1.一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：包括步骤：步骤1-1：采集待诊断物体的原始故障振动信号；

步骤1-2：提取原始故障振动信号的精细时移多尺度排列熵值；

步骤1-3：将故障特征样本分为多个训练样本和测试样本；

步骤1-4：采用多个训练样本对基于萤火虫算法优化的支持向量机的多故障特征分类器进行训练；

步骤1-5：采用已训练完成的多故障特征分类器对测试样本进行分类；

步骤1-6：根据分类结果识别物体的工作状态和故障类型。

2.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-2中所测取原始故障信息的精细时移多尺度排列熵值的过程包括：步骤2-1：对获取的原始故障振动信号进行时移粗粒化；

步骤2-2：计算同一尺度因子τ下生成的τ个符号序列的概率；

步骤2-3：对同一尺度下的所有符号概率求平均，通过信息熵的定义得到原始故障振动信号的精细时移多尺度排列熵值；

步骤2-4:对所有的尺度因子重复步骤2-2到2-3的操作，得到振动信号在所有尺度因子下的精细时移多尺度排列熵值。

3.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-5中所述萤火虫算法优化的支持向量机用于对故障特征样本中各样本的工作状态和故障类型进行分类，并分别根据已经训练完成的多故障特征分类器中的每单一萤火虫算法优化的支持向量机的输出O(y)是否是+1进行判断；具体判断步骤包括：步骤3-1：若输出是O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本集的分类；

步骤3-2：若输出是O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时，输出测试样本的分类。

4.根据权利要求2所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤2-1中所述时移粗粒化过程包括:步骤4-1：对于给定的尺度因子τ和时间序列X＝{x1,x2,...xN}，经过时移的处理，可以得到新的时间序列：其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔点数，i表示时间序列y的第i个点；Δ(k，β)＝(N-β)/k，是四舍五入的整数并表示上边界个数；

步骤4-2：尺度因子为τ，对得到的yk,β中的每个序列依次进行粗粒化，其表达式为如下：其中，j表示时间序列Z的第j个点。

5.根据权利要求2所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤2-2中所述时移粗粒化序列的排列熵值计算过程包括：步骤5-1：假设对于给定原始时间数据长度为N的时移粗粒化序列Z：Z1,Z2,...ZN，对其进行相空间重构，得到嵌入维度矩阵，其矩阵表达式包括：其中，m为嵌入维度，t代表延迟时间，K＝N-m+1，K代表矩阵的行数，且每一行定为一模式向量Z(r)，故K也代表模式向量的个数；

步骤5-2：将每一个模式向量Z(r)的m个数据按照升序重新排列，即z(r)＝{z(i+(j1-1)t)≤z(i+(j2-1)t)≤…≤z(i+(jm-1)t)}如果存在z(i+(j1-1)t)＝z(i+(j2-1)t)，按j值的大小来进行排序，即当jk1＜jk2，有z(i+(j1-1)t)≤z(i+(j2-1)t),所以任何一个模式向量Z(r)都可以得到一组符号序列：S(g)＝{j1,j2,…,jm}其中，g＝1,2,…,k,K≤m！，m个不同的符号{j1,j2,…,jm}共有m！种不同的排列，对应地，共有m！种不同的符号排列，s(g)是m！种符号序列中一种；

步骤5-3：计算每一种符号序列出现的概率P(g＝1,2,…,k), 此时，时间序列Z的排列熵按照香农熵的形式定义为：当Pg＝1/m！时，Hp(m)达到最大值ln(m！)，因此，通过ln(m！)将排列熵Hp(m)进行标准化处理，即Hp＝Hp(m)/ln(m！)。

6.根据权利要求3所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：所述萤火虫算法优化支持向量机步骤包括：步骤6-1：初始化萤火虫基本参数；

步骤6-2：初始化支持向量机的参数，将萤火虫的初始位置坐标分别赋值给惩罚因子C和核函数参数g；

步骤6-3：利用支持向量机的初始化参数对群体中所有萤火虫进行分类训练，并初始化每个萤火虫的适应度值；

步骤6-4：更新萤火虫个体的荧光素值，每个萤火虫个体在其动态及决策半径内选择亮度比自己高的个体，组成领域集；

步骤6-5：计算萤火虫i移向邻域集内萤火虫j的概率，朝概率值最大的方向更新位置，若更新后值超过各个参数的取值范围则方向取反；

步骤6-6：更新动态决策半径，若满足停止条件，则停止搜索，返回最优的萤火虫位置，将最优位置的坐标分别赋值给惩罚因子C和核函数参数g，输出最终的分类模型；否则，返回步骤6-4继续执行；

步骤6-7：将测试样本输入到最优的萤火虫算法优化支持向量机的模型，输出物体故障类型和程度。