1.自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1：通过加速度计采集旋转轴承不同健康状态的一维时间序列形式的振动信号，将采集的振动信号进行分段切片，求出每段切片的包络向量并打标签作为样本，将全部样本制作为数据集；

步骤2：针对所述包络向量求峭度值和分段滑窗求平均偏度值，用于高斯卷积核参数的设定，得到三种参数自适应的高斯卷积核，基于所述三种参数自适应的高斯卷积核构建的自适应参数的高斯卷积层用于提取包络向量的三个故障特征向量并进行拼接得到新的故障特征向量；

步骤2包括如下步骤：

步骤21：将步骤1中得到的一维时间序列形式的包络向量计算峭度值k和分段滑窗计算平均偏度值所述峭度值k计算表达式如下：

其中N为包络向量长度，Xi为包络向量第i个点的包络值，μ为包络向量的均值，σ为包络向量的标准差；

所述平均偏度值 计算表达式如下:

其中H为分段滑窗窗口数量，h为分段滑窗窗口的长度，a为当前分段滑窗窗口的起始点，Xt为当前分段滑窗窗口内包络向量第t个点的包络值，μ′为当前分段滑窗窗口内包络向量的均值，σ′当前分段滑窗窗口内包络向量的为标准差；

步骤22：利用步骤21中求到的峭度值k和平均偏度值 生成三种高斯卷积核的参数序列用于高斯卷积核的自适应参数设定，步骤2中所述高斯卷积核的参数序列生成表达式如下：其中k为峭度值， 为平均偏度值，参数q为卷积核长度，w为从1到q长度为q的整数序列，exp{}为e的幂次运算；

利用上述生成的三种高斯卷积核参数序列f1(w)、f2(w)、f3(w)，得到三种自适应参数的高斯卷积核；

步骤23：利用步骤22中设计得到的三种自适应参数的高斯卷积核构建三种自适应参数的高斯卷积层，对步骤1中所得到的数据集中的样本进行特征提取，提取三个故障特征向量，进行拼接得到新的故障特征向量；

步骤3：将步骤2中提取到的新的故障特征向量输入到具有交叉熵损失函数的Softmax分类器中，根据建立的故障特征和故障类别的映射关系，基于所述映射关系进行滚动轴承故障类别的诊断。

2.根据权利要求1所述的自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，其特征在于，步骤1包括如下步骤：步骤11：将一维时间序列形式的振动信号根据转速和采样频率分割成m个长度为N的无重叠片段，构成m个一维振动向量，长度N的计算表达式如下：其中f为振动信号采样频率，r为旋转轴承转速；

步骤12：对步骤11中长度为N的一维振动向量做希尔伯特变换求出长度为N的一维时间序列形式的包络向量，求包络向量计算表达式如下：其中x(n)为振动信号， 为对x(n)做希尔伯特变换得到的信号， 为所求包络向量；

步骤13：根据轴承健康状态及故障类型给对应的包络向量打标签，标签值分为0(正常)和1～P(P为故障类型数量)，将包络向量及其对应标签作为一个样本，将全部样本构建为数据集，对所述数据集按照比例划分为训练集、验证集和测试集。

3.根据权利要求1所述的自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法，其特征在于，步骤3中交叉熵损失函数Loss计算表达式如下：其中A为样本数，P+1为类别数量(P种故障类别和1种正常类别)，yjc为符号函数，若类型j和样本c的类型相同就是1，否则就是0，pjc为对于观测样本j属于类别c的预测概率。