1.一种智能旋转机械故障深度网络特征辨识方法，其特征在于，包括以下步骤：步骤1，获取旋转机械的原始振动信号；

步骤2，利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列；

步骤3，计算重构振动序列的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M；

步骤4，将重构振动序列进行集合经验模态分解，得到一组固有模态分量C1(t),C2(t),…Cn(t)，并计算得到各个固有模态分量Ci(t)的排列熵值Hi；

步骤5，构建训练样本，训练诊断模型；

将旋转机械的原始振动信号对应的均方根值RMSE、标准差SDE、偏度指标Skewness、峰值M和机械故障位置，作为旋转机械的第一训练样本；

将旋转机械的原始振动信号对应的各个固有模态分量Ci(t)的排列熵值Hi和机械故障类型，作为旋转机械的第二训练样本；

以旋转机械的第一训练样本为输入、故障位置为输出，训练第一支持向量机，得到旋转机械故障位置诊断模型；

以旋转机械的第二训练样本为输入、故障类型为输出，训练第二支持向量机，得到旋转机械故障类型诊断模型；

步骤6，实时采集待检测旋转机械的原始振动信号，按步骤2-3获取待检测旋转机械的原始振动信号所对应的均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M，并输入到旋转机械故障位置诊断模型，旋转机械故障位置诊断模型输出待检测旋转机械的故障位置；

当旋转机械故障位置诊断模型输出的故障位置为无故障，则结束故障检测；否则执行步骤7；

步骤7，按步骤4获取待检测旋转机械的重构振动信号所对应的各个固有模态分量Ci(t)的排列熵值Hi，并输入到旋转机械故障类型诊断模型，旋转机械故障类型诊断模型输出待检测旋转机械的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述利用奇异谱分析方法，对原始振动信号进行分解重构得到重构振动序列的具体过程为：步骤A1，嵌入操作；

将原始振动信号X＝(x1，x2，x3…，xN)变换为Z＝[Z1，Z2，Z3…，ZK]，其中，Zi＝(xi，xi+1，xi+2,…，xi+L-1)，K＝N-L+1，L表示嵌入维数，且L∈[2,N]；最终映射的结果为轨迹矩阵Z：步骤A2，将轨迹矩阵Z进行奇异值分解；

设矩阵H＝ZZT，且λ1,λ2,…λL(λ1,≥≥…≥λL≥0)为矩阵H的特征值，其中ZT是轨迹矩阵Z的转置矩阵，通过奇异值分解的方法，将轨迹矩阵Z进行如下变换从而得到Zf；

Zf＝Z1+Z2+…+Zd，

其中 为轨迹矩阵Z的奇异值，Ui和Vi分别表示轨迹矩阵Z的左右特征向量，其中d＝L*＝min{L,K}；

步骤A3，将分解后的矩阵Zf进行分组；

将区间{1,2,…,d}分割为非连接的子集I1,I2,…Im，则轨迹矩阵Z可表示为：步骤A4，将分组后的轨迹矩阵Z重构为长度为N的重构振动序列Xc；

轨迹矩阵Z是L×K的矩阵，L*＝min(L,K)，K*＝max(L,K)，N＝L+K-1，当L＜K时，否则 重构振动序列为Xc＝(xc1,xc2,…,xcn)，且xcn为：

3.根据权利要求2所述的方法，其特征在于，所述均方根值RMSE、标准差SDE、偏度指标Skewness和峰值M的计算公式为：M＝max|xcn(i)|；

其中，xcn(i)表示重构振动序列中的第i个元素， 表示重构振动序列中元素的均值。

4.根据权利要求2所述的方法，其特征在于，所述将重构振动序列进行集合经验模态分解的具体过程为：步骤B1，求得重构信号序列Xc＝(xc1,xc2,…,xcn)中的极大值和极小值，采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t)；

步骤B2，计算上下包络线的平均值m(t)，提取h(t)＝x(t)-m(t)，判断h(t)是否满足固有模态分量条件，如果满足，则设h(t)为第一个固有模态分量；否则将h(t)作为新的重构振动序列Xc；

步骤B3，重复步骤B1和B2，直到经过n次筛选后的差值hn(t)满足固有模态分解条件，则将该差值hn(t)设为第一个固有模态分量，记作C1(t)＝hn(t)；

步骤B4，将重构信号序列Xc转化为剩余序列R1(t)＝Xc-C1(t)；

步骤B5，将剩余序列R1(t)重复步骤B1-B4，得到其余的固有模态分量，直到余量Rn(t)为单调函数时终止循环，得到一组固有模态分量C1(t),C2(t),…Cn(t)。

5.根据权利要求4所述的方法，其特征在于，所述各个固有模态分量Ci(t)的排列熵值Hi的具体过程为：步骤C1，对固有模态分量C1(t)进行相空间重构，得到矩阵其中j＝1,2,…,W，d为嵌入维数，τ为延迟时间，W为重构分量的个数；

步骤C2，将矩阵Y中每一行{x(j),x(j+τ),…,x(j+(d-1)τ}按照升序重新排列，将每一行重新表示为{x(j1),x(j2+τ),…,x(jd+(d-1)τ}，从而每一行得到一组符号序列：S(l)＝{j1,j2,…,jd}；

式中l＝1,2,…,W；

步骤C3，计算每一组符号序列出现的概率，得到P1,P2,…PW，那么固有模态分量C1(t)的排列熵值为：步骤C4，对剩余的固有模态分量重复步骤C1-C3，计算出所有固有模态分量的排列熵值，按照顺序排列为H1,H2,…Hn。

6.根据权利要求1所述的方法，其特征在于，当旋转机械故障类型诊断模型输出的故障类型为无故障，则重复步骤7；当重复步骤7达到预设次数时，输出的故障类型仍为无故障，则结束故障检测。

7.根据权利要求1所述的方法，其特征在于，所述故障位置包括无故障、外圈故障、内圈故障、滚动体故障和保持架故障。

8.根据权利要求1所述的方法，其特征在于，所述故障类型包括无故障、疲劳剥落、磨损、腐蚀和胶合。

9.根据权利要求1所述的方法，其特征在于，所述训练样本集包括低速运行、中速运行和高速运行三种工况下的旋转机械。

10.根据权利要求1所述的方法，其特征在于，所述旋转机械为滚动轴承。