1.一种船舶动力设备故障识别方法，其特征在于：具体方法如下：

S1：监测数据样本收集及分类：收集船舶动力设备在正常情况和不同缺陷情况下的监测数据，将数据进行归一化处理，并把处理后的数据按照一定的比例随机分为训练集数据和测试集数据；

S2：分类器建立及训练：建立GWO‑AFSA‑SVM分类器，将S1中的测试集数据输入该分类器，通过故障识别结果和实际故障类型的比较，验证船舶动力设备故障识别模型的可行性；

S3：模型的应用：根据S1至S2得到的GWO‑AFSA‑SVM的船舶动力设备故障识别整体模型，利用该模型实现对船舶动力设备的故障识别；

所述S2中GWO‑AFSA‑SVM分类器利用灰狼算法对传统的人工鱼群算法进行改进，并通过改进后的算法对SVM惩罚因子C和核函数参数g进行寻优，具体步骤如下：步骤1：初始化如鱼群的种群数量、最大迭代次数、最多试探次数、人工鱼感知距离以及拥挤度因子；初始化灰狼算法相关参数a、A、C；对种群进行初始化，得到N个初始人工鱼个体位置X＝[X1,X2,…,XN]，其中Xi＝(Ci,gi)；

步骤2：人工鱼个体在空间中进行自由地觅食行为、追尾行为和聚群行为，完成对人工鱼个体的位置更新；

步骤3：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α,β,δ及其所处的位置；

步骤4：未能找到满足移动要求的个体在最优个体的基础上进行随机行为；

步骤5：更新收敛因子a和参数A、C的值；

步骤6：计算个体适应度f(Xi(t))，并对人工鱼群进行降序排序，对排列在后10％的人工鱼个体进行差分变异，计算变异后个体的适应度f(Xi'(t))，比较变异前后的个体适应度，如果f(Xi'(t))≥f(Xi(t))，将变异后的人工鱼个体代替变异前的个体，如果f(Xi'(t))＜f(Xi(t))，保留变异前个体；

步骤7：判断是否达到最大迭代次数MAXGEN，若没有达到MAXGEN，则MAXGEN＝MAXGEN+1，并返回步骤2；若达到，则停止迭代，返回最优个体；

步骤8：根据最优的人工鱼位置得到最优惩罚因子C和最优核函数参数g，利用改进GWO‑AFSA‑SVM分类器进行故障识别；

在所述步骤1中种群初始化公式为：

其中，为[0,1]之间的随机数；

所述步骤4中，以最优个体的基础上进行的随机行为满足：

其中，Dα、Dβ和Dδ表示该人工鱼与α、β和δ个体之间的距离；Xα、Xβ和Xδ分别表示当前鱼群中α、β和δ所处的位置；X表示未能找到满足移动要求的个体人工鱼的位置；C为摇摆因子，其计算方法为：C＝2·r1，r1为[0,1]之间的随机数；

其中，Ai,i＝1,2,3表示收敛因子，其具体表达式为：A＝2a·r2‑a，r2为[0,1]之间的随机数；Xj表示以最优个体为基础进行随机行为后人工鱼的位置；

所述步骤6中差分变异公式为：

X'(t)＝X(t)+r·{Xbest(t)‑Xworst(t)}其中Xbest(t)表示人工鱼群中最优个体所处的位置；Xworst(t)表示人工鱼群中最差个体所处的位置，r为[0,1]的随机数。