1.一种柴油机主轴承的健康评估方法，其特征在于，包括以下步骤：(1)采集柴油机主轴承的振动信号，采用相空间重构方法将所述振动信号转化为相轨迹图；

(2)根据相轨迹图计算所述振动信号的最大李雅普诺夫指数；将所述相轨迹图输入至诊断模型，完成对所采集振动信号故障类型的诊断，并将结果输入至健康评估模型；所述健康评估模型的建立包括以下步骤：(21)采集柴油机主轴承各种故障类型中在不同健康状态下的振动信号；

(22)采用相空间重构方法将不同健康状态下的振动信号转化为相轨迹图；

(23)根据步骤(22)中所得的相轨迹图计算最大李雅普诺夫指数；

(24)针对轴承的每一种故障类型，分别统计其各种故障类型在不同健康状态下的最大李雅普诺夫指数均值，将其作为健康评估标准；

(3)所述健康评估模型针对步骤(2)中诊断得到的故障类型，依据该故障类型下的健康评估标准以及步骤(2)所得的振动信号的最大李雅普诺夫指数进行健康评估；

步骤(3)中所述的依据该故障类型下的健康评估标准以及步骤(2)所得的振动信号的最大李雅普诺夫指数进行健康评估，包括精细评估和粗略评估，所述精细评估是指，计算正常状态下的李雅普诺夫指数值，将故障下的李雅普诺夫指数值与其偏离程度作为健康程度；粗略评估是指，计算正常状态和故障退化四个阶段下的的李雅普诺夫指数，将待评估信号的最大李雅普诺夫指数和健康评估标准作比较，数值上最靠近的健康评估标准所对应的健康状态即为评估结果；

所述诊断模型的建立包括以下步骤：

(1)采集柴油机主轴承各种故障下的故障信号；

(2)采用相空间重构方法将不同故障下的振动信号转化为相轨迹图；

(3)将主轴承不同故障下的相轨迹图标签化，划分训练集、测试集；

(4)建立深度卷积神经网络的图像学习模型，对输入层、卷积层、池化层、全连接层进行参数设置；

(5)将训练集输入深度卷积神经网络模型中学习，训练过程包括前向传播与反向权值更新，寻找到最小交叉熵损失函数后停止迭代，得到诊断模型；

所述相空间重构方法包括以下步骤：

(11)将一维故障振动信号进行相空间重构，算法如下：Xi＝(xi,xi+τ,xi+2τ,...,xi+(m‑1)τ)式中，x为故障振动信号，Xi为相点矩阵，i＝1,2,...,N，N为相点数量，m为嵌入维数，τ为延迟时间；

(12)将重构后高维空间相轨迹进行主矢量投影获取可视相轨迹图，其具体算法如下：T

令矩阵A＝XX，对A其进行奇异值分解后得到m个的特征值与特征向量，选取最大3个特征值λ1,λ2,λ3，将对应的特征向量V1,V2,V3作为矩阵A的主矢量，将重构后的相空间投影到主矢量方向，得到N×3阶主矢量矩阵B：B＝X[V1,V2,V3]

将矩阵B绘制在三维坐标系中，实现相轨迹的可视化。

2.根据权利要求1所述的柴油机主轴承的健康评估方法，其特征在于：在步骤(5)的训练过程中，将误诊样本输入模型继续训练，把训练完成的模型参数通过迁移学习输入到先前诊断模型中以不断修正模型。

3.根据权利要求1所述的柴油机主轴承的健康评估方法，其特征在于：所述的将主轴承不同故障下的相轨迹图标签化，划分训练集、测试集，按照8:2比例划分。

4.根据权利要求1所述的柴油机主轴承的健康评估方法，其特征在于：所述的建立深度卷积神经网络的图像学习模型，使用Softmax算法进行预测识别，输出诊断结果，模型结构包括：

1)Input输入层，将相轨迹图尺寸统一预处理为227×227；

2)C1卷积层，Kernel数量为24个，大小为11×11，步长为4；

3)P1池化层，池化窗口大小为3×3，步长为2，采用最大池化方式；

4)C2卷积层，Kernel数量为24个，大小为5×5，步长为1；

5)P2池化层，池化窗口大小为3×3，步长为2，采用最大池化方式；

6)C3卷积层，Kernel数量为48个，大小为5×5，步长为1；

7)P3池化层，池化窗口大小为3×3，步长为2，采用最大池化方式；

8)F1全连接层；

9)F2全连接层，全连接层中设有随机失活层。

5.根据权利要求1所述的柴油机主轴承的健康评估方法，其特征在于：所述最大李雅普诺夫指数求解包括以下步骤：

1)对于重构后相空间中每个相点Xa及其邻近点Yb，经过t时间后，两相点距离为：γ(t×Δt)

da(t)＝Cae

式中，t＝1,2,…,min(N‑a,N‑b)，γ为Xa和Yb的发散率，Ca＝da(0)；Δt表示时间序列的采样间隔；

2)两边取对数有：

ln da(t)＝lnCa+γ(t×Δt)

3)将上式线性化为：

式中，q表示非零da(t)的数量；

4)对y(t)进行线性拟合，求得斜率即为最大李雅普诺夫指数。

6.根据权利要求1所述的柴油机主轴承的健康评估方法，其特征在于：所述轴承故障类型包括故障状态和正常状态；所述故障状态包括内圈故障、外圈故障、滚珠故障。