1.基于线性判别分析与粒子群优化支持向量机的故障诊断方法，其特征在于该故障诊断方法包括以下具体步骤：(1)采集待诊断部件的原始正常状态振动信号与故障状态振动信号，对于采集的每种状态振动信号通过Matlab软件处理，各取M组样本，随机选取m组样本作为训练样本，剩余s组作为测试样本；

(2)基于时域、频域与时频域的信号处理方法，提取能表征部件状态信息的特征指标，构建训练样本高维混合域特征集与测试样本高维混合域特征集；

(3)对训练样本高维混合域特征集与测试样本高维混合域特征集采用线性判别分析降维技术进行维数约简处理，得到训练样本低维特征集及测试样本低维特征集；

(4)将训练样本低维特征集输入到粒子群优化支持向量机模型中进行训练得到训练好的粒子群优化支持向量机模型；

(5)用训练好的粒子群优化支持向量机模型对测试样本低维特征集进行模式识别，得到待诊断部件不同故障类型的分类结果；

(6)根据得到待诊断部件不同故障类型的分类结果，识别该部件的故障类型。

2.根据权利要求1所述的一种基于线性判别分析与粒子群优化支持向量机的故障诊断方法，其特征在于步骤(2)中所述高维混合域特征集的构建过程具体如下：(S21)对训练样本和测试样本进行时域分析，提取的时域特征指标包括最大值、标准差、均方根值、均值、歪度、峭度、峰值指标、裕度指标以及脉冲指标；

(S22)对训练样本和测试样本进行频域分析，提取的频域特征指标包括均值频率，频率标准差，均方根频率以及其他一些能反映频谱集散程度与主频带位置的指标；

(S23)对训练样本和测试样本进行时频域分析，对每一组训练样本和测试样本进行变分模式分解，再计算各分量信号的能量熵值，并将其作为时频域的特征指标；

(S24)将步骤(S21)、(S22)及步骤(S23)中提取的所有特征指标分别通过对不同状态信息进行区分效果分析，择选出区分效果较好的特征指标，归一化处理后完成高维混合域特征集的构建。

3.根据权利要求1所述的一种基于线性判别分析与粒子群优化支持向量机的故障诊断方法，其特征在于特征步骤(3)中所述对训练样本高维混合域特征集与测试样本高维混合域特征集采用线性判别分析降维技术进行维数约简处理的具体步骤包括：(1)令训练集为Z＝{Zi|i＝1,2,…,C}，共有C个类别的N个样本，其中Zi＝{Zij|Zij∈Rn,j＝1,2,…,Ni}，Ni表示集合Zi中数据样本的个数，且有N1+N2+…+NC＝N；

(2)计算第i类样本的均值 以及所有样本的均值 其表达式为：

(3)计算样本类间离散度矩阵Sb和样本类内离散度矩阵Sw，分别定义为：其中，Zij是第i类中的第j个样本。

(4)Fisher准则函数定义为：

(5)通过求解步骤(4)中Fisher准则函数的最优值，即可获得最优投影方向ψ。

4.根据权利要求1所述的一种基于线性判别分析与粒子群优化支持向量机的故障诊断方法，其特征在于步骤(5)中所述粒子群优化支持向量机模型对测试样本低维特征集进行模式识别是分别根据已经训练好的粒子群优化支持向量机模型的输出O(y)是否是+1进行判断；具体判断步骤包括：(1)若输出是O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本集的分类；

(2)若输出是O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时，输出测试样本的分类。

5.根据权利要求1所述的一种基于线性判别分析与粒子群优化支持向量机的故障诊断方法，其特征在于步骤(5)中所述粒子群算法优化支持向量机模型的构建包括以下步骤：(1)初始化粒子群基本参数,确定寻优过程中的适应度函数；

(2)生成粒子种群。将影响支持向量机分类性能的参数组合[C,g]作为粒子的位置，随机生成一定数量的影响参数组合作为粒子的初始位置；

(3)在不同粒子位置条件下对支持向量机进行训练，并计算每个粒子的适应度值；

(4)通过对比适应度值的大小，进而更新粒子群的个体最优解以及全局最优解，再决定粒子下一步移动的位置坐标；

(5)直到达到预计的精度或者完成既定的循环次数即可停止，最终得到的全局最优解对应的粒子位置即为支持向量机的最佳参数组合；否则，返回步骤(3)继续执行。