1.一种基于分割熵的油液磨粒特征信号提取方法，其特征在于，包括以下步骤：S1.利用感应式磨粒检测传感器构建的润滑油磨粒监测系统对包含有铁磁性磨损颗粒的润滑油液进行实时数据采集，获得待处理原始信号；

S2.对待处理原始信号进行低通滤波和谐波干扰抑制，得到预处理信号；

S3.以固定长度的滑动窗口和窗移将预处理信号划分为多个时域序列段，计算各时域序列段对应的分割熵，对分割熵集合进行归一化处理，得到归一化分割熵；

S4.求取归一化分割熵的经验累积分布，基于经验累积分布进行曲线拟合得到自适应阈值，通过自适应阈值对预处理信号进行分割得到若干非零离散时域信号片段；

S5.计算每一非零离散时域信号片段的目标信号特征识别指标，并设定指标阈值，当该非零离散时域信号片段的目标信号特征识别指标小于指标阈值时，将其作为残余噪声干扰排除；反之，予以保留，得到最终的油液磨粒特征信号提取结果。

2.根据权利要求1所述的一种基于分割熵的油液磨粒特征信号提取方法，其特征在于，步骤S2中采用低通滤波器对待处理原始信号进行低通滤波，该低通滤波器的截止频率fc满足条件：fc≥2.5fd；其中，fd为磨粒感应电压信号的中心频率。

3.根据权利要求1所述的一种基于分割熵的油液磨粒特征信号提取方法，其特征在于，步骤S2通过构建幅值相反，而频率和相位相同的谐波分量与经过低通滤波后的待处理原始信号进行叠加来实现谐波干扰抑制，其中频率通过迭代插值离散傅里叶变换算法获取，幅值和相位利用频域补偿方法求取。

4.根据权利要求1所述的一种基于分割熵的油液磨粒特征信号提取方法，其特征在于，步骤S3的具体过程包括：S31.采用固定窗长为N的滑动窗口和窗移Nm对预处理信号进行划分，得到J‑1个时域序列段；

S32.计算每个时域序列段的分割熵，计算公式为：

ζj＝N×ln SN

其中，ζj表示第j个时域序列段的分割熵，SN表示第j个时域序列段的样本方差；

S33.将所有时域序列段所对应的分割熵进行归一化得到归一化分割熵，计算公式为：式中，表示分割熵集合ζ＝{ζ1,…,ζj,…,ζJ‑1}去中心化，||·||∞表示无穷范数；归一化分割熵 中的元素取值位于范围[‑1,1]之间。

5.根据权利要求1所述的一种基于分割熵的油液磨粒特征信号提取方法，其特征在于，步骤S4计算自适应阈值和分割预处理信号的过程具体包括：S41.通过固定步长μ划分区间[‑1,1]，确定出归一化分割熵的随机变量集合X＝[‑1,‑1+μ,...,1]；逐一统计归一化分割熵中小于随机变量xm(m＝1,2,..,2/μ)的样本点数集合R(X)＝[R‑1,R‑1+μ,...,R1]；利用归一化公式确定归一化分割熵的经验累积分布S42.利用与经验累积分布 变化趋势相似的Sigmoid函数进行曲线拟合，Sigmoid函数的表达式为：式中，c∈R+是一个自适应调整参数；

3/2

S43.通过公式ρ(t)＝|S″(t)|/[(1+S′(t))] 计算Sigmoid函数的曲率；其中S′(t)和S″(t)分别表示S(t)的一阶、二阶导数；将随机变量X作为自变量输入得到曲率ρ(X)；建立以随机变量X为横坐标、曲率ρ(X)为纵坐标的映射关系，将靠近1的曲率最大值对应的横坐标随机变量xρmax作为自适应阈值；

S44.将归一化分割熵中低于自适应阈值xρmax的变量所对应的预处理信号片段置零，高于自适应阈值的变量所对应的预处理信号片段进行保留，得到H个非零离散时域信号片段。

6.根据权利要求1所述的一种基于分割熵的油液磨粒特征信号提取方法，其特征在于，所述步骤S5中，对于某个长度为L的非零离散时域信号片段Δ＝{Δ0,Δ1,...,ΔL‑1}，目标信号特征识别指标包括：A、时域顺序指标

其中，Ω＝Lm‑Ln；Lm和Ln分别表示非零离散时域片段中最大和最小值对应的横坐标位置；δ＝1表示非零离散时域信号片段符合磨粒感应电压信号的形态特征；δ＝0，则可以直接将其作为非磨粒感应电压信号排除；

B、边缘特征指标

其中，Q(·)表示关于ε的函数，定义为

式中， 表示非零离散时域信号片段具有磨粒感应电压信号边缘特征的可能性较大；

则将其归类为非磨粒感应电压信号；

C、无偏性指标

其中，Δi表示该非零离散时域信号片段Δ中的第i个元素，γ取值范围为[0,1]，γ的值越低，表示非零离散时域信号片段的偏置度越高，其是非磨粒信号的概率也就越大。