1.一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

S1：滚动轴承的振动数据经过提取后，对滚动轴承振动信号的时域无量纲特征进行提取，包括峭度Cq、峰值Xp、脉冲因子Cf、裕度因子Ce，以及小波包分解的8维能量，其中，在对小波包能量提取时，采用小波包变换法通过对数据不断分解，同时选取分解后的低频部分和高频部分的能量特征；

S2：利用主成分分析法提取小波包分解能量中贡献度占95％的能量，经过分析，提取前

5维的小波包能量，结合选取的4类时域无量纲多特征构成9维混合故障特征向量；

S3：分别计算每维混合故障特征向量中数据之间的欧氏距离，通过图论算法，使用计算出的数据间的欧式距离建立无向图模型，无向图模型通过邻接矩阵表示，利用奇异值分解法对每维特征的邻接矩阵进行分解，提取每个邻接矩阵的奇异值作为分类器输入向量；

S4：使用支持向量机作为故障分类器，建立故障分类规则，将经过奇异值分解处理的输入向量以一定比例分为训练集和测试集，利用训练集训练SVM模型，并设置合适的SVM分类器的惩罚因子和核参数，建立基于训练集的支持向量机轴承故障诊断模型；

S5：将测试集作为输入，使用训练后的SVM模型进行故障分类，测试本算法训练的模型分类准确度，并输出结果。

2.根据权利要求1所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法，其特征在于，S1、S2中，根据振动信号的时域特性建立滚动轴承时域信号无量纲特征，结合小波包分解能量建立数据混合特征向量。

3.根据权利要求1所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法，其特征在于，S3中，利用欧氏距离，计算融合的混合数据特征之间的欧氏距离，分析数据之间的相关性关系，对数据间的相关性信息进行存储。

4.根据权利要求3所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法，其特征在于，使用利用图论算法，对已经融合的混合数据特征建立无向图模型邻接矩阵，将数据间的相关关系利用无向图的图形结构存储相关信息，建立成为邻接矩阵的数据结构形式。

5.根据权利要求4所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法，其特征在于，通过训练支持向量机模型，建立故障分类准则，对混合特征向量进行故障诊断，对数据类型进行分类。