1.一种基于自编码器和AOMM的轴承退化起始点检测方法，其特征在于，包括：采集轴承的实时振动信号；

对采集的实时振动信号进行预处理，得到预处理后的实时振动信号；

利用自编码器对预处理后的实时振动信号进行特征提取，得到实时振动信号的特征序列；

根据预先训练得到的最优符号数量对实时振动信号的特征序列进行全局符号化，得到实时振动信号的符号化特征序列；

根据预先训练得到的最优窗口大小对实时振动信号的符号化特征序列进行分段，得到若干个滑动窗口；

应用AOMM方法，基于符号分布熵和多项式回归模型自适应调节Markov阶数，计算得到的每个滑动窗口的状态平稳概率向量，并将所有的状态平稳概率向量拼接成状态平稳概率矩阵；

将状态平稳概率矩阵与标签数据输入预先训练好的自适应增强分类器进行预测，输出预测的退化起始点；

其中，所述基于符号分布熵和多项式回归模型自适应调节Markov阶数，包括：在每个窗口动态调整Markov模型的阶数 ，首先计算当前窗口与前一个窗口的符号分布熵变化，将当前的符号分布熵变化值添加到历史符号分布熵列表中，如果符号分布熵变化超过设定的阈值，说明数据复杂度增加，需要提高Markov模型的阶数 ，此时，如果历史符号分布熵数据包含至少3个数据点，则使用历史符号分布熵变化值作为训练数据，则使用多项式回归模型拟合历史符号分布熵变化趋势，并预测下一个窗口的符号分布熵变化；

在预测下一个窗口的符号分布熵变化时，使用拟合好的多项式回归模型，将下一个窗口的索引代入多项式回归模型，得到预测的符号分布熵变化值，并根据预测结果调整Markov模型的阶数 ；若预测的符号分布熵变化仍然超过预设的符号分布熵阈值，则大幅增加Markov模型的阶数 ，即自增2；否则，小幅增加Markov模型的阶数 ，即自增1；如果历史符号分布熵数据不足，则直接小幅增加Markov模型的阶数 ，即自增1；如果符号分布熵变化小于等于预设的符号分布熵阈值，则保持当前Markov模型的阶数 不变。

2.根据权利要求1所述的基于自编码器和AOMM的轴承退化起始点检测方法，其特征在于，所述最优符号数量和最优窗口大小的得到方法为：步骤S1，采集轴承全生命周期的原始振动信号；

步骤S2，对所述原始振动信号进行预处理，得到预处理后的原始振动信号；

步骤S3，利用自编码器对预处理后的原始振动信号进行特征提取，得到原始振动信号的特征序列；

步骤S4，对原始振动信号的特征序列进行全局符号化，得到原始振动信号的符号化特征序列；

步骤S5，对原始振动信号的符号化特征序列进行分段，得到若干个滑动窗口；

步骤S6，应用AOMM方法，基于符号分布熵和多项式回归模型自适应调节Markov阶数，计算得到的每个滑动窗口的状态平稳概率向量，并将所有的状态平稳概率向量拼接成状态平稳概率矩阵；

步骤S7，将状态平稳概率矩阵与标签数据作为训练样本输入，对自适应增强分类器进行训练，得到自适应增强分类器预测的各训练样本属于异常类别的概率；

步骤S8，基于得到自适应增强分类器预测的各训练样本属于异常类别的概率，利用正则化交叉熵损失函数，优化滑动窗口大小和符号数量，并将优化后的符号数量反馈至所述步骤S4，将优化后的滑动窗口大小反馈至所述步骤S5，最终得到最优符号数量和最优窗口大小。

3.根据权利要求2所述的基于自编码器和AOMM的轴承退化起始点检测方法，其特征在于，所述将状态平稳概率矩阵与标签数据作为训练样本输入，对自适应增强分类器进行训练，得到自适应增强分类器预测的各训练样本属于异常类别的概率，包括：初始化训练样本的权重；

基于初始化训练样本的权重，训练弱分类器，计算得到所有训练样本分布下的分类加权错误率；

根据所述分类加权错误率计算弱分类器权重，得到每个训练样本的分类结果；

根据每个训练样本的分类结果更新该训练样本权重；

对所有更新后的训练样本权重进行归一化处理，得到每个训练样本归一化处理后的权重；

判断是否达到预设的迭代次数，若没有达到迭代次数，则返回训练弱分类器的步骤；若达到迭代次数，则将所有弱分类器按照归一化处理后的权重进行线性组合，得到最终的强分类器。

4.根据权利要求2所述的基于自编码器和AOMM的轴承退化起始点检测方法，其特征在于，所述利用正则化交叉熵损失函数，优化滑动窗口大小和符号数量，包括：设计损失函数 ：

；

其中， 表示交叉熵损失函数； 表示正则化函数；

交叉熵损失函数 的数学表达式为：

；

其中， 是训练样本数量， 是第 个训练样本的真实标签，取值为0或1， 是自适应增强分类器预测的第 个训练样本属于异常类别的概率；

正则化函数 的数学表达式为：

；

其中， 是自适应增强分类器权重的数量， 是第 个权重，是正则化系数，控制正则化项的强度；

根据损失函数 计算损失，输出损失值，所述损失值用于衡量自适应增强分类器的预测结果与真实标签之间的匹配程度，损失值越小，表示自适应增强分类器的预测性能越好；

保持当前的符号数量不变，在每个循环中，依次调整窗口大小，并使用自适应增强分类器进行训练，通过比较不同窗口大小下的损失值，判断损失值的变化是否小于设定的损失值容忍度；若损失值的变化小于设定的损失值容忍度，则确定当前符号数量下的最优窗口大小和对应的最优损失值，同时停止对窗口大小的进一步调整，并更新全局符号化的符号数量；

