1.一种滚动轴承故障诊断方法，其特征在于，包括：

获取滚动轴承在不同故障工况下的多个振动信号样本，并对应设置故障分类标签，对所述多个振动信号样本进行变分模态分解，确定多组一维奇异值故障特征向量样本，构成训练数据集；

将所述多组训练数据集输入至初始基于分数阶梯度的BP神经网络模型，以所述一维奇异值故障特征向量样本为输入，以对应的所述故障分类标签为输出，利用分数阶算法对所述初始基于分数阶梯度的BP神经网络模型进行分类训练，得到训练完备的基于分数阶梯度的BP神经网络模型；

获取所述滚动轴承的振动信号，对所述振动信号进行所述变分模态分解，确定一维奇异值故障特征向量，将所述一维奇异值故障特征向量输入至所述训练完备的基于分数阶梯度的BP神经网络模型，进行滚动轴承故障诊断