1.一种基于振动信号的滚动轴承故障诊断方法，其特征在于，包括如下步骤：首先，对采集到的滚动轴承振动信号进行去噪处理；

步骤S101，采集或输入含有噪音的振动信号；

步骤S102，采用CEEMDAN算法对振动信号进行分解，分解得到多个IMF分量；

步骤S103，对得到的本征模态函数进行去趋势波动分析；

步骤S104，计算各IMF分量的标度函数值，判别IMF分量是否为噪音主导分量；是噪音主导的分量选取出噪声主导的IMF分量，跳转步骤S105，否则跳转步骤S107；

步骤S105，对其运用改进的小波阈值函数进行去噪处理；

步骤S106，得到去噪后的全部IMF分量；

步骤S107，得到有用信号主导的IMF分量；

其次，对滚动轴承振动信号进行故障特征提取以及故障类型识别；

步骤S108，将去噪之后的振动信号进行重构再次进行CEEMDAN算法分解；

步骤S109，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值大的IMF分量进行信号重构；

步骤S110，使用灰狼算法对MPE的参数进行优化；

步骤S111，利用灰狼‑MPE对重构信号进行排列熵计算，构建特征向量；

步骤S112，将特征量输入到SVM中进行分类和识别。

2.根据权利要求1所述基于振动信号的滚动轴承故障诊断方法，其特征在于：CEEMDAN算法计算过程如下：

(1)通过EMD算法对信号进行分解，产生的第j个IMF分量用算子Ej(·)来进行定义，并且iCEEMDAN算法分解出来的第j个IMF分量定义为IMFj′,n (t)代表着高斯白噪声；CEEMDAN算法i对待处理的原信号和白噪声组合形成的含噪信号x(t)+ε0·n(t)进行I次EMD分解试验，得：(2)当在第一阶段，j＝1时求取第一个残余序列：r1(t)＝x(t)‑IMF1 (t)    (2)i

(3)对于r1(t)+ε1E1(n (t))，i＝1,2,…，使用EMD算法进行多次处理，一直处理到产生第一个IMF分量为止，然后在紧跟着计算第二个IMF分量：(4)对其他剩下的阶段，j＝2,3,…J,进行上述第(3)步，将第j+1个IMF分量表示为：rj(t)＝rj‑1‑IMFj(t)    (4)(5)对于j进行加1处理，并且反复进行第(4)步，一直求到的残余序列不能在进行处理为止，当CEEMDAN算法停止时，求得的IMF分量的数目为J个，将最后计算所得的残余序列表示为如下：(6)经CEEMDAN算法处理完之后的原始信号x(t)用IMF分量和残余分量表示为：针对传统CEEMDAN去噪中噪声和信息主导的IMF分量的临界点较难判定的问题，将去趋势波动分析引入到IMF分量临界点的判定上来；

去趋势波动分析是一种衡量非平稳序列长程相关性的方法，通过消除时间序列的局部趋势来避免非平稳性造成的虚假相关性，其具体步骤如下：(1)首先是对已知的时间序列x(i)进行处理，计算公式如(8)所示，再对计算所得的时间序列y(k)进行分段处理，分解为长度是n的Nn个分段；

其中，定义为x(i)在时间段[1,N]中的平均值；

(2)进行公式(10)的计算获得每个序列分段的自有趋势ys(i)，对每个序列分段当中的极值点使用最小二乘法进行非线性融合；

(3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波动系数求出来，计算公式分别为(11)与(12)；

(4)更改步骤(1)中求取出来的分段长度n，并且重复步骤2、3的计算，这样就得到在分段长度n发生变化时的时间序列波动函数变化量，进一步按照变化量绘制变化曲线图，其中曲线的斜率α就是所需要的标度函数；

根据求取出来的标度函数值α进行判断IMF分量中的噪声和有用信息分量，对噪声主导的IMF分量进行改进小波阈值去噪；步骤如下：根据选取出来的IMF分量进行重构x(t)，对x(t)进行一维离散小波变换：其中，ψ(t)为离散小波尺度函数；式(15)对应的小波系数表达式为：dj,k＝uj,k+ej,k

