1.一种分层递进式机械设备健康管理方法，其特征在于，包括如下步骤：步骤1：采集设备运行过程中的振动监测信号，为健康管理模型构建提供数据基础；

(1‑1)依据机械设备结构组成及布置型式，在设备不同部位布置若干振动信号监测测点；

(1‑2)利用所布置的振动信号监测测点，采集设备运行过程中的振动信号样本集合{X1,X2,…,Xn}，其中Xi＝xi1,xi2,…,xil，l表示单个信号样本长度，n表示样本个数；

步骤2：设置单一尺度因子取值，提取振动信号样本的固定尺度散布熵特征，基于统计散布熵阈值，实现设备健康状态的在线检测；

(2‑1)设置单一尺度因子取值ξ0；

(2‑2)提取待检测振动信号样本Xi的固定尺度散布熵特征值，特征提取公式如下：其中，s表示嵌入维度，c表示映射类别数量， 表示散布模式， 表示相对概率计算函数；

(2‑3)基于历史样本集，确定统计散布熵阈值Hθ，计算公式如下：其中， 表示历史样本集散布熵特征均值，St表示历史样本集散布熵分布标准差，η表示置信系数；

(2‑4)若满足如下条件：H(Xi,ξ0)≥Hθ，则待检测振动信号样本Xi为设备正常运行状态下所采集到的样本；若上述条件不满足，则待检测振动信号样本Xi为设备异常或故障状态下所采集到的样本；

步骤3：基于步骤2的健康状态检测结果，设置多重尺度因子取值，结合自适应噪声完备集合经验模态分解CEEMDAN方法，提取故障信号样本的多尺度散布熵特征；

(3‑1)利用自适应噪声完备集合经验模态分解CEEMDAN方法，对异常或故障振动信号样本Xj进行分解，可得m个固有模型函数分量，表示如下：(3‑2)设置多重尺度因子取值：ξ1,ξ2,…,ξk，k表示尺度因子取值个数；

(3‑3)针对故障信号样本集合{X1,X2,…,Xr}，计算其多尺度散布熵特征空间，特征空间构建形式如下：[Samplej(H(IMFi,ξw))]r×(m×k)其中，IMFi表示(3‑1)中固有模型函数分量，i的取值为1～m，w的取值是1～k，j的取值为

1～r；

步骤4：基于故障分类器，以步骤3所述故障信号样本的多尺度散布熵特征作为输入实现设备故障类型的离线识别。

2.根据权利要求1所述的一种分层递进式机械设备健康管理方法，其特征在于，所述步骤4包括如下子步骤：(4‑1)选取Softmax模型作为设备故障类型分类器；

(4‑2)以步骤3所获取的故障信号样本集合多尺度散布熵特征作为Softmax模型的输入，实现设备故障类型的离线识别。