1.一种基于SPA‑图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于包括以下步骤：

S1 对滚动轴承故障振动信号进行采样处理，得到若干信号样本，每个信号样本应包含2

m 个信号采样点数，m为彩色图谱边长；

S2 将获取的每个滚动轴承信号样本采用SPA方法分解为趋势项和去趋势项；

S3 对于每个信号样本，基于信号样本原始项及相应的趋势项和去趋势项构建彩色图三通道矩阵，得到相应的彩色图谱；本步骤包括以下分步骤：S31 原始信号处理，首先将信号样本原始信号转化为原始项基础矩阵，然后对原始项基础矩阵进行归一化处理得到原始项归一化矩阵；

具体为：将信号样本原始信号按照公式（12）转化为原始项基础矩阵Original basis matrix，OBM：

          （12）；

OBM(j,k)表示信号样本原始项的基础矩阵第j行第k列的矩阵元素； j=1,2，…，m；k=1,

2，…，m；L表示原始信号；

然后按照公式（13），由单个样本的最大值和最小值得到原始项归一化矩阵Original normalized matrix，ONM：    （13）；

ONM(j,k)表示信号样本原始项的归一化矩阵第j行第k列的矩阵元素；Maxj,k（OBM(j,k)）表示当前单个信号样本原始项基础矩阵中最大值；Minj,（k OBM(j,k)）表示当前单个信号样本原始项基础矩阵中最小值；

S32 趋势项信号处理，首先将趋势项信号转化为趋势项基础矩阵，然后对趋势项基础矩阵进行归一化处理得到趋势项归一化矩阵；

具体为：将步骤S2得到的趋势项信号按照以下公式转化为趋势项基础矩阵Trend basis matrix，TBM：        （14）；

TBM(j,k)表示信号样本趋势项的基础矩阵第j行第k列的矩阵元素；j=1,2，…，m；k=1,

2，…，m；

然后按照公式（15），由单个样本的最大值和最小值得到趋势项归一化矩阵Trend normalized matrix，TNM：       （15）；

TNMi(j,k)表示信号样本趋势项的归一化矩阵第j行第k列的矩阵元素；Maxj,k（TBM(j,k)）表示当前单个信号样本趋势项基础矩阵中最大值；Minj,（k TBM(j,k)）表示当前单个信号样本趋势项基础矩阵中最小值；

S33 去趋势项信号处理，首先将去趋势项信号转化为去趋势项基础矩阵，然后对去趋势项基础矩阵进行归一化处理得到去趋势项归一化矩阵；

将步骤S2得到的去趋势项信号按照以下公式转化为去趋势项基础矩阵Detrend basis matrix，DBM：

        （16）；

DBM(j,k)表示去信号样本趋势项的基础矩阵第j行第k列的矩阵元素； j=1,2，…，m；k=

1,2，…，m；

然后按照公式（17），由单个样本的最大值和最小值得到去趋势项归一化矩阵Dtrend normalized matrix，DNM：  （17）；

DNM(j,k)表示去信号样本趋势项的归一化矩阵第j行第k列的矩阵元素；Maxj,k（DBM(j,k)）表示当前单个信号样本去趋势项基础矩阵中最大值，Minj,（k DBM(j,k)）表示当前单个信号样本去趋势项基础矩阵中最小值；

S34 构建彩色图谱中三通道矩阵，将原始项归一化矩阵、趋势项归一化矩阵和去趋势项归一化矩阵转换成彩色图三通道值，得到相应的彩色图谱；

S4 将得到的彩色图谱输入到训练好的ResNet网络模型中，确定滚动轴承故障类别。

2.根据权利要求1所述基于SPA‑图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于对采集的滚动轴承故障振动信号采用连续采样方式或者重叠采样方式进行采样处理。

3.根据权利要求1所述基于SPA‑图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于步骤S2中，每个信号样本按照如下方法进行分解：对于滚动轴承故障振动信号样本L，采用SPA方法分解为趋势项T和去趋势项D，即；

；

；

；

式中，H为单位矩阵，Dd表示任意阶趋势的离散形式表达的矩阵，λ表示设定的正则化参数。

4.根据权利要求3所述基于SPA‑图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于所述Dd取二阶微分矩阵，即d=2，并将D2设置为正则化矩阵，其形式为：。

5.根据权利要求1所述基于SPA‑图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于步骤S34中，所要构建的彩色图谱为RGB彩色图谱。

6.根据权利要求5所述基于SPA‑图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于将原始项归一化矩阵、趋势项归一化矩阵和去趋势项归一化矩阵分别乘以255得到作为彩色图中三通道的矩阵。

7.根据权利要求1所述基于SPA‑图谱与ResNet相结合的滚动轴承故障识别方法，其特征在于步骤S4中，所述ResNet网络模型采用的是ResNet50网络模型。