1.一种滚动轴承故障检测方法，其特征在于，包括：

获取滚动轴承的原始振动信号，并采用基于小波包分解对原始振动信号进行预处理，得到特征向量，并进行归一化处理；

构建划分样本集，并按滚动轴承故障类别划分为训练集和测试集，提取滚动轴承的原始振动信号的时域和频域特征；

采用Canopy‑Kmeans算法对滚动轴承故障检测模型进行训练，采用训练后的滚动轴承故障检测模型对滚动轴承故障检测，得到滚动轴承故障检测结果；

Canopy‑Kmeans算法：

定义1：公式(5)，样本对象xi和xj的欧氏距离为dij：

其中，MeanDis(D)为所有样本对象的均值，D＝{x1,x2,…,xn}是包含n个样本对象的数据集合，每个样本对象含有d维特征属性；

定义2：公式(6)，数据集D中所有样本元素的欧氏距离为：

其中，xip表示第i个样本对象的第p维特征属性,i＝1,2,…,n,p＝1,2,…,d，xjp表示第j个样本对象的第p维特征属性,j＝1,2,…,n,p＝1,2,…,d；

Canopy‑Kmeans算法从阈值获取方式和初始聚类中心的选取进行优化，阈值T1，T2的获取：遍历所有数据，通过公式(5)取所有样本对象的均值MeanDis(D)，通过公式(5)计算均值点到所有数据点的距离，最远距离记作L1，最近距离记作L2，将 赋值给T1，将赋值给T2；

初始聚类中心通过最远最近原则来选取，最远最近原则的中心点选取方法为：在将数据集划分为若干个Canopy的过程中，任意两个Canopy中心点之间的距离应尽可能远，即假设目前已生成n个Canopy中心点，则处于第n+1位的Canopy中心点应为其它数据点和前n个中心点间最远间距的最小者，公式如(7)：式中，dn表示第n个中心点与候选数据点的最远距离；DisList表示前n个中心点与候选数据点最远距离的集合；DisMin(n+1)则表示集合DisList中最远距离的最小者，即Canopy集合的第n+1个中心点。

2.如权利要求1所述的滚动轴承故障检测方法，其特征在于，采用基于小波包分解对原始振动信号进行预处理，具体包括：将一个原始振动信号xi,j(k)进行小波包分解至第i层，则按照公式(1)计算得到各个子频带信号的能量Eij：其中xi,j(k)为原始振动信号，其中k为自变量，为第k个原始振动信号，k＝1，…n，n为样本对象的原始振动信号的数量；si,j(t)表示第i层第j个节点对应的分解信号，其中t表示为自变量，为原始振动信号时域持续时间；

总能量E的计算如式(2)：

信号的特征向量为各个子频带的能量占有百分比，则特征向量T表示为式(3)：其中，t1,t2, 为提取的特征量；Ei，0，Ei，1， 为子频带的能量，小波包分解滚动轴承的原始振动信号之后，获得多个由8个频段能量值构成的特征向量，特征向量作为K均值聚类算法的输入。

3.如权利要求1所述的滚动轴承故障检测方法，其特征在于，归一化处理，具体包括：按照公式(4)进行归一化处理：

式中：xi′是特征向量中第i′个频段的能量值，其中i′＝1,……,8；xmax是特征向量中的最大值，xmin是特征向量中的最小值，xi′′是第i′个频段归一化后的结果。

4.如权利要求1所述的滚动轴承故障检测方法，其特征在于，Canopy‑Kmeans算法，具体包括：步骤一，根据所给数据集计算出样本对象之间的欧氏距离，以及所有数据间的平均距离；

步骤二，计算平均距离与个数据点之间的距离，最远距离记作L1，最近距离记作L2，将赋值给T1，将 赋值给T2；

步骤三，选取距离均值点最近的点c1作为第一个Canopy的聚类中心，并将其原数据集中删除，将聚类中心c1添加到中心点集合C中，即C＝{c1}；

步骤四，计算数据集中的数据与c1之间的距离，如果距离小于T1，就把它分配到c1所在的Canopy中，如果距离小于T2，就把它从数据集中删除；

步骤五，第二个聚类中心c2为数据集中距离c1最远的点，将其从原数据集中删除，把c2添加到中心集合C中，即C＝{c1，c2}；

步骤六，计算数据集中的数据与c2之间的距离，如果距离小于T1，就把它分配到c2所在的Canopy中，如果距离小于T2，就把它从数据集中删除；

步骤七，以此类推，直到数据集为空；

步骤八，将生成的Canopy子集数目作为K值，Canopy子集的中心点作为初始的聚类中心点进行Kmeans聚类，得到优化后的聚类结果。

5.如权利要求4所述的滚动轴承故障检测方法，其特征在于，聚类结果采用标准化信息、调整互信息和调整兰德系数对聚类结果进行评价。

6.如权利要求4所述的滚动轴承故障检测方法，其特征在于，提取滚动轴承的原始振动信号的时域和频域特征，具体包括：利用修正周期图功率谱密度估计方法分别计算每组原始振动信号的功率谱，即正常工况P正常、第一类故障P故障1、第二类故障P故障2……第n类故障P故障n的功率谱；

分别通过各工况下的功率谱减去正常工况下的连续谱，获得相应的各工况下的线谱；

对各工况下的线谱进行简化及噪声处理，获得满足分析要求的各工况下的线谱。

7.如权利要求6所述的滚动轴承故障检测方法，其特征在于，噪声处理采用谱减法和小波变换相结合，对滚动轴承故障的原始振动信号进行背景降噪，具体包括：所述谱减法对带噪滚动轴承振动进行去噪处理，采集的滚动轴承的故障点带噪声音信号为Y(n)，加窗处理后得到第i帧信号为Yi(n)，将其做离散傅里叶变换DFT后为Yi(n)，其幅值为|Yi(W)|，噪声平均能量为 a为过减因子，b为增益补偿因子，谱减后信号的幅值为 谱减后信号的幅值结合谱减前信号的相位经傅里叶逆变换得到经过谱减处理消噪的滚动轴承振动信号。