1.一种基于敏感特征迁移学习的轴承故障诊断方法，其特征在于，具体包含如下步骤：

步骤1，采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其中，DTCWPT为Dual-Tree Complex Wavelet Packet Transform；

步骤2，采用基于特征聚类与特征间相关系数的敏感特征选取方法对步骤1得到的原始特征进行敏感度评价，选取状态敏感度高的特征，构建敏感特征集；

步骤3，利用提出的MTCA处理有标签源域数据与无标签目标域数据的敏感特征集，对步骤2得到的敏感特征集进行迁移学习降维，输出低维特征集；

步骤4，构建轴承故障诊断模型OFS-FSFCC-MTCA-SVM完成轴承故障状态识别，其中OFS代表获取原始数据集的过程，FSFCC为敏感特征选取方法，MTCA为改进迁移成分分析方法，SVM为支持向量机。

2.根据权利要求1所述的一种基于敏感特征迁移学习的轴承故障诊断方法，其特征在于：在步骤1中，原始特征集构建，具体步骤如下：利用DTCWPT对轴承振动信号进行分解，得到终端节点信号，再对终端节点进行单支重构，获得重构信号，基于重构信号和对应的Hilbert包络谱，计算相关统计参数，实现统计特征提取，构建原始特征集。

3.根据权利要求1所述的一种基于敏感特征迁移学习的轴承故障诊断方法，其特征在于：在步骤2中，敏感特征集的构建，具体步骤如下：步骤2.1，利用K-means聚类算法对原始特征集的各统计特征故障状态敏感度进行量化分析，得到能够表征特征类别区分度的调整兰德指数；

步骤2.2，针对每一种统计特征，分别计算该特征与原始特征集中其他特征的皮尔逊相关系数，再将各相关系数求和，得到相关系数和；

步骤2.3，采用特征聚类与特征间相关系数的敏感特征选取方法，将统计特征的类别区分度与特征间相关程度融合为一个新的特征评价指标，调整兰德指数与特征间相关系数比，对统计特征的故障状态敏感度进行量化分析，进而选取故障状态敏感度高的特征构建敏感特征集。

4.根据权利要求1所述的一种基于敏感特征迁移学习的轴承故障诊断方法，其特征在于，在步骤3中，低维特征集构建，具体步骤如下：提出了一种改进特征迁移学习方法MTCA，MTCA方法中采用以下三个条件作为优化目标构建变换矩阵W：（1）减小训练集（有标签源域）和测试集（无标签目标域）数据集间边缘分布差异，（2）减小源域和目标域间的边缘分布差异，（3）提高经迁移学习后域数据对不同类别的可分性。

5.这里将源域和目标域的敏感特征集中的每一个原始特征样本（m维）和W矩阵相乘后，可以得到映射后的k维特征向量（k<=m），映射后的低维（k维）特征向量域适应能力，更有利于故障模式识别与分类。

6.根据权利要求1所述的一种基于敏感特征迁移学习的轴承故障诊断方法，其特征在于，在步骤4中，轴承故障诊断模型OFS-FSFCC-MTCA-SVM构建，具体步骤如下：步骤4.1，构建原始特征集；采用DTCWPT对原始振动信号分析处理，得到终端节点信号，结合统计参数，计算终端节点的重构信号的时-频域统计特征，构建原始特征集；

步骤4.2，选取敏感特征集；采用特征聚类与特征间相关系数的敏感特征选取方法，将统计特征的类别区分度与特征间相关程度融合为一个新的特征评价指标，调整兰德指数与特征间相关系数比，对统计特征的故障状态敏感度进行量化分析，进而选取故障状态敏感度高的特征构建敏感特征集；

步骤4.3，构建低维特征集；将训练集与测试集的敏感特征集分别作为源域与目标域数据集，利用MTCA特征迁移学习方法，处理有标签源域敏感特征集与无标签目标域敏感特征集，输出低维特征集；

步骤4.4，将步骤4.3得到的低维特征集作为模式识别分类器的输入，训练轴承故障诊断模型，测试阶段则直接使用训练好的模型，实现对测试样本的故障诊断。