1.一种基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：包括以下步骤：步骤1：收集轴承在正常情况和不同缺陷情况下的监测数据，并进行数据预处理，将处理后的数据进行特征提取和归一化处理，并把预处理后的每一类特征按照一定的比例随机分为训练样本和测试样本；

步骤2：建立一个网络层数为4的堆叠去噪自编码网络SDAE，用于对训练数据和测试数据进行特征提取，并训练初始堆叠去噪自编码网络SDAE；

步骤3：建立改进GWO‑SVM分类器模型，并将经过初始堆叠去噪自编码网络SDAE提取的最深层数据特征作为GWO‑SVM分类器输入训练该分类器；

步骤4：利用反向传播BP算法对堆叠去噪自编码网络SDAE参数进行微调，应用梯度下降算法进行权值的更新，并重新训练改进GWO‑SVM分类器，直到满足分类准确率；

步骤5：根据以上步骤得到基于SDAE和改进GWO‑SVM分类器的数据提取和缺陷识别整体模型，利用该模型实现对轴承的深层特征提取和缺陷识别；

所述步骤3中改进GWO‑SVM分类器模型利用改进后的灰狼算法GWO对SVM惩罚因子C和核函数参数进行寻优，具体步骤如下：步骤1：初始化改进GWO的参数，如种群规模N、最大迭代次数、距离控制参数的初始值和终止值；初始化a、A、C；对种群进行初始化，得到N个初始灰狼位置，其中；

步骤2：计算种群每个个体适应度值，并对其排序，分别记录适应度最优的三个个体为，对应位置分别为；

步骤3：更新种群中其他灰狼个体的位置；

步骤4：更新收敛因子和参数A、C的值；

步骤5：计算个体适应度，并对灰狼种群进行降序排序，对排列在后10％的灰狼个体进行差分变异，计算变异后个体的适应度，比较变异前后的个体适应度，如果，将变异后的灰狼个体代替变异前的个体，如果，保留变异前个体；

步骤6：判断是否达到最大迭代次数，若没有达到，则t＝t+1，并返回步骤2,若达到，则停止迭代，返回最优个体；

步骤7：根据最优的灰狼位置得到最优惩罚因子C和最优核函数参数，利用改进改进GWO‑SVM分类器进行缺陷识别；

所述步骤4中微调具体步骤如下：

步骤一：将训练样本输入预训练完成的初始堆叠去噪自编码网络SDAE中，提取顶层特征，作为支撑改进GWO‑SVM分类器的训练样本，得到SVM最优惩罚因子C和最优核函数参数；

步骤二：利用反向传播BP算法对网络参数进行微调，应用梯度下降算法进行权值的更新；

步骤三：将训练样本输入微调完成的堆叠去噪自编码网络SDAE中，提取顶层特征，重新训练改进GWO‑SVM分类器，得到SVM分类器的最优惩罚因子C和最优核函数参数；

步骤四：将顶层特征输入训练完成的最优SVM分类器，判断是否满足终止条件，若满足，微调完成，停止迭代，SDAE网络和改进GWO‑SVM分类器训练完成，若不满足，跳转到步骤二。

2.根据权利要求1所述的基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：所述步骤1中的数据进行特征提取，包括13个时域特征，4个频域特征和5个采用经验模态分解提取的时频域特征；其中，时域特征包括歪度、均值、方差、峰值、最小值、峰峰值、均方值7个有量纲时域特征，峭度、峰值因子、脉冲因子、波形因子、裕度因子、歪度因子6个无量纲的时域特征；频域特征包括均方频率、重心频率、频率方差、标准频率方差；时频域特征包括前

4个IMF能量指标和总能量指标。

3.根据权利要求1所述的基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：所述步骤2中4层堆叠去噪自编码网络SDAE自下而上的结构为[44‑22‑11‑5]:输入层的样本维数为22维，第一隐藏层神经元的个数为44，第二隐藏层神经元个数为22，第三隐藏层神经元个数为11，第四隐藏层神经元个数为5，输出层的样本维数为5；堆叠去噪自编码网络SDAE的训练过程采用逐层堆叠学习，每个去噪自编码器DAE无监督训练完成后，隐含层的输出作为下一个去噪自编码器DAE的输入，即第一个去噪自编码器DAE1训练完成；将隐藏层的数据特征1作为第二个去噪自编码器DAE2的输入，对DAE2进行无监督训练，得到数据特征2；将数据特征2作为第三个去噪自编码器DAE3的输入，对DAE3进行无监督训练，得到数据特征3；将数据特征3作为第三个去噪自编码器DAE4的输入，对DAE4进行无监督训练，得到数据特征4；

特征数据4将作为GWO‑SVM分类器输入。

4.根据权利要求1所述的基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：在堆叠去噪自编码网络SDAE中，在SDAE最后一个特征表示层后添加改进GWO‑SVM分类器，训练完成的整个网络能够同时实现数据的特征提取和缺陷识别任务。

5.根据权利要求1所述的基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：所述步骤1中种群初始化公式为：

其中 且x∈[0,1]。

6.根据权利要求1所述的基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：所述步骤3中种群位置更新满足：

其中A和C是系数向量，Xi(t)是当前个体位置，Xi(t+1)是迭代更新后个体位置。

7.根据权利要求1所述的基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：所述步骤4中a更新满足：

t为当前迭代次数，随机变量λ＝0.01；

系数向量A，C更新满足：

A＝2a·r1‑a

C＝2·r2

其中r1和r2为[0,1]内的随机数。

8.根据权利要求1所述的基于SDAE和改进GWO‑SVM的轴承缺陷识别方法，其特征在于：所述步骤5中差分变异公式为：X'(t)＝r[Xα‑X(t)]‑r[Xs(t)‑X(t)]，Xs(t)其中为种群中随机选取的某一灰狼个体，r为[0,1]的随机数。