1.一种低速重载工况下的轴承故障诊断方法，其特征在于，具体步骤为：步骤一、采集低速重载工况下的混合振动信号，基于信号频谱分布特性确定信号分量中心频率和信号个数，并采用单分量VMD逐一提取信号分量，具体过程为：步骤①、确定分解次数T；

步骤②、计算信号频谱的粗粒化能量分布谱；

步骤③、基于能量分布谱确定分量初始化中心频率；

步骤④、基于上述初始化中心频率对原始信号进行第一次单分量VMD分解，分解出一个信号分量，然后将这一信号分量从原始信号中移除，将剩余信号作为一个新的原始信号继续处理；

步骤⑤、重复步骤①至④进行下一次单分量VMD分解，如此重复，直至到达确定的分解次数T；

步骤二、通过SAE挖掘步骤一提取信号的内部信息，从各信号分量中充分提取高阶特征，增强不同信号分量之间的差异特性，具体步骤如下：步骤A、通过权重Wx和偏置bx对信号s＝[s1,s2,...sn]进行编码，得到隐藏层向量h，n为单个样本的长度；

h＝f(Ws·s+bs)                                             (1)式中f(*)为激活函数；

步骤B、通过权重Wx和偏置bx对隐藏层进行解码，得到原始信号；

s'＝f(Wh·h+bh)                                            (2)步骤C、定义重构损失函数；

单样本重构误差：

1 2 m

数据集S＝[s ,s ,...s]重构误差：

步骤D、使用随机梯度下降算法优化模型，并使用反向传播算法获得所需梯度，更新权重Wx和偏置bx；

步骤E、重复步骤A至D，直到满足误差要求或达到迭代次数；

步骤F、将隐藏层向量h作为新的信号进行解码编码，得到新的隐藏层向量，如此持续，直到达到设定的堆叠层数，从而完成各个信号分量的高阶特征提取过程；

步骤三、采用RF构建高阶特征与故障类别标签之间的映射关系，根据映射关系并结合步骤二获取的各信号分量的高阶特征，从而得到当前信号对应的故障类别标签，最终实现低速重载工况下的轴承故障的精确诊断。

2.根据权利要求1所述低速重载工况下的轴承故障诊断方法，其特征在于，所述步骤三中RF采用基于Bagging随机选择属性的方法，有效降低了树与树之间的相关性，同时建立的单棵非剪枝决策树能达到较低的误差，保证了RF分类的准确性，其具体步骤如下：步骤Ⅰ、使用Bagging方法生成p个训练集，对每个训练集使用dropout方法从原始特征集中提取n个特征；

步骤Ⅱ、对于每个训练集，生成一棵不需要剪枝的决策树，根据训练集的个数p生成t棵决策树；

步骤Ⅲ、对样本进行分类，输出类别名称通过森林中树木的多数投票来确定；

其中，I(*)为示性函数其中，c为树hi对预测类c的分类结果， 为叶子中的节点数；通过上述过程构建高阶特征与故障类别标签之间的映射关系。