1.一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，包括以下步骤：

S1：将传感器采集到的轴承运行噪声信号作为轴承状态监测信号，通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判，预先区分正常、异常信号；

S2：根据故障预判结果，有故障发生时，异常信号通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而无故障发生时，正常信号直接接入特征提取模块；

S3：特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；

S4：把特征信号输入改进后的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现故障类型的判别诊断。

2.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S1中基于高斯混合模型建立轴承正常、异常预分类模型，并利用Gibbs采样生成故障样本。通过对正常样本集和故障样本集建立边界模型，根据待测样本落入的边界区域，判定其为正常样本或异常样本。

3.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S2中将预分类后的异常信号输入到线性神经网络滤波器中，输出与输入之间的关系表达式为： 通过神经网络训练，采用LMS算法调整网络的权值和阈值，通过前n-1时刻的输入信号值计算得到第n时刻预测信号，并与第n时刻实际输入信号相减，由此得到第n时刻净异常输入信号。以此类推，异常信号通过神经网络滤波器，滤除轴承信号中正常成分，获得所需的净异常信号用于后续特征提取。

4.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S3中特征提取模块在提取信号的美尔倒谱系数(MFCC)后，需进一步利用梯度提升决策树(GBDT)对MFCC系数进行特征重构，获得MFCC系数的高维特征，并将获得的高维特征与原有的MFCC系数组合在一起，构成一个复合特征向量，再利用主成分分析(PCA)对其进行降维。

5.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S4中采用两级支持向量机(SVM)集成分类器进行训练与测试。初级学习器由初始数据集训练获得，并将初级学习器的输出当作样例输入特征生成一个新的训练集用于次级学习器训练。选用SVM分类器为初级学习器，次级学习器采用基于学习的AdaBoost多分类集成学习算法，采用加权多数投票法对每次循环生成的个体SVM分类器进行集成，得到新的强分类器，并将训练好的分类模型用于滚动轴承故障分类。