1.一种基于DS证据理论的滚动轴承故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1、导入滚动轴承整个生命周期从正常状态到发生故障、最终完全失效的振动信号；

步骤2、采用经验模态分解EMD将来源于滚动轴承上的多个同质传感器的振动信号分解为多个固有模态函数IMF分量，进一步计算各个IMF分量的样本熵并将其作为振动信号的特征向量；

步骤3、选取由IMF分量样本熵构成的特征向量输入随机森林模型进行训练和分类，将随机森林的投票结果转化为证据，以得票数占决策树总数的比例作为基本概率分配BPA，并使用三个诊断单元得到3组证据体；

所述步骤3具体按照以下步骤实施：

步骤3.1、选择步骤2中前3个IMF分量的样本熵构成特征向量，将特征向量输入训练好的随机森林分类器并获得各类故障的投票结果；

步骤3.2、假设需要分类识别的故障种类有l种，随机森林分类器的决策树总数为Nt，令θg表示第g种故障，g＝1,2,...,l，故障的识别框架表示为Θ＝(θ1,θ2,...,θg)，用vg表示采用随机森林进行分类时对故障θg的投票数，用m(θg)表示故障θg的基本概率分配BPA，由于随机森林所有的决策树都对每种故障进行投票，所以得到：其中为识别框架中的空集，如果令：

可推出：

联立式(6)和式(8)，根据BPA的定义得到m(θg)即是故障θg的BPA，其中是故障种类得票数占决策树总数的比例；

步骤3.3、把EMD和样本熵与随机森林相结合作为一个诊断单元，由每个诊断单元进行独立诊断，使用三个诊断单元对故障进行诊断，由第一个诊断单元得到故障θg的BPA为m1(θg)，由第二个诊断单元得到故障θg的BPA为m2(θg)，由第三个诊断单元得到故障θg的BPA为m3(θg)，最终把m1(θg)、m2(θg)、m3(θg)作为DS证据理论融合的3组证据体；

步骤4、进行多源证据信息融合，首先根据得到的3组证据体，计算每两组证据体之间的距离，并且由距离大小确定证据之间的相互支持度矩阵，将证据支持度矩阵中最大特征值对应的特征向量作为证据的权重向量，然后确定各证据的相对折扣因子，并修正证据信息，用DS规则融合，计算融合后的BPA，最终做出决策得到故障的分类结果。

2.根据权利要求1所述的一种基于DS证据理论的滚动轴承故障诊断方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、采用EMD将原始振动信号分解为多个IMF分量，对一个IMF分量进行点数为N的采样，采样后形成的时间序列为：X(k)＝{x(1),x(2),…,x(k),…,x(N)}，其中k＝1,2,...,N，选择以X(k)中n个连续数据点构成窗口子序列Xn(i)＝{x(i),x(i+1),...,x(i+n-1)}，得到窗口子序列Xn(i)的个数为N-n+1，即i＝1,2,...,N-n+1；

步骤2.2、定义其中2个窗口子序列Xn(i)与Xn(j)之间的距离d[Xn(i),Xn(j)]为Xn(i)与Xn(j)对应数据点最大差值的绝对值，即：d[Xn(i),Xn(j)]＝max[Xn(i+b)-Xn(j+b)]    (1)式中b＝0,1,2,…n-1；

步骤2.3、给定阈值r，计算每个窗口子序列Xn(i)与其他窗口子序列的距离，共N-n个，统计出小于阈值r的距离个数并计算其在N-n个距离总数中的占比为：式中，count{*}表示满足条件的数目统计；j＝1,2,…N-n+1且j≠i即在同等的取值范围下j和i的取值不能相同；

步骤2.4、对每个窗口子序列Xn(i)都计算出并求出平均值Bn(r)为：步骤2.5、将窗口子序列的长度由n增加到n+1，重复步骤2.4，计算序列长度为n+1时的平均值Bn+1(r)为：步骤2.6、计算出一个IMF分量的样本熵SampEn(n,r,N)为：步骤2.7、重复步骤2.1～2.6计算出其余多个IMF分量的样本熵。

3.根据权利要求2所述的一种基于DS证据理论的滚动轴承故障诊断方法，其特征在于，所述步骤4具体如下：步骤4.1、根据步骤3中得到的3组证据体m1(θg)、m2(θg)、m3(θg)，首先计算出这3组证据体两两之间的距离，计算公式如下：式中为m1(θg)和m2(θg)的内积，为m1(θg)和m3(θg)的内积，为m2(θg)和m3(θg)的内积，||m1(θg)||2＝，||m2(θg)||2＝，||m3(θg)||2＝；

步骤4.2、根据两证据距离确定证据之间的一致程度，也称之为相互支持度，为：[sup]a,b＝1-d(ma(θg),mb(θg))    (12)式中a,b＝1,2,3，这样就得到证据的3×3维相互支持度矩阵S为：式中Sa,b表示证据ma(θg)和证据mb(θg)的相似程度，由于Sa,b＝Sb,a，故S为一个对称矩阵；

步骤4.3、设第a组证据的权重系数为βa，a＝1,2,3，则λβa＝β1S1,a+β2S2,a+β3S3,a    (14)其中，λ为比例系数，令β＝(β1，β2，β3)T，则由式(14)可得：λβ＝STβ    (15)

由于S为对称阵，即ST＝S，所以λ即为S矩阵的特征值，β为其相应的特征向量；

步骤4.4、选择权重系数最大即可信度最大的证据为关键证据，其权重系数βmax为：βmax＝max(β1,β2,β3)    (16)

式中β1、β2和β3分别为第一组、第二组和第三组证据的权重系数，然后求得各证据的相对权重向量β*为：β*＝[β1,β1,β3]/βmax    (17)

由此确定第a组证据基本概率分配值得折扣因子αa为：

根据折扣因子对证据基本概率分配值进行修正，修正后第a组证据的基本概率分配值为：式中ma(θg)为第a组证据的基本概率分配值；

步骤4.5、故障类型共有l种，分别为θ1,θ2,...,θl，根据DS融合规则首先对修正后的第一组证据和修正后的第二组证据进行融合，得到第一次融合结果为：式中p,q＝1,2,...,l，为修正后第一组证据的基本概率分配值，为修正后第二组证据的基本概率分配值，接着对第一次融合结果和修正后第三组证据的基本概率分配值进行融合，得到第二次融合结果为：式中p,q＝1,2,...,l，为第一次融合后证据的基本概率分配值，为修正后第三组证据的基本概率分配值；

根据第二次融合的结果做出决策，第二次融合结果中g＝1,2,...,l，所以分别代表第1类、第2类、…、第l类故障的概率，比较每个概率的大小，将概率最大的故障类型作为最终的诊断结果。