1.一种滚动轴承故障诊断方法，其特征是，包括以下步骤：获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；

基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；

利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；

提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述滚动轴承的故障特征的提取方法为：对滚动轴承的振动数据进行多层小波包分解，计算每层小波包结点处的信号能量；

对所有小波包能量进行归一化，得到归一化能量特征，组成能量特征集合。

3.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述基于改进PSO算法的FCM算法的适应度函数为：其中， 为第k个类中的第i个数据样本；vk是第k个聚类的聚类中心；μik为模糊隶属度；n为样本数；C为聚类数；m为加权指数。

4.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述基于改进PSO算法的FCM算法的惯性权重为：其中，t表示当前迭代次数，wmax、wmin分别表示最大惯性权重和最小惯性权重， 表示全局最优解的适应度值， 表示个体最优解的适应度值；

学习因子为：

其中，tmax表示最大迭代次数，cmax，cmin分别表示最大学习因子和最小学习因子；c1、c2为学习因子；

粒子速度更新公式为：

其中，vij表示第i个粒子的速度，rand区间[0,1]上的随机数， 表示第i个粒子寻找到的个体最优解， 表示整个种群的全局最优解；

粒子位置更新公式为：

xij(t+1)＝xij(t)+s(t)×vij(t+1)其中，xij表示第i个粒子的位置，s(t)表示飞行因子，是调整粒子搜索步长的重要系数，s0表示飞行时间常数。

5.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，利用基于改进PSO算法的FCM算法对滚动轴承的故障特征进行故障聚类的步骤包括：初始化基于改进PSO算法的FCM算法的参数；

计算每个能量特征的适应度值，更新能量特征的个体最优解和全局最优解；

更新各个能量特征的速度和位置；

根据能量特征的位置获得聚类中心，采用改进的FCM算法对各个能量特征进行聚类划分，并根据新的划分结果重新计算聚类中心；

判断聚类中心是否发生变化，以及是否达到最大迭代次数，如果满足，聚类结束。

6.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述采用改进的FCM算法对各个能量特征进行聚类划分的步骤包括：分别计算每个能量特征属于各个聚类的模糊隶属度以及每个能量特征到各个聚类中心的模糊贴进度；

将各能量特征划分到离其距离最近的类中。

7.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述滚动轴承的故障类型的判断方法为：基于改进的PSO算法和FCM算法对训练集中的滚动轴承的能量特征进行故障聚类后，得到不同轴承故障的聚类中心集合，其中，聚类中心集合由能量特征组成；

提取测试样本集中每个滚动轴承的振动数据的能量特征；

根据聚类中心集合，将测试样本集中每个滚动轴承的能量特征与聚类中心集合相比较，将滚动轴承的能量特征最接近的聚类中心所在的类判断为该滚动轴承所属的故障类型。

8.一种滚动轴承故障诊断系统，其特征是，包括：数据获取模块，用于获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；

特征提取模块，用于基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；

故障聚类模块，用于利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；

故障诊断模块，用于提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1-7中任一项所述的滚动轴承故障诊断方法中的步骤。

10.一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的滚动轴承故障诊断方法中的步骤。