1.提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，其特征在于，包括以下步骤：

S1：利用传声器接收机械系统观测通道；

S2：对观测通道输出的结果进行分帧，求取平均功率，并与噪声功率相减；

S3：将经过S2处理后信号进行奇偶截取，得到截取拓展信号；

S4：对截取拓展信号进行预处理，使用盲源分离算法对截取拓展信号进行分离；

S5：对分离的结果密度峰值聚类，将同类分离结果归为一类；

S6：计算各类中信号与聚类中心的距离，分别筛选出距离各聚类中心最近的多个分离结果；

S7：根据筛选出的分离结果与其聚类中心的距离，计算各筛选结果所占比重，并将各筛选结果赋权融合，得到重构结果；

S8：分析重构结果频域幅值谱中的故障信息。

2.根据权利要求1所述的提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，其特征在于，所述S2包括以下子步骤：S21：初始化观测通道分帧数z，并对每帧信号加汉明窗；

S22：对加汉明窗后的信号帧进行快速傅里叶变换，并求各帧信号功率谱；

S23：根据各帧信号功率谱求取平均噪声功率，进行谱减运算，得到减噪信号d(t)。

3.根据权利要求1所述的提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，其特征在于，所述S3包括以下子步骤：S31：初始化奇偶截取长度H；

S32：根据奇偶截取长度H对减噪信号d(t)进行奇偶截取，生成截取拓展信号

4.根据权利要求1所述的提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，其特征在于，所述S4包括以下子步骤：S41：对截取拓展信号 进行去均值和白化处理以使各信号统计独立，得到处理后数据

S42：对处理后数据 执行二阶盲辨识算法，借助该算法分离时对信号低频成分中的微弱故障进行提取，得到分离结果g(t)。

5.根据权利要求1所述的提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，其特征在于，所述S5包括以下子步骤：S51：自适应聚类数目P；

S52：使用密度峰值聚类算法，将分离结果g(t)分为P类。

6.根据权利要求1所述的提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，其特征在于，所述S6包括以下子步骤：S61：计算各类中分离结果与各聚类中心的欧氏距离di，其计算公式为：其中，为聚类中心，xik为某类中分离结果，n为信号长度；

S62：根据各类中信号数量自适应设置筛选数目B，从各类中根据分离结果与聚类中心的欧氏距离di，分别筛选出欧氏距离di较小的B个分离结果mi(t)。

7.根据权利要求1所述的提取声学信号识别与盲解卷积算法的齿轮箱故障的方法，其特征在于，所述S7包括以下子步骤：S71：根据各类中筛选出的分离结果mi(t)欧氏距离di的大小，计算各筛选结果mi(t)在重构信号时所占的比重Ui，其计算公式为：其中，dsum为各di相加的和；

S72：将重构信号时所占比重Ui的各筛选结果mi(t)进行融合重构，获得重构结果Yp(t)，其计算方法为：

其中，p表示第几类分离结果。