1.基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，具体包括以下步骤：步骤1、进行轴承振动信号的时域分析、频域分析和时频域分析，提取信号的时域特征值、频域特征值、信息熵特征值和时频域特征值，得到由上述特征组成的混合特征向量；

步骤2、趋势转换算法计算一个混合特征向量各元素变化率，删除变化率最小的特征元素，若干次迭代后形成若干个不同维度的中间向量，将其按照规律排列，向量中的元素值映射为灰度值，逐步拓展为灰度图像，通过图像纹理表征向量变化趋势，每一个样本使用趋势转换算法后均形成一个对应的灰度图像；

步骤3、灰度共生算法计算全部灰度图像的纹理特征，得到不同故障种类的纹理特征向量；

步骤4、自适应加权算法对比不同故障类纹理特征向量中相同一种纹理特征种类，计算相同纹理特征种类占对应的纹理特征向量的比例，自动更新权重算子，计算纹理特征差异矩阵，通过两个判断条件，决定此类纹理特征的权重，直至赋予全部特征种类相应的权重，得到差异性增强纹理特征向量；

步骤5、使用遗传算法优化支持向量机的结构参数，将差异性增强纹理特征向量作为输入训练优化并训练完毕的支持向量机，得到故障诊断模型；

步骤6、使用训练完毕的故障诊断模型对故障进行分类与诊断；

步骤1具体按照以下步骤实施：

步骤1.1、对原始时域振动信号，按照相应的标准公式计算均方根值、偏度值、均值频率；

步骤1.2、对原始时域振动信号进行变分模态分解，按照标准频率散度公式计算各个模态分量的频率散度，选取频率散度最大的模态分量依据标准公式计算得到其样本熵与排列熵；

步骤1.3、对原始振动信号进行经验模态分解，得到8个本征模态函数分量，并将其组成模态分量矩阵，再进行奇异值分解得到此矩阵的奇异值；

步骤2具体为：

步骤2.1、计算向量中各元素的变化率，此处的向量在第一次算法迭代时为混合特征向量，后续迭代时为中间向量，如式(1)：式中Δi为第i个元素的变化率，算法开始时i最大值可以取到13，但会随着中间向量的减少而逐渐减少至2，i取1时，Δ1无意义；xi为混合特征向量中第i个元素；

步骤2.2、将所有变化率中最小变化率对应的元素xmin删除，得到第j个中间向量vj，其维度为(14‑j)×1，计算方法如式(2)：式中，vj‑1⊙xmin表示删除中间向量vj‑1中vj‑1∩xmin的元素，x为混合特征向量，x1表示混合特征向量中的第一个元素；

步骤2.3、将步骤2.2得到的vj的中间向量进行转置，得到v′j；

步骤2.4、重复步骤2.2‑2.3，直到得到v1与v′1，将全部维度的中间向量按照式(3)计算得到混合特征矩阵X：X＝[α，α′]，α＝[v1,…,vj]；α′＝[v′1,…,v′j]        (3)式中α为各个中间向量构成的混合特征子矩阵，α′为α的转置；

步骤2.5、将混合特征矩阵中各元素值作为灰度值，直接构建13×13的混合特征灰度矩阵，进而得到灰度图像；

步骤2.6、重复步骤2.1‑2.5，得到全部振动信号的混合特征灰度矩阵构建的灰度图像；

步骤3具体为：

步骤3.1、从灰度图像上灰度级别为a的像元位置(h_x,h_y)出发，统计与其距离为h_d，灰度级别为b的像元位置(h_x+h_dh_x,h_y+h_dh_y)同时出现的频度P(a,b,h_d,θ)，如式(4)：式中，a＝0，1，2，…，N‑1；b＝0，1，2，…，N‑1为灰度级别；dh_x、dh_y分别为水平方向和垂直方向上的位置偏移量；h_d为G阵的生成步长，取1；θ为G阵的生成方向，取0°、45°、90°、

135°四个方向；

步骤3.2、包括有6种纹理特征，并分别按照公式(5)‑(10)所述的方法得到，并按照此顺序组成纹理特征向量，其中式(6)‑(10)中的h_g(a,b)同式(5)：步骤3.2.1、最大概率mp，灰度共生矩阵中灰度对出现的最大频率，计算方法如式(5)：步骤3.2.2、熵ent，图像纹理复杂程度，计算方法如式(6)：步骤3.2.3、对比度con，纹理清晰程度的度量，计算方法如式(7)：步骤3.2.4、相关性cor，图像灰度线性关系的度量，计算方法如式(8)：步骤3.2.5、能量ene，图像纹理灰度变化的均匀性，也反映纹理粗细程度，计算方法如式(9)：步骤3.2.6、逆差距idm，图像纹理同质性表征，纹理规则程度和局部变化，计算方法如式(10)：步骤3.3，重复步骤3.1‑3.2，得到全部灰度图像的纹理特征向量；

步骤4具体为：

步骤4.1、提取不同故障振动信号构建的灰度图像的同一种纹理特征权重算子，如式(11)：式中，avet是第t类纹理特征的权重算子，q为故障类别数，z为纹理特征种类数,gm,t为第m类故障的第t类纹理特征向量；

步骤4.2、计算第t类纹理特征差异矩阵Dt，如式(12)所示：步骤4.3、确定两个判定条件：①mean(Dt)≥e；②Dt中大于avet的元素个数占总元素个数的比例大于比例因子γ，当满足上述两个条件中任意一个时，有正向权值 如式(13)，否则有负向权值 如式(14)：式中dm,t为Dt中的元素，e为差异因子，取0.735，δ为增强因子，取2；

条件①中mean(Dt)按照式(15)方法计算：条件②按照式(16)计算：

式中num(·)表示满足括号内条件的元素个数，γ为比例因子，取0.65；

步骤4.4、按式(17)得到最终第q类故障包含z种纹理特征的差异性增强纹理特征向量Yq如式(17)：Yq＝[yq,1,yq,2,…,yq,z]             (17)其中yq,z如式(18)所示：

步骤4.5、因为此方法使用6类纹理特征，故z取6，重复步骤4.1‑4.4，得到全部灰度图像的含有6种纹理特征的差异性增强纹理特征向量；

步骤5具体为：

步骤5.1、每一种故障信号类型随机选取此类故障信号总样本数的50％差异性增强纹理特征向量作为训练样本，剩余50％作为测试组；

步骤5.2、采用支持向量机作为基本的故障诊断模型；

步骤5.3、采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化，具体遗传算法初始化参数设置为：最大进化迭代次数为30，种群数量为15，惩罚因子c和RBF核函数宽度g的搜索变化范围分别为20到80和0到90；

步骤5.4、将训练样本输入优化后的支持向量机中，完成故障诊断模型训练，并使用测试组验证模型正确性；

步骤5.3中，采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化的具体流程如下：(S1)初始化遗传算法参数，生成个体；

(S2)对种群个体进行二进制编码，确定适应度函数；

(S3)基于支持向量机训练数据，计算每个染色体适应度；

(S4)判断染色体适应度是否满足精度，若不满足，则进化染色体；

(S5)计算新种群染色体的适应度，若不满足终止条件，则跳转到步骤(S5)；

(S6)若满足终止条件，则结束寻优，输出参数g和c；

(S7)以参数g和c，通过训练数据对支持向量机进行训练。