1.基于局部OMP的快速卷积稀疏字典学习方法，其特征在于，包括：a、获取振动信号；

b、标定振动信号，并设定平移不变模式及其长度和稀疏度，向振动信号输入平移不变模式的位置系数，其中，稀疏度为位置系数中非零系数的个数，从1开始设置；

c、根据平移不变模式及其长度构建卷积字典；

d、根据卷积字典、位置系数、稀疏度以及标定的振动信号构建平移不变字典学习模型；

e、通过局部正交匹配追踪算法运算平移不变字典学习模型，并改写卷积字典；

f、根据改写后的卷积字典的构造方式，由位置系数导出卷积矩阵；

g、根据卷积矩阵、平移不变模式以及标定振动信号构建字典更新模型；

h、采用共轭梯度最小二乘结合卷积运算求解字典更新模型；

i、利用包络谱分析描述振动信号的质量，获得对应的包络谱峭度值；

重复步骤b‑i，并依次递增稀疏度，直至确定出最大的包络谱峭度值及对应的最优稀疏度；

所述平移不变模式的长度应包含至少一个脉冲响应的振荡周期，且应满足：

2≤q≤fs/fmin

其中，fmin为振动信号的最小共振频率，fs为振动信号数据的采样频率，q为平移不变模式的长度；

所述平移不变模式的稀疏度为：

v＝(N·fb)/fs

其中，v为平移不变模式的稀疏度，fb为振动信号中故障特征频率，N为振动信号的数据长度；

所构建的平移不变字典学习模型为：

其中，D为卷积字典，Di为卷积字典D的第i列向量，s为振动信号的数据，d为平移不变模式，x为平移不变模式的位置系数，c为x中非零系数的个数；

所构建的字典更新模型为：

其中，A为卷积矩阵；

所述最优稀疏度为：

Env(·)为包络谱算子，cv为稀疏度为v的重构信号的包络谱, 为诊断任务中可能存在的最大故障特征频率, 为取整算子，为最优稀疏度。

2.根据权利要求1所述的基于局部OMP的快速卷积稀疏字典学习方法，其特征在于，在采用共轭梯度最小二乘结合卷积运算求解字典更新模型时，迭代结束的条件包括解析解的梯度为0。

3.基于局部OMP的快速卷积稀疏字典学习装置，其特征在于，所述装置包括：获取单元，用于获取振动信号；

设定单元，用于标定振动信号，并设定平移不变模式及其长度和稀疏度，向振动信号输入平移不变模式的位置系数，其中，稀疏度为位置系数中非零系数的个数，从1开始设置依次递增设置，所述平移不变模式的长度应包含至少一个脉冲响应的振荡周期，且应满足：

2≤q≤fs/fmin

其中，fmin为振动信号的最小共振频率，fs为振动信号数据的采样频率，q为平移不变模式的长度；

所述平移不变模式的稀疏度为：

v＝(N·fb)/fs

其中，v为平移不变模式的稀疏度，fb为振动信号中故障特征频率，N为振动信号的数据长度；

第一构建单元，用于根据平移不变模式及其长度构建卷积字典；

第二构建单元，用于根据卷积字典、位置系数、稀疏度以及标定的振动信号构建平移不变字典学习模型，所构建的平移不变字典学习模型为：其中，D为卷积字典，Di为卷积字典D的第i列向量，s为振动信号的数据，d为平移不变模式，x为平移不变模式的位置系数，c为x中非零系数的个数；

第一运算单元，用于通过局部正交匹配追踪算法运算平移不变字典学习模型，并改写卷积字典；

导出单元，用于根据改写后的卷积字典的构造方式，由位置系数导出卷积矩阵；

第三构建单元，用于根据卷积矩阵、平移不变模式以及标定振动信号构建字典更新模型，所构建的字典更新模型为：其中，A为卷积矩阵；

第二运算单元，用于采用共轭梯度最小二乘结合卷积运算求解字典更新模型；

确定单元，用于利用包络谱分析描述振动信号的质量，获得对应的包络谱峭度值，并确定出最大的包络谱峭度值及对应的最优稀疏度，所述最优稀疏度为：Env(·)为包络谱算子，cv为稀疏度为v的重构信号的包络谱, 为诊断任务中可能存在的最大故障特征频率, 为取整算子，为最优稀疏度。

4.根据权利要求3所述的基于局部OMP的快速卷积稀疏字典学习装置，其特征在于，所述第二运算单元在采用共轭梯度最小二乘结合卷积运算求解字典更新模型时，迭代结束的条件包括解析解的梯度为0。

5.基于局部OMP的快速卷积稀疏字典学习装置，其特征在于，所述装置包括：存储器，用于存储指令；

处理器，用于读取所述存储器中存储的指令，并根据指令执行权利要求1‑2任意一项所述的方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行权利要求1‑2任意一项所述的方法。