技术特征：
1.一种旋转设备故障诊断方法，其特征是，包括步骤：步骤a：对振动信号进行小波包分解，根据峭度和能量熵综合评价指标确定小波包分解层数k，并进行小波包分解，提取峭度值和能量熵综合评估最大的分量信号，并对选择出来的分量信号进行特征参数提取，得到特征参数向量；步骤b：使用relieff算法计算特征参数权重，依照特征参数权重建立不同故障类型下的样本参数矩阵，并重新生成故障模型和对应特征权重值；步骤c：通过多参数状态估计技术计算验证数据在各模型下的特征参数估计值，根据所有特征参数的估计值与实际值的残差融合成一个裕度值集的对应分布区间；步骤d：计算待测数据在不同模型下的置信概率，并根据置信率得到待测数据所属故障类别。2.根据权利要求1所述的一种旋转设备故障诊断方法，其特征是，所述步骤a具体包括以下步骤：步骤a1：设置分解层数k由2递增至n，依次对振动信号进行小波包分解，得到2
k
个分量信号，计算各分量信号的峭度和能量熵的综合评价指标，假设振动信号的长度为n，分量信号表示为x，评价指标的公式为：其中，p
i
为每个分量信号的能量占比；步骤a2：记录在不同分解层数下最大的评价指标，根据评价指标曲线中的最大值确定最优分解层数；步骤a3：分解层数确定后，对振动信号进行小波包分解，并对评价指标最大的分量信号进行特征参数提取。3.根据权利要求2所述的一种旋转设备故障诊断方法，其特征是，所述特征参数提取包括有效值、峰值、峭度、峭度指标、波形指标和频域特征参数。4.根据权利要求1所述的一种旋转设备故障诊断方法，其特征是，所述步骤b具体包括以下步骤：步骤b1：构建特征参数数据集z，所述特征参数数据集z中包含测试数据中的所有样本，故障共有b组故障类别，b
i
代表第i个故障类别名称，使用relieff算法计算设备故障不同类型下的特征参数权重；步骤b2：将所有特征参数的权重值w设置为0，特征参数选择结果设置为空；步骤b3：从全量矩阵中有放回地选择出第j个样本，第j个样本对应的故障类别为b
i
，先在属于b
i
故障类别的矩阵中筛选出前s个最相邻的样本，构成h
l
(l＝1,2,...,s)，按照同样的方法筛选在其他故障类别的中的前s个最相邻的样本，构成m
l
(b
q
)(l＝1,2,...,s)，m
l
(b
q
)代表属于b
q
(q≠i)故障类别的下的第l个最相似的样本；步骤b4：计算每个特征参数的权重，计算公式为：
其中，p(b
q
)代表b
q
故障类别的样本个数在总样本个数中的占比，p(b
i
)代表b
i
故障类别的样本个数在总样本个数中的占比，diff(a,r1,r2)代表样本间的差异；步骤b5：建立不同故障类型下的样本参数矩阵，每个故障类型下的特征参数根据计算得到的权重值进行筛选，d
i
是第i类故障下的样本参数矩阵，行代表不同样本中的参数值，列代表一个样本下得到所有特征参数，特征参数个数为n，样本个数为m，则样本矩阵d
i
表示为：步骤b6：根据样本矩阵中选择的特征参数，修正对应参数权重，修正方法为：其中，代表选中的p个特征参数的权重和。5.根据权利要求1所述的一种旋转设备故障诊断方法，其特征是，所述步骤c具体包括以下步骤：步骤c1：使用验证集的数据计算在各个故障模型下的特征参数估计值，假设验证集的数据为x
obs
,估计值x
est
通过公式计算得到：式中，指的是欧氏距离、皮尔逊相关系数、曼哈顿距离；步骤c2：计算估计值x
est
与验证集数据的残差：res＝x
obs
‑
x
est
步骤c3：根据样本权重计算得到融合的裕度值y：步骤c4：计算所有验证数据在对应的故障类别下的裕度值y，计算均值和方差，得到各故障模型的高斯分布。6.根据权利要求5所述的一种旋转设备故障诊断方法，其特征是，所述步骤d具体包括以下步骤：采用步骤c1至步骤c3的方法计算待测样本在故障模型下的裕度值，并判断裕度值在几个故障模型下的概率概率，拥有最大概率密度的作为实际的故障诊断结果。