1.基于LOD‑ICA的旋转机械故障诊断方法，其特征在于，包括以下步骤：步骤1：保存采集的旋转机械故障混合信号；

步骤2：建立任意两相邻极值点区间的分段线性函数，通过坐标域变换将信号从原始数据域坐变换为锯齿域坐标；

步骤3：对一阶微分信号添加白噪声，求得锯齿域的初始均值函数，进而求得高频波动函数，再通过坐标域变换运算，将高频波动函数转换为原始域高频函数；

步骤4：鉴别分离出来的信号单分量c1(t)是否含有不同的波动特征，即其瞬时频率物理意义是否具有实质性，若是，则c1(t)＝MOC1(t)；若否，最终分离出来首次瞬时频率物理意义具有实质性的单分量信号cm(t)，cm(t)＝MOC1(t)；

步骤5：将原始信号拆分为n个MOC(t)分量和余量r(t)；

步骤6：对比分析分离出来的信号频谱图，将仍然存在信号模态混肴问题的MOC分量进行标准化(均值为0，方差为1)处理，得到标准化向量Y，通过白化处理实现数据向量Y→Z的转变；

步骤7：对随机生成的初始化单位范数向量w进行归一化处理；

步骤8：根据推导出的迭代公式进行更新迭代计算；

* *

步骤9：根据迭代公式w＝w/||w||对向量w进行标准化处理；

步骤10：判断向量矩阵w是否收敛，若否，则重复步骤8→步骤10；若是则进行下一步；

步骤11：重新确立向量w进行对称正交化处理，保证分离出来的每个单位向量w互相独立正交，且线性无关；

步骤12：分离得到信号。

2.如权利要求1所述的基于LOD‑ICA的旋转机械故障诊断方法，其特征在于，步骤2中，找出通过振动信号传感器获取混合信号x(t)中所有极值及其对应的时刻值，建立任意两个相邻极值点取值区间的分段线性函数：

其中，Xk(k＝1,2,…,m)为x(t)中所有的极值；t表示时间；Xk+1为Xk的相邻极值点；τk、τk+1分别Xk、Xk+1对应的时刻值；对原始信号x(t)在任意两个相邻极值点[Xk，Xk+1)的信号区间进行分段线性变换运算，以获得分段线性函数s1(t)；通过原始信号x(t)的坐标域变换运算，对原始数据坐标域坐标(t,x)进行坐标转换坐标变换公式表示如下：s(u)＝x(t)    (3)

转换后的锯齿域坐标(u,s)极大的减小了分解误差。

3.如权利要求1所述的基于LOD‑ICA的旋转机械故障诊断方法，其特征在于，步骤3中，找出白噪声添加到信号x(t)一阶微分处理得到的函数x'(t)中的每个极值点处所对应的时刻值τk'(k＝1,2,…,N)，进而通过时刻值τk得到原始信号x(t)中相对应的函数值Xk'；接着，对锯齿域的函数值Xk'进行分段线性变换运算，通过线性变换得到初始均值函数m1(u)；线性变换公式即将(1)式中的s1(t)、Xk、Xk+1、t、τk、τk+1、M分别替换为m1(u)、Xk'、Xk+1'、u、τk'、τk+1'、N。在锯齿域中，原始信号函数s1(u)与均值函数m1(u)的差值就是高频波动函数c1(u)。

4.如权利要求3所述的基于LOD‑ICA的旋转机械故障诊断方法，其特征在于，通过坐标域变换运算，高频波动函数c1(u)的锯齿域坐标逆变换为原始数据域的坐标，从而得到原始域函数c1(t)，其中逆变换公式表示如下：理想状态下，假使分解出来的会是瞬时频率具有物理意义的一个单分量信号c1(t)，因此判定原始信号x(t)的第1个MOC分量MOC1(t)为信号c1(t)；实际情况下，假使分离出来的信号分量c1(t)是含有不同的波动特征，即其瞬时频率不具有物理意义的一个单分量信号，则循环运算以上步骤m次，最终分离出来的第一个瞬时频率具有物理意义的单分量信号cm将被判定为原始信号中的第1个MOC分量MOC1(t)。

5.如权利要求4所述的基于LOD‑ICA的旋转机械故障诊断方法，其特征在于，通过剥离出原始信号x(t)里的单分量信号MOC1(t)来创造出一个全新的信号函数r1(t)，将函数r1(t)视为新的原始信号重新带入LOD(Local Oscillatory‑Characteristic Decomposition)算法中，通过以上步骤的循环运算，n次后会得到有且仅有一个单调函数rn(t)，最终通过LOD方法对信号的分解，会以n个MOC分量及残差rn(t)相加总和构成原始信号x(t)的形式存在。

6.如权利要求1所述的基于LOD‑ICA的旋转机械故障诊断方法，其特征在于，所述进行实现故障振动信号特征提取关键步骤是利用快速ICA算法，依据负熵来建立起目标函数，通过经典的牛顿迭代进行优化，实现混合信号盲源分离。