1.基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，其特征在于，包括如下步骤：S1、采集目标轴承不同健康状态下的声音信号和对应的故障标签；

S2、对每一段信号进行集合经验模态分解，将具有不规则频率的信号分解为单频分量；

S3、利用评价指标筛选IMF分量，作为表征每一段声信号的数据源；

S4、将筛选出的IMF分量叠加，得到重构后的信号；

S5、对重构后的信号进行小波包分解，计算小波包系数的能量，基于能量分布计算能量熵，得到能量熵特征；

S6、将能量熵特征向量组成样本特征集，分成训练样本和测试样本，将训练样本随机划分，构成未标记的训练子集；

S7、训练稀疏滤波网络模型，包括特征学习阶段和分类诊断阶段；

S8、测试稀疏滤波网络模型，得出故障诊断分类精度；

S9、利用测试完成的稀疏滤波网络模型对目标机械获取的声信号数据进行故障分类。

2.如权利要求1所述的基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，其特征在于，步骤S2中，对每一段信号进行集合经验模态分解的公式为：；

式中，r(t)为最终残差信号，x(t)为原信号。

3.如权利要求2所述的基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，其特征在于，步骤S3中，所述评价指标为峭度值Ku和有效值RMS，计算每个分量的峭度值Ku和有效值RMS，筛选峭度和有效值大的IMF分量作为表征每一段声信号的数据源，计算公式如下：；

；

式中，N为信号采样点个数，xi为信号第i个采样值，为信号的均值。

4.如权利要求3所述的基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，其特征在于，步骤S4中，将筛选出的IMF分量叠加，得到重构后的信号，公式为：。

5.如权利要求4所述的基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，其特征在于，步骤S5具体操作为：S51、小波包分解：利用小波函数将信号分解成不同尺度和不同频带上的小波包系数Cj,k，公式为：；

式中，小波函数为Daubechies正交小波db3，j表示尺度，k表示平移， 表示小波函数在尺度j和平移k下的变换；

S52、计算能量：对每个小波包系数Cj,k，计算能量，公式如下：；

式中， 表示小波包系数Cj,k中第i个元素的绝对值，N是小波包系数的长度；

S53、能量归一化：将各频段的能量进行归一化处理，公式如下：；

式中，Ej,k表示在尺度j下，第k个小波包系数的能量，Etotal是信号的总能量；

S54、计算能量熵：对于每个尺度 下的能量分布，计算能量熵，公式如下：；

式中，pj,k表示在尺度j下，第k个小波包系数的能量占总能量的比例。

6.如权利要求5所述的基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，其特征在于，步骤S7中，特征学习阶段为：使用未标记的训练集对稀疏滤波SF进行训练，得到最优权值矩阵W，用于提取稀疏特征，具体操作包括：S71、将输入的训练集矩阵 与权值矩阵 通过激活函数转变为特征矩阵，公式为：

；

式中， 表示第 个样本的第 个特征；

S72、用 范数对特征矩阵的行和列依次进行归一化，公式分别为：；

；

S73、用稀疏表示算法 范数最小化作为目标函数的惩罚项，实现稀疏特征，公式为：；

通过引入归一化和最小化目标函数，得到最优权值矩阵W；

分类诊断阶段的操作为：对训练样本做逐步取段，并与最优权值矩阵𝑊 映射进行稀疏特征学习，将所有学习的特征及其相应的状况标签，输入到softmax分类器中以训练softmax分类器，得出分类诊断结果。

7.如权利要求6所述的基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，其特征在于，步骤S8具体包括：对测试样本做逐步取段，并与最优权值矩阵W映射进行稀疏特征学习，输出到softmax分类器中，得出故障诊断分类精度。