其中，dj,k为重构信号x(t)经过小波变换多尺度分解后的各层小波细节系数，uj,k与ej,k分别为有用信号和噪声信号经过小波变换多尺度分解后的细节系数；

在这里运用改进的小波阈值函数对小波细节系数dj,k进行处理，得到处理后的各层小波细节系数dj,k’；

其中，dj,k是小波系数，λ是设置的阈值，sign(·)是符号函数；

其中δ代表的是噪声强度，i代表的是分解层数；

最后将得到的小波细节系数dj,k’对x(t)进行重构，得到去噪后的信号x’(t)。

3.根据权利要求1所述基于振动信号的滚动轴承故障诊断方法，其特征在于：故障特征提取与故障识别步骤如下：对上述去噪后的信号x’(t)再次使用CEEMDAN分解，按照下式(18)和(19)选取含有故障信息较多的IMF分量进行重构,得到重构信号f(t)；

其中，如果滚动轴承正常运转，那么测试所得振动信号趋于正态分布，K值为3；如果滚动轴承出现故障，那么测试所得振动信号某时段的K值大于3；峭度值越大，测试所得振动信号中包含的故障冲击成分越明显；

对重构后的信号f(t)进行包络谱分析；

(1)对做Hilbert包络谱变换,定义为y(t):式中：t为时间，τ为某一时刻；

(2)构造解析函数z(t)为：

iφ(t)

z(t)＝f(t)+iy(t)＝a(t)e       (20)式中：i为虚数单位；

(3)变换之后的幅值函数a(t)为：

瞬时相位φ(t)为：

为实现滚动轴承故障类型自动识别，在构建故障特征集输入到支持向量机中进行识别；

首先对f(t)进行空间重组，计算出矩阵(23)；

其中，矩阵中j＝1,2,…,T；λ代表延迟时间；m代表嵌入维数；

H＝n‑(m‑1)λ，在矩阵上具有T行，就获得T个重构量；将f(t)重新构造的矩阵分量按照递增的顺序进行排序，jm在这里被规定为元素的索引，如下式(24)所示；

f[i+(j1‑1)λ]≤f[i+(j2‑1)λ]≤…≤f[i+(jm‑1)λ]    (24)如果得到的重构分量中存在着和数值一样的情况，则按照j1,j2的值进行排列；即(25)和(26)所示；

f[i+(j1‑1)λ]＝f[i+(j2‑1)λ]    (25)f[i+(j1‑1)λ]≤f[i+(j2‑1)λ]    (26)这时就对随意的一个时间序列x(i)进行重构，就得到重构矩阵的每一行系数，如公式(27)所示；

S(l)＝(j1,j2,…,jm)    (27)上述公式l＝1,2,…,t,并且t≤m！,在这里把每一行的序列S(l)发生的概率表示为p1,p2,…,pt，并按照熵原理，把T种时间序列x(i)表示为下式(28)；

多尺度排列熵的理论基础是建立在多尺度分析和排列熵上的；其核心就是对最初的时间序列进行粗粒化计算，进而实现多尺度时间序列的创建；多尺度排列熵的详细计算过程如下：(1)对最初的时间序列x(i)进行粗粒化计算，得到粗粒度序列 计算公式如(29)所示；

(2)对上述求得的序列 进一步处理，按照公式(30)求出所需的多尺度排列熵；

经过计算发现，求取出来的MPE熵值受初始参数而导致无法区分MPE熵值，引入灰狼算法对MPE的参数进行优化处理。

4.根据权利要求3所述基于振动信号的滚动轴承故障诊断方法，其特征在于：灰狼算法如下：

在狩猎过程中，将灰狼围捕猎物的行为定义为：式(32)表示个体与猎物的距离，t是目前迭代代数， 和 分别是猎物的位置向量和灰狼的位置向量，是系数向量，其计算公式为：灰狼的位置更新公式为：

式(34)中 是系数向量，其计算公式为：式(35)中，是收敛因子，随着迭代次数从2线性减小到0， 和 的取模[0,1]之间的随机数；

灰狼个体跟踪猎物位置的数学模型描述如下：式(35)中， 分别表示α、β、δ与其它个体间的距离； 分别表示α、β、δ的当前位置；

是随机向量， 是当前灰狼的位置；

狼群中ω个体朝向α、β、δ前进的步长和方向，定义为：ω个体的最终位置为：

灰狼算法优化流程为：

(1)初始化灰狼种群，以及狼群领导者和各项系数；

(2)计算灰狼个体的适应度，保存适应度最好的前3匹狼；

(3)更新当前灰狼的位置，更新领导者和各项系数；

(4)计算全部灰狼的适应度，更新前3匹狼的适应度和位置；

(5)判断是否达到最大迭代代数，如果是则结束，如果否，则重复第(3)至第(5)步骤。