1.基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

1)将滚动轴承振动信号按等长分割为多个样本，采用傅里叶变换将时域样本变换为频域样本并划分为训练集和测试集，作为全卷积自编码器的输入信号；

2)构建堆叠全卷积自编码器，将步骤1)中的频域样本作为输入完成深度故障特征提取；

3)基于Fisher准则对所提取的故障特征进行评分排序，筛选排序靠前区分性强的故障特征；

4)采用改进的樽海鞘算法优化支持向量机的惩罚参数和核参数，将经过筛选的故障特征输入优化后的支持向量机完成滚动轴承的故障状态识别。

2.根据权利要求1所述基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法，其特征在于：所述构建堆叠全卷积自编码器包括，构建一种基于全卷积运算的自编码器，将多个全卷积自编码器堆叠构成深度学习模型。

3.根据权利要求2所述基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法，其特征在于：在全卷积自编码器的解码阶段，使用零值填充上采样恢复特征维数，解码器中使用有效卷积。

4.根据权利要求2或3所述基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法，其特征在于：引入广义相关函数设计全卷积自编码器的重构损失函数为：式中，x是网络输入，为重构输出，m表示输入样本维数， 表示一个小批量样本，σ为核函数带宽， 为核函数，Nb表示小批量样本数量，JFCAE表示损失函数。

5.根据权利要求1所述基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法，其特征在于：所述Fisher准则具体为：令数据集中共有n个样本，分别属于C个类ω1，ω2，...,ωC，每一类分别包含ni个样本，分别表示样本x，第i类样本的均值，所有样本的均值在第k维上的取值；根据Fisher准则第k维特征的评判标准表示为：其中，Jk为特征的Fisher比， 和 分别表示第k维特征在训练样本集上的类间方差和类内方差；

6.根据权利要求1所述基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法，其特征在于：所述改进的樽海鞘算法在樽海鞘群算法中领导者的位置更新公式中引入一个变异因子，新的领导者更新公式如下式中，r2,r3,r4服从[0,1]之间均匀分布的随机数，A取较小的常数，P(r4)和sign(r4)定义分别如下

式中，Pc为设定的变异概率,P(r4)和sign(r4)分别决定了领导者是否变异以及食物源位置变动方向。

7.根据权利要求6所述基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法，其特征在于：引入非线性自适应惯性权重后新的追随者公式为其中，ws为初始惯性权重，we为更迭至最大更迭代数时的惯性权重，t为当前更迭代数，T为最大更迭代数。