1.一种基于特征节点增量式宽度学习电机故障诊断方法，其特征在于，包括以下步骤：S1：数据采集和数据处理；采集定子绕组A电流信号，定子绕组B电流信号或定子绕组C电流信号中任意两组电流信号和一个声波信号，记为x1,x2,x3，将所采集的两路电流信号和声波信号进行滤波；将滤波后的数据分成两组，其中一组电流信号数据进行时域统计特征，将声波信号数据分别进行时域统计特征和粒子群优化-变异模态分解；最后将处理后的数据分为三组独立的数据集：包括训练数据集、验证数据集和测试数据集；分别记为xk-Proc-Train、xk-Proc-Vali和xk-Proc-Test；

S2：模型训练，即将处理后的xk-Proc-Train进行宽度学习，训练得到系统模型，宽度学习训练的过程为：使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络，宽度学习网络的输出是诊断的准确率；当输出的准确率大于等于设定的目标准确率时，即得到训练模型；当输出的准确率小于设定的目标准确率时，系统进入增量学习；

S3：特征节点增量式学习，即通过增加特征节点的数目，将处理后的xk-Proc-Vali进行增量学习，特征节点增量式学习过程为：使用经过处理的验证数据集xk-Proc-Vali来训练特征节点增量式宽度学习网络，特征节点增量式宽度学习网络输出的是故障诊断的准确率；当输出的准确率不在设定的目标准确率±M％时，系统继续增量学习；当输出的准确率在设定的目标准确率±M％时，即得到特征节点增量式训练模型；

S4：采用NMF方法对由步骤S3训练得到的模型进行简化，得到更稳定的模型，通过测试数据集xk-Proc-Test得到输出矩阵，与故障标签对比即可得到电机的故障诊断准确率。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中的数据采集方式为：采用示波器采集电流信号，麦克风采集声音信号。

3.根据权利要求1所述的方法，其特征在于，所述步骤S1中，对采集的数据进行限幅滤波后再将其分别分为三个独立的数据集。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述步骤S1中对声波信号的数据处理过程为：采用粒子群优化-变异模态分解(PSO-VDM)和时域统计方法(TDSF)提取信号特征；

采用粒子群优化-变异模态分解后，由于变异模态分解后每个固有模态函数维数不变，需要降低维数，则应用样本熵(SE)统计其特征，即采用样本熵来计算每个固有模式函数的代表性特征；其特征结果分别保存为xk-SE-Train、xk-SE-Vali和xk-SE-Test；为了保证所有的特征都有贡献，xk-SE-Train、xk-SE-Vali和xk-SE-Test中的每个特征都进行[0，1]归一化处理。

5.根据权利要求4所述的方法，其特征在于，步骤S1还包括：对采集两组电流信号分别增加10个时域统计特征，并进行[0,1]归一化处理，再与经过样本熵处理得到的声波特征合并得到处理后的训练数据集、验证数据集和测试数据集，经过处理的训练数据集、验证数据集和测试数据集分别被命名为xk-Proc-Train、xk-Proc-Vali和xk-Proc-Test。

6.根据权利要求5所述的方法，其特征在于，对电流信号和声音信号增加10个特征为：平均值、标准差、均方根、峰值、偏度、峰度、波峰系数、间隙系数、形状系数和脉冲系数。

7.根据权利要求1所述的方法，其特征在于，宽度学习训练的过程具体为：使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络，令X＝xk-Proc-Train，即输入特征集合X，设其有N个样本，各样本均为M维；

对于n个特征映射，其映射特性Zi表示为式(1)：

Zi＝φ(XWei+βei),i＝1…,n   (1)

其中Wei表示第i个输入特征的随机权重矩阵，βei表示第i个输入特征的随机偏移矩阵，φ是映射函数，Zn≡[Z1，…，Zn]表示所有特征节点的映射集合；

对于增强节点，Hm表示第m组增强节点的增强特征：

Hm≡ξ(ZnWhm+βhm)      (2)

Whm表示第m组增强节点的随机权重矩阵，βhm表示第m组增强节点的随机偏移矩阵，ξ是增强映射函数，Hm≡[H1，…，Hm]表示所有增强节点的映射集合；所有增强连接权重表示为Wm≡[Wh1，…，Whm]；

因此，输出矩阵Y表示为方程：

n m m

Y＝[Z|H]W   (3)

Y是属于 的输出矩阵；

使用公式(3)能计算出Wm＝[Zn|Hm]+Y。

8.根据权利要求7所述的方法，其特征在于，在步骤S2的模型训练过程中，当输出的准确率小于设定的目标准确率时，能通过增加特征节点数使模型输出的准确率大于或等于设定值，继而得到训练模型；

在学习过程中增加特征节点，设初始输入特征向量和增强节点的复合连接为Am＝[Zn|Hm]，额外增加特征节点后的特征矩阵为：其中 为增加特征节点后的连接权重； 为特征节点后的偏差，即能得出新矩阵的伪逆矩阵表示如下：

其中过渡矩阵

中间矩阵

其中

新的权重为：

将处理的验证数据集xk-Proc-Vali作为输入集合X，基于输入X和新的权重即可得到特征节点增量式宽度学习模型。

9.根据权利要求8所述的方法，其特征在于，步骤S4中在对测试数集合进行测试前还包括对由步骤S4获得的模型进行NMF结构简化，设简化前的权重矩阵为 由于输入的数据集是规一化的，所以权重矩阵是非负数矩阵，假设有非负矩阵 和另外一非负矩阵 则得到：Wm≈IWr     (7)

其中Wm是原始矩阵，右矩阵Wr是系数矩阵，左矩阵I是基础矩阵；

新的权重矩阵Wr≈I+Wm，利用新的权重矩阵能简化步骤S4获得的模型。