在更新后的全局符号化的符号数量下，重复上一个步骤，继续优化窗口大小，直到最优损失值的变化小于设定的最优损失值容忍度，此时停止整个优化过程，得到最优滑动窗口大小，对应更新后的全局符号化的符号数量即为最优符号数量。

5.根据权利要求4所述的基于自编码器和AOMM的轴承退化起始点检测方法，其特征在于，所述利用自编码器对预处理后的原始振动信号进行特征提取，得到原始振动信号的特征序列，包括：令 为输入数据集，即预处理后的原始振动信号的集合，定义

， 表示输入数据集 中的一个特征向量，是输入数

据集 中的特征向量的索引， ， 表示输入数据集 这个集合中包含 个特征向量，即输入数据集的大小为 ， 表示 维实数空间，表示特征向量的维度；编码器 将高维的输入数据集 从输入层传递到隐藏层，在隐藏层中输入数据集 被压缩到低维空间 中，定义 ， 表示低维空间 中的一个低维度特征向量，是压缩后的特征表示， 是特征向量的索引， ；

表示低维空间 这个集合中包含 个特征向量， 表示 维实数空间，表示压缩后的特征向量的维度；随后解码器 在输出层将被压缩的特征向量重新映射到输入数据 ，为输出结果；编码器 和解码器 的基础数学表达式为：；

；

编码器 将输入 转换为低维表示 ，随后，解码器 将低维表示 转换为输出 ，以重构输入 。

6.根据权利要求2所述的基于自编码器和AOMM的轴承退化起始点检测方法，其特征在于，所述对原始振动信号的特征序列进行全局符号化，得到原始振动信号的符号化特征序列，包括：采用均匀划分方法对原始振动信号的特征序列进行全局符号化；

对于特征序列 ， 是序列长度， 是特征值；初始

化参数 ， 表示要将特征序列 划分为多少个符号，即符号

数量；

计算特征序列 中的最小值 和最大值 ，作为划分区间的边界；

将特征序列 的取值范围均匀划分为 个区间；每个区间的宽度为；

将特征序列 中的每个特征值映射到对应的符号，得到符号化特征序列。

7.一种基于自编码器和AOMM的轴承退化起始点检测系统，其特征在于，包括：数据采集模块，被配置用于采集轴承的实时振动信号；

数据预处理模块，被配置用于对采集的实时振动信号进行预处理，得到预处理后的实时振动信号；

自编码器模块，被配置用于利用自编码器对预处理后的实时振动信号进行特征提取，得到实时振动信号的特征序列；

符号化特征序列模块，被配置用于根据预先训练得到的最优符号数量对实时振动信号的特征序列进行全局符号化，得到实时振动信号的符号化特征序列；

滑动窗口分段模块，被配置用于根据预先训练得到的最优窗口大小对实时振动信号的符号化特征序列进行分段，得到若干个滑动窗口；

AOMM方法模块，被配置用于应用AOMM方法，基于符号分布熵和多项式回归模型自适应调节Markov阶数，计算得到的每个滑动窗口的状态平稳概率向量，并将所有的状态平稳概率向量拼接成状态平稳概率矩阵；

自适应增强分类器模块，被配置用于将状态平稳概率矩阵与标签数据输入预先训练好的自适应增强分类器进行预测，输出预测的退化起始点；

其中，所述基于符号分布熵和多项式回归模型自适应调节Markov阶数，包括：在每个窗口动态调整Markov模型的阶数 ，首先计算当前窗口与前一个窗口的符号分布熵变化，将当前的符号分布熵变化值添加到历史符号分布熵列表中，如果符号分布熵变化超过设定的阈值，说明数据复杂度增加，需要提高Markov模型的阶数 ，此时，如果历史符号分布熵数据包含至少3个数据点，则使用历史符号分布熵变化值作为训练数据，则使用多项式回归模型拟合历史符号分布熵变化趋势，并预测下一个窗口的符号分布熵变化；

在预测下一个窗口的符号分布熵变化时，使用拟合好的多项式回归模型，将下一个窗口的索引代入多项式回归模型，得到预测的符号分布熵变化值，并根据预测结果调整Markov模型的阶数 ；若预测的符号分布熵变化仍然超过预设的符号分布熵阈值，则大幅增加Markov模型的阶数 ，即自增2；否则，小幅增加Markov模型的阶数 ，即自增1；如果历史符号分布熵数据不足，则直接小幅增加Markov模型的阶数 ，即自增1；如果符号分布熵变化小于等于预设的符号分布熵阈值，则保持当前Markov模型的阶数 不变。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时，实现权利要求1～6中任一所述的基于自编码器和AOMM的轴承退化起始点检测方法的步骤。

9.一种计算机设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现权利要求1～6中任一项所述的基于自编码器和AOMM的轴承退化起始点检测方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1～6中任一项所述的基于自编码器和AOMM的轴承退化起始点检测方法的步骤。