1.一种基于DTW‑CAE的滚动轴承一致性退化特征提取方法，其特征在于，包括如下步骤：对不同实验室下的滚动轴承垂直方向的振动信号进行等区间取均值的降采样处理，将每个轴承每次采样的数据长度都统一到同一个大小n；

按每个轴承的采样总次数将每个轴承数据分为适当的x组并编号为1～x，将各个轴承相同编号的数据按照采样顺序进行拼接，进而构建并行数据集；

将构建好的并行数据集输入到DTW‑CAE特征提取模型中，其网络训练的批大小为并行数据集每个分组的数据长度；

当达到预先设定的迭代次数或者损失函数的阈值时，模型训练结束，即可得到基于DTW‑CAE的滚动轴承退化特征；

DTW‑CAE特征提取模型中：

设隐层特征间的一致性值为C，通过动态时间规整算法(DTW)计算C的大小，其值越小，说明特征间的相似度越高，也就是一致性越好；而卷积自编码器的重构误差越小，越能学习到原始数据中的特征，故DTW‑CAE模型的损失函数为一致性大小和重构误差二者之和，具体计算公式如式(2)：其中， 是卷积自编码器的重构损失，用均方误差来度量，β为惩罚系数；通过不断最小化带有一致性大小C的损失函数，就可不断提高不同轴承同一特征间的相似性，最终得到不同轴承间的最优一致性退化特征；

对于C值计算的具体步骤为：

首先，通过动态时间规整算法(DTW)对隐藏层特征计算每两个轴承间同一维度特征的相似度，接着对该维特征在不同轴承间计算出的所有不重复的相似度值取均值，得到该维特征的一致性大小，将同一维特征在不同轴承间的相似度值进行排列，结果如式(3)：其中， 为第一个轴承的f维特征与第2个轴承的f维特征之间的相似度值，w为参与训练的轴承个数；

对rf矩阵的上三角计算均值，可得第f维特征的一致性大小Rf，其计算过程如式(4)所示：然后，对隐藏层所有维度的特征分别计算各自的Rf，对所有的Rf取均值，可得当前模型的一致性值C，其计算公式如式(5)：

2.如权利要求1所述的基于DTW‑CAE的滚动轴承一致性退化特征提取方法，其特征在于，等区间取均值的降采样处理方法包括如下步骤：首先，将每个轴承垂直方向的振动数据按照采样时间顺序各自整理成mi×n的数组，其中，mi为每个轴承的采样总次数，n为每次采集的数据长度；

然后，将每个轴承各自的采样总次数mi分为x等份，也就是将mi×n的数组按行方向分为x个int(mi/x)×n的数组并编号为1～x，其中int(·)为取整函数，x的取值根据训练数据集具体的采样总次数决定，通过实验寻找最优x值；

最后，将各个轴承相同编号的数据按照采样顺序进行拼接，构成每次卷积自编码器的输入数据，也就是网络训练的批大小batch size，其大小计算公式如式(1)：其中，h为输入轴承的总个数，int(·)为取整函数，mi为各个轴承所对应的采样次数，x为均分个数。

3.如权利要求2所述的基于DTW‑CAE的滚动轴承一致性退化特征提取方法，其特征在于：在构建并行数据集时，执行int(mi/x)操作，会对每个数据集在每个分组中的样本数量取下整，导致在构建x个分组后出现多余样本数据的情况；对于每个不能被x整除的数据集，都会多出mi‑int(mi/x)×x个样本数据；在轴承运行初期，轴承处于正常状态，轴承的振动数据平稳，而不包含故障信息，所以将每个数据集前mi‑int(mi/x)×x个样本数据删除，以保障每个轴承数据集均可以被x整除，进而保障整个并行数据集的正确构建。