1),SMD(2),…,SMD(K)}；

步骤2.3通过计算ARI与SMD的比值得出故障敏感度的评估指标FSD，对于K种统计特征，得到一个FSD序列FSD＝{FSD(1),FSD(1),…,FSD(K)}，其中FSD(k)定义如下：FSD(k)的值越高，特征的故障敏感性越好；

步骤2.4通过计算特征之间的PCC，对于包含K个类型统计特征的原始特征集，应该计算每个特征与其余K‑1个特征之间的PCC，因此，每个特征都有K‑1个PCC，然后，获得每个特征的K‑1个PCC的总和SPCC，

给定两个样本X＝{x1,x2,x3,...,xn}和Y＝{y1,y2,y3,...,yn}，将PCC定义如下:其中μX和μY是样本的平均值，σX和σY分别是样本X和Y的标准偏差；

接下来，得到一个SPCC序列SPCC＝{SPCC(1),SPCC(1),…,SPCC(K)}，SPCC(k)定义如下：

其中PCCki表示第k个特征和第i个特征之间的PCC，特征的SPCC越高，该特征引起的原始特征集的冗余度就越高；

步骤2.5通过结合FSD和SPCC可以获得新的特征评估指标FPSD。FPSD的表达式如下：其中μ∈[0,1]是一个平衡因子，当μ为0时，FPSD仅考虑特征相关性，相反，当μ为1时，FPSD仅考虑故障敏感性。

6.根据权利要求5所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于，步骤3具体步骤如下：将步骤2中构建样本的优选特征子集作为源域，将测试集样本的优选特征子集作为目标域，将迁移成分分析方法中的特征映射空间求解目标和局部线性空间判识的特征映射空间求解目标融合，形成TCAPLMS的特征映射空间求解目标，TCAPLMS方法对源域和目标域的数据进行处理，得到特征空间映射矩阵W，将源域和目标域中的每个样本的优选特征子集的核变换与W相乘，可以得到每个样本的低维迁移特征向量。

7.根据权利要求6所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于，具体TCAPLMS方法的步骤如下：步骤3.1输入源域DS，源域标签YS，目标域DT与低维特征维数d；

步骤3.2计算类内最大均值差异MMD矩阵以衡量两个域之间的距离，计算如下：其中，XS、XT分别为源域与目标域的数据空间，xi,xj为样本数据空间X的第i,j行向量。φ(x)是核函数，可以选用线性核函数、多项式核函数或径向基函数等。H为中心矩阵，m×m

I∈R 表示单位矩阵， 是全为1的列向量；

TCA的目标是最小化所有的类内MMD距离之和，对应的目标公式如下：T

式中， 是核矩阵，KS,S为源域核矩阵，KS,S(i,j)＝φ(xi) φ(xj),xi,xj∈T

XS；KT,T为目标域核矩阵,KT,T(i,j)＝φ(xi) φ(xj),xi,xj∈XT；KS,T与KT,S为跨域核矩阵，KT,ST T

(i,j)＝φ(xi) φ(xj),xi∈XT,xj∈XS,KS,T(i,j)＝φ(xi) φ(xj),xi∈XS,xj∈XT；trT T

(WKLKW)为源域与目标域之间每一类样本间的类间MMD距离之和，μtr(WW)为正则项，用与优化问题的良好定义，μ为权衡参数，其约束项用于保证变换后的数据能保持原始数据的结构特性，L为类内MMD矩阵，其表达式如下：步骤3.3，计算类内散度矩阵 与类间散度矩阵 分别表示为：上式中 分别为类内与类间散度矩阵的权值矩阵，xi,xj∈XS，将样本标签记为YS＝{y1,y2,...,yn},yi∈{1,2,...,l}，l表示样本类别，则权值矩阵定义为：式中，权值矩阵A为邻近权形式，有权值Ai,j为：其中 为xi的第K个邻近点，K一般取7。

为了保证局部数据的流形结构，LFDA的目标函数为：步骤3.4求解变换矩阵W

结合上述步骤的优化目标，将式(11)与式(18)进行融合，TCAPLMS的目标函数如下：式中，a为一个平衡系数，对了求解目标函数，引入拉格朗日乘子Φ，则可定义如下拉格朗日函数：

令上式偏

导 式(19)的优化问题可转变为轨迹优化问题：最后，通过求解公式

(21)，可以得到特征值和相应的特征向量，选择前d个最大的特征值所对应的特征向量构成变换矩阵W；

步骤3.5将源域与目标域的核空间KS,S、KT,T中的每一个m维样本与变换矩阵相乘，最终得到d维的训练与测试集样本的低维特征。

8.根据权利要求6所述的一种基于流行保持迁移学习的滚动轴承故障诊断方法，其特征在于，在步骤4，构建基于PSFFC和TCAPLMS的滚动轴承故障诊断模型，具体步骤如下：以训练集样本的低维特征和标签信息作为输入，完成对分类器模型的训练，得到训练后的分类模型，将测试集样本的低维特征输入训练后的分类模型，得到测试样本的识别状态。