1.一种自适应参数调节的自动编码机的轴承故障诊断方法，其特征在于，包括如下步骤：(1)信号采样：采集滚动轴承的振动信号，做转化处理；

(2)信号处理：采用傅里叶变换对振动信号进行处理，将其由时域信号变为频域信号；

(3)深度网络参数与结构设置：确定网络的输入，隐含，输出层的结点，构建稀疏编码器的损失函数式中， 是稀疏编码器的一般损失函数项，

是带有惩罚项的稀疏编码器的损失函数；其

中，β是惩罚权重， 是KL  divergence惩罚方法，ρ是稀疏性参数；

是带有噪声的隐含层特征表达式，σxd2，表示输入数据的噪声干扰项方差； 表示对每个隐藏层的特征的计算，L为二阶Hessian矩阵；

(4)参数自适应调节：根据步骤(3)得到的损失函数表达式(I)，利用学习函数式，自适应调节学习率；

(5)故障划分：针对不同种类的轴承故障特征数据，即内圈、外圈、轴承故障特征数据，使用自适应参数调节的稀疏边缘自动编码机进行深度网络训练，并通过自适应调节学习速率式得到具体学习策略，实现快速精准的对不同种类的故障进行分类。

2.根据权利要求1所述的一种自适应参数调节的自动编码机的轴承故障诊断方法，其特征在于，所述的步骤(3)具体应用的学习函数式为：即，在得到损失函数后，通过引入Ada-grad全参数学习策略，来实现对学习率的自动调整；

式(Ⅱ)中，η(0)为学习率的初始化值一般为0.01，η(t)是t+1次迭代时的学习率， 是第s次迭代时损失函数的梯度，K为常数一般取值为1。

3.根据权利要求1所述的一种自适应参数调节的自动编码机的轴承故障诊断方法，其特征在于，所述步骤(5)中的学习策略如下：其中 是网络模型第n次迭代的总体平均误差，ypg和spg分别为输入第p个训练样本时第g个输出节点的输出值以及模型的期望值；k和l分别是训练样本个数以及输出层的个数。