1.一种基于小波神经网络的网络故障诊断方法，其特征在于，包括步骤如下：S1，获取故障状态和正常状态下的网络数据；

S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；

S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；

改进的灰狼优化算法实现过程如下：S31，根据选择的神经网络模型，确定需要优化的参数数量Q满足条件如下：Q＝Nin·Nhid+Nhid·Nout+2Nhid+2Nout其中，Nin是神经网络输入层的神经元个数，Nhid是神经网络隐含层的神经元个数，Nout是神经网络输出层的神经元个数；

S32，确定适应度计算函数：

其中，P为输入样本个数，obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络的计算值；

S33，依据每个灰狼个体的适应度值来确定狼群等级α、β、δ和ω，将狼群中根据适应度值由小到大进行排序，第一个最小的灰狼个体作为头狼α，第二个体作为头狼β，第三个体作为头狼δ，其余的均为普通狼ω；对于每个灰狼个体，根据α、β、δ狼的位置更新自己的位置，并将新位置的适应度值与α、β、δ的位置适应度值比较，若新位置的适应度值更小，则保留新位置及其适应度值；不断迭代更新个体，达到迭代次数后，停止更新，此时，头狼α的位置，作为优化的小波神经网络权值、尺度因子、位移因子；实现过程如下：S331，灰狼个体将α、β、δ狼的位置假想为猎物的位置，并分别根据α、β、δ狼的位置更新自己的位置，该更新过程的表达式如下：Dα＝|C1Xα(m′)‑X(m′)|Dβ＝|C2Xβ(m′)‑X(m′)|Dδ＝|C3Xδ(m′)‑X(m′)|X1＝Xα(m′)‑A1Dα

X2＝Xβ(m′)‑A2Dβ

X3＝Xδ(m′)‑A3Dδ

其中，Xα(m′)、Xβ(m′)、Xδ(m′)分别为第m′次迭代后α、β、δ狼的位置，X(m′)是第m′代灰狼的位置，Dα、Dβ、Dδ是α、β、δ狼与灰狼之间的距离，X1、X2、X3为灰狼ω分别根据头狼α、β、δ的位置更新的位置；C1、C2、C3、A1、A2、A3为协同系数，协同系数C和A的计算公式分别为：C＝2·r1

A＝2s·r2‑s

其中，r1和r2为区间[0，1]的随机数，s是随迭代次数增加从2非线性递减到0的常数，m′max为优化算法的最大迭代次数；

S332，灰狼个体根据α、β、δ来更新自己的位置，并再次定位猎物的位置；具体表达式如下：

其中，Xα、Xβ、Xδ分别为α狼、β狼、δ狼的位置，W1、W2、W3分别为ω狼对α狼、β狼、δ狼的更新权重；

灰狼位置更新公式为：

X(m′+1)＝W1*X1+W2*X2+W3*X3其中，X(m′+1)为第m′代灰狼的更新位置；

S4，输入实时网络状态数据，判断网络是否出现故障；

S5，输出网络故障诊断结果及具体故障类别。

2.根据权利要求1所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，小波神经网络模型的建立过程如下：设定有P个输入样本，N个输入层神经元数，M个输出层神经元数，则第p个样本输入为第k个隐含层的输出为 其中，h()为morlet小波函数，Wkn为第n个输入层和第k个隐藏层之间的连接权重，αk为小波的尺度因子，bk为小波的位移因子；

输出层的输出表达式为：

其中，Vmk为第m个输出层和第k个隐藏层之间的连接权重，p、n、m为整数，p∈[1，P]，n∈[1，N]，m∈[1，M]；

小波神经网络输出的标准误差函数为：其中， 为第p个样本输出， 为第p个样本期望输出。

3.根据权利要求1所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，增加了动量因子ma后的权值修正公式为：其中，η为网络训练的学习率，Vmk(t)、Wkn(t)、αk(t)、bk(t)分别代表第t次迭代时神经网络的Vmk、Wkn、αk、bk。

4.一种基于小波神经网络的网络故障诊断设备，其特征在于，主要包括数据获取模块、数据预处理模块、参数优化模块、训练模块和故障诊断模块，完成权利要求1‑3中任一项所述网络故障诊断模型的训练及故障诊断；

所述数据预处理模块用于原始网络故障数据的数值化、压缩和过滤，统一数据类型，去除故障数据中存在的大量冗余信息；所述参数优化模块用于优化相关诊断模型的参数；所述训练模块用于神经网络训练，形成历史故障数据诊断模型；所述故障诊断模块用于实时网络故障数据的诊断，形成诊断报告。

5.一种基于小波神经网络的网络故障诊断存储介质，用于存储程序，其特征在于，网络故障诊断设备执行所述程序以实现权利要求1‑3中任一项所述网络故障诊断方法。