1.一种基于LOF自编码的机械故障智能诊断方法，其特征在于，包括以下步骤：步骤S1，获取机械不同健康状态下的振动信号样本；

步骤S2，从振动信号样本中截取获得局部信号片段集；

步骤S3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；

步骤S4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；

步骤S5，基于振动信号局部特征计算LOF异常因子；

步骤S6，矫正局部特征并融合为全局特征；

步骤S7，训练神经网络中的Softmax分类网络；从而完成整个诊断神经网络的训练；

步骤S8，基于以上训练完成后的诊断神经网络进行机械故障诊断；

步骤S1中，

m

将获取的原始振动信号样本组成机械健康状态样本集 其中x 为第m个m

原始振动信号样本，y为第m个原始振动信号样本的健康状态类型，M为振动信号样本数量；

步骤S2中，

以重叠滑窗方式随机从振动信号样本中截取Ns个局部信号片段，组成局部信号片段集js表示第j个局部信号片段，每个局部信号片段有个Nin采样点；

步骤S3中，稀疏自编码网络的权重矩阵记为 其中，Nin为稀疏自编码网络的输入维数，Nout为稀疏自编码网络的特征维数；

m

步骤S4中，将振动信号x分为不重叠的局部信号片段，表示如下：其中，J为振动信号分为局部信号片段的个数， 为第m个振动信号样本的第j个局部信号片段；

m

振动信号x中每一个局部信号片段输入到稀疏自编码网络中提取 的特征为其中，σr为稀疏自编码网络的特征层激活函数；

m

振动信号x对应的局部特征集为步骤S5具体包括：对局部特征集 进行LOF异常因子的计算，包括：设定k值大小，搜索计算局部特征集 内任意一点的k近邻域；

计算局部特征集 内所有特征点的局部可达密度，其中任意点其中，o′为点i的邻域内的特征点，k_distance(o′)表示点o′的第k距离，k_distance(o)表示点o的第k距离，d(o,o′)表示点o与o′的欧氏距离，k值取为5；Nk(o)是点o的邻域，即点o的第k距离以内的所有点，包括第k距离上的点；

点o的LOF异常因子计算表达式如下：其中，lrdk(o)与lrdk(o′)分别为点o与点o′的局部可达密度；

步骤S6中，

m

对每个振动信号样本x 求出第j个局部信号片段的LOF异常因子 将m

作为特征平均的权重因子,矫正局部特征并融合为全局特征h ；如下式所示：步骤S7具体包括：

m

将获得的全局特征h 与健康状态类型结合，形成Softmax分类网络的训练集m假设训练集的健康状态有C种，则y∈{1,2,…,C}；对每个输入的全局特征m m m

h，Softmax分类网络通过调整参数估计该特征为第c种健康状态的概率p(y＝c|h)，其中c＝1,2,…,C；

Softmax分类网络输出表示为：其中，Ws为Softmax分类网络的权重矩阵，Wc为权重矩阵Ws的第c行向量；

Softmax分类网络的目标函数为：其中，1{·}为指示函数，当输入为真时，指示函数的值为1；当输入为假时，指示函数的值为0；通过最小化目标函数J(Ws)，得到优化的Ws；最终完成诊断神经网络的训练。