1.基于多元时移多尺度排列熵的滚动轴承故障诊断方法，其特征在于该方法包括如下具体步骤：(1)采集待诊断物体的原始故障振动信号；

(2)提取原始故障振动信号的多元时移多尺度排列熵；

(3)采用拉普拉斯分值法对多元时移多尺度排列熵进行降维，得到降维后的故障特征样本；

(4)将降维后的故障特征样本分为多个训练样本和测试样本；

(5)采用多个训练样本对基于蝙蝠算法优化的支持向量机)的多故障特征分类器进行训练；

(6)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；

(7)根据分类结果识别物体的工作状态和故障类型以及程度。

2.根据权利要求1所述的一种基于多元时移多尺度排列熵的滚动轴承故障诊断方法，其特征在于步骤(2)中所测取原始故障信息的多元时移多尺度排列熵值的过程包括：(2-1)对获取的原始故障振动信号进行多元时移粗粒化；

(2-2)计算同一尺度因子τ下生成的τ个符号序列的概率；

(2-3)对同一尺度因子下的所有符号概率求平均，通过香农熵的定义得到原始故障振动信号的多元时移多尺度排列熵值；

(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多元时移多尺度排列熵值。

3.根据权利要求1所述的一种基于多元时移多尺度排列熵的滚动轴承故障诊断方法，其特征在于步骤(3)采用所述拉普拉斯分值法对多元时移多尺度排列熵进行特征降维的步骤包括：(3-1)根据多元时移多尺度排列熵的最大尺度因子n，构建一个含有n个样本点的近邻图Q，判断样本点i与样本点j是否连通；

(3-2)若样本点i与样本点j不连通，令Sij＝0；若样本点i与样本点j连通，则令Sij＝exp(-||xi-xj||2/c)式中，c为常数，第i个样本点对应xi，xi是特征值元素，Sij为加权矩阵S的元素；

(3-3)定义

fr＝[fr1,fr2,…,frn]T

其中，fri为第i个样本点的第r个特征值(i＝1,2,…,n)；T表示转置，D表示矩阵SI的对角矩阵，矩阵L为近邻图Q的拉普拉斯矩阵；

对各个特征值进行去均值化处理得到：

表示去均值后的特征值，IT和frT分别表示I和fr的转置；

(3-4)计算第r个特征值的拉普拉斯分值Lr：

其中，[N/τ]为第r个特征值的方差， 表示 的转置。

4.根据权利要求3所述的一种基于多元时移多尺度排列熵的滚动轴承故障诊断方法，其特征在于所述步骤(3)中拉普拉斯分值进行从小到大排序，选取分值较小的前15个多元时移多尺度排列熵值作为故障特征值。

5.根据权利要求1所述的一种基于多元时移多尺度排列熵的滚动轴承故障诊断方法，其特征在于步骤(5)中所述蝙蝠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蝙蝠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：(5-1)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；

(5-2)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。

6.根据权利要求2所述的一种基于多元时移多尺度排列熵滚动轴承故障诊断方法，其特征在于：步骤(2-1)中所述多元时移粗粒化过程包括:(6-1)对于给定的尺度因子τ和时间序列

经过多元时移的处理，能够得到新的时间序列：

其中，τ是尺度因子，M是振动信号的通道数，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时间。 是个四舍五入的整数，表示上边界个数；

(6-2)计算每个多元时移粗粒化序列 的排列熵值，同一尺度因子下熵值求平均得到多元时移多尺度排列熵：其中，m为嵌入维度，t代表延迟时间。

7.根据权利要求2所述的一种基于多元时移多尺度排列熵的滚动轴承故障诊断方法，其特征在于所述步骤(2-2)及步骤(2-3)具体步骤如下：(7-1)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，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；

(7-2)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

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；

(7-3)计算每一种符号序列出现的概率 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！)。

8.根据权利要求1所述的一种基于多元时移多尺度排列熵滚动轴承故障诊断方法，其特征在于所述蝙蝠算法优化支持向量机的构建包括以下步骤：(8-1)设置蝙蝠种群，种群大小为sol、维度为D、脉冲速度为R，脉冲频率为F，最大迭代次数为N；

(8-2)蝙蝠个体初始化，利用基本公式产生蝙蝠个体，构成初始蝙蝠种群；

(8-3)计算每个蝙蝠的适应度值并确定最优蝙蝠的位置。将所有蝙蝠个体作为支持向量机的参数在训练集上训练，并在测试集上测试，得到的数值作为对应蝙蝠的适应度值并且输出，根据返回的适应度值的大小，找到最优的蝙蝠个体；

(8-4)生成新蝙蝠个体，根据传统蝙蝠算法基本公式分别更新脉冲频率与飞行速度，生成新的蝙蝠个体；

(8-5)更新蝙蝠个体，产生一个随机数，如果随机数大于当前脉冲速度，则对当前群体中最优蝙蝠个体的邻域进行随机扰动，获得一个新的蝙蝠个体，而后用新蝙蝠个体替换当前蝙蝠个体，当前蝙蝠的平面位置坐标定义为(Cbest,gbest)，输出最终的分类模型；

(8-6)将测试样本输入到最优的蝙蝠算法优化支持向量机的模型，输出物体故障类型和程度。