1.一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述方法包括以下步骤：

步骤1：轴承故障信号的获取，过程如下：

风电齿轮箱的轴承在运行中的故障类型有疲劳剥落、磨损、胶合、断裂和锈蚀，基于上述轴承故障种类，利用风电传动实验装置获得10种典型的轴承故障信号，包括轴承无故障信号、内滚道点蚀信号、滚动体点蚀信号、内圈外壁磨损信号、内圈内壁磨损信号、外圈内壁磨损信号、滚动体胶合信号、内圈断裂信号、内圈断裂信号、保持架断裂信号，故障轴承产生的振动信号通过加速度传感器和加速度信号采集板卡进行获取；

步骤2：轴承故障信号预处理降噪，过程如下：

首先，通过变分模态分解将原始信号分解为不同数量的本征模态函数，对得到的每一个本征模态函数分量进行功率谱熵的计算，然后确定最优模态参数k优和模态初始中心约束强度参数α；

接着，利用最优模态参数k优和模态初始中心约束强度参数α对原始信号进行变分模态分解，对分解得到的每一个本征模态函数分量进行样本熵的计算；得到的样本熵与设定的样本熵阈值进行比较，将样本熵大于阈值的本征模态函数设为高噪声分量，对其进行小波阈值降噪；然后，对降噪后的本征模态函数分量进行重构，直至重构后本征模态函数的样本熵小于阈值为止；

然后，将降噪后的本征模态函数叠加重构，得到降噪后的时序信号，用于深度自编码器的特征提取；

步骤3：基于深度自编码器的故障特征提取，过程为：

3.1)，自编码器的搭建，自编码器模型包含输入层L，隐藏层H和输出层Z；其中，输入层和隐藏层构成编码器，隐藏层和输出层构成解码器；

3.2)，深度自编码器的搭建，深度自编码器模型包含输入层L1，隐藏层H1、H2、H3、H4，隐藏层H1到H4的神经元个数逐层递减；

步骤4：支持向量机对特征进行分类：将步骤3中降维后的数据作为输入层输入到SVM分类器中，通过调整支持向量机的惩罚因子C和核函数的自带参数γ来实现故障的识别；

所述步骤2中，一维时序振动信号的去噪重构过程如下：

2.1)参数初始化，对变分模态分解中的模态初始中心约束强度参数α进行初始化赋值，使α＝2000，设定模态参数k的取值范围为[1,10]，初始值为1，逐渐递增k＝k+1，对原始信号进行k层变分模态分解；

2.2)计算确定每一次分解所得的每一个本征模态函数分量的功率谱熵，当获得功率谱熵最小值时得到模态参数k的最优解；

2.3)确定最优模态参数k优后，再进行功率谱熵计算确定模态初始中心约束强度参数α的最优解，设定参数α的范围为[500,2500]，步长为20，令最小功率谱熵所对应的模态初始中心约束强度参数α为最优的值，最终确定最优模态参数k优和模态初始中心约束强度参数α,并令该组合为(k优,α)；

2.4)设置本征模态函数样本熵的阈值为0.2，原始信号根据优化后的参数(k优,α)进行变分模态分解，然后对分解得到的每个本征模态函数进行样本熵计算，令样本熵大于0.2的本征模态函数分量为高噪声分量，低于0.2的为低噪声分量；

2.5)对高噪声分量的本征模态函数进行小波阈值降噪，对降噪重构后的本征模态函数分量再计算样本熵，然后调整小波阈值使高噪声本征模态函数分量的样本熵在规定的样本熵阈值范围内；

2.6)最后将降噪后的本征模态函数叠加重构，得到降噪后的时序信号。

2.如权利要求1所述的基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述步骤3中，每一层的细节如下：输入层：将轴承原始振动信号通过变分模态分解，然后进行去噪和重构，对重构后的信号进行采样，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层；

隐藏层：自编码器由编码器和解码器的三层网络构成，编码器将输入层的高维输入数据映射到低维空间的隐藏层H，解码器从隐藏层H重构输入数据，将输入层和输出层的均方误差作为损失函数；然后，通过最小化损失函数的值来实现权值和偏置的优化，通过保留自编码器的编码器部分，把优化后的隐藏层H作为深度自编码器的隐藏层H1，然后把隐藏层H1作为下一个自编码器的输入层，再次进行自编码器的搭建，获得第二个隐藏层H2；最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维。

3.如权利要求2所述的基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述3.1)的过程如下；首先，对降噪处理后的时序信号进行采样处理，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层；然后，编码器将输入层L的数据输送给隐藏层H，并将小波函数作为激活函数，得到一个Hm×Hd的矩阵，其中，m代表矩阵的维数，d代表隐藏层中神经元的个数，且隐藏层的神经元个数d小于输入样本的特征数D的个数；之后，将隐藏层视为输入层，通过解码器得到一个Zm×ZD矩阵，其中，m代表矩阵的维度，D代表矩阵的长度；最后，自编(1) (1) (2)码器以均方误差作为损失函数，来优化模态初始中心约束强度参数α＝(W ,b ,W ,b(2) (1) (1) (2)，使损失函数的值达到最小；其中，W 为编码器中的权重，b 为编码器的偏置；W 为解(2)

码器中的权重，b 为解码器中的偏置。

4.如权利要求2所述的基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述3.2)的过程如下：首先，保留训练完成后自编码器的编码器部分，作为深度自编码器的第一个隐藏层H1；然后，将编码器的隐藏层H1作为隐藏层H2的输入层来搭建一个新的自编码器，重复第一步中自编码器的搭建过程，然后保留编码器部分，作为深度自编码器中的第二个隐藏层H2；最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维。