1.一种基于稀疏低秩协同正则框架的齿轮箱局部故障诊断方法，包括如下步骤：S100：采集齿轮箱的振动信号并构建分块算子；

S200：根据所述分块算子建立稀疏低秩协同优化框架；

S300：求解所述稀疏低秩协同优化框架，获得振动信号中所含的故障特征信号；

S400：通过对所述故障特征信号进行包络分析，诊断齿轮箱局部故障并辨识故障类型。

2.根据权利要求1所述的方法，其中，所述齿轮箱的振动信号表示为：y＝x+h+e

其中， 为一维向量形式的齿轮箱局部故障特征信号， 为齿轮箱谐波干扰信号， 为噪声干扰信号,m为采集到的振动信号的点数, 表示实数域。

3.根据权利要求1所述的方法，其中，所述分块算子表示为：且

其中，M为信号块的长度，N为信号块的个数， 表示对采集的振动信号y经过分块算子Γ处理后得到的二维振动信号矩阵Y，Y中每一列表示一个信号块， 表示实数域；

相应的，

表示齿轮箱局部故障特征信号经过分块算子处理后得到的二维故障特征信号矩阵；

表示齿轮箱谐波干扰信号经过分块算子处理后得到的二维谐波干扰信号矩阵；

表示噪声干扰信号经过分块算子处理后得到的二维噪声干扰信号矩阵。

4.根据权利要求3所述的方法，其中，信号块的长度M和信号块的个数N分别表示为：其中，fs为采样频率，fc为潜在发生局部故障部件的故障特征频率，r为相邻两个信号块之间的冗余度，其取值范围为 表示向上取整符号。

5.根据权利要求1所述的方法，其中，所述稀疏低秩协同优化框架表示为：其中，Y表示振动信号矩阵，X表示故障特征信号矩阵，表示从振动信号y中分离出来的故障特征信号，表示从振动信号y中分离出来的谐波干扰信号， 表示求解得到的故障特征信号矩阵，Γ(·)表示分块算子，Γ-1(·)表示分块逆算子，为分块算子Γ(·)的逆过程，D为谐波分量的稀疏表示字典，为谐波分量的稀疏表示系数，表示求解得到的稀疏表示系数，μ1,μ2为正则化参数， 表示矩阵的F范数，‖·‖p表示稀疏正则范数且0≤p≤1，rank(X)为矩阵X的低秩正则约束。

6.根据权利要求5所述的方法，其中，所述稀疏低秩协同优化框架简化为：其中，稀疏范数‖·‖p中令p＝1，得到‖·‖1,||X||w,*为加权核范数，w为权系数向量。

7.根据权利要求1所述的方法，其中，步骤S300包括如下步骤：S301：将所述稀疏低秩协同优化框架进行简化，将对简化后的稀疏低秩协同优化框架的求解转化为对增广拉格朗日方程的求解：其中，为代理中间变量，且g＝h，β为罚参数，λ为拉格朗日乘子，Y是由已知的振动信号经分块算子处理得到的振动信号矩阵；D为谐波分量的稀疏表示字典， X,λ均为拉格朗日方程中的待求解变量；

S302：基于所述增广拉格朗日方程，获得所述待求解变量 X,λ的闭式解；

S303：判断是否满足停止准则，若不满足，则令迭代数k＝k+1，重复步骤S302直到满足停止准则，停止迭代，并获得S304：根据所获得的 由分块逆算子对 进行分块逆操作可获得从振动信号中分离出来的故障特征信号 即

8.根据权利要求7所述的方法，其中，所述待求解变量 X,λ的闭式解分别为：且 对B(k+1)进行奇异值分解

可得

其中，Prox(s；τ)是临近点函数且Prox(s；τ)＝sign(s)⊙max(|s|-τ,0)，s是函数变量，τ是阈值参数；sign(·)是符号函数，提取变量的正负号；max(·)是相对值比较函数，取较大值；⊙表示向量或矩阵逐点运算操作，k为迭代数， 表示矩阵B(k+1)的奇异值分解， 为左奇异矩阵， 为右奇异矩阵， 为相应奇异值序列构成的对角阵，(·)T表示转置运算；(·)-1表示逆运算，(·)(k)中上标k表示第k次迭代。

9.根据权利要求7所述的方法，其中，所述停止准则包括如下任一：(1)当前迭代数k等于最大迭代数K；

(2)目标函数 的函数值在相邻两次迭代中的相对误差小于给定误差10-3。

10.根据权利要求1所述的方法，其中，所述故障类型包括如下任一：齿轮箱中轴承外圈局部故障、轴承内圈局部故障、轴承滚动体局部故障、齿轮齿面局部故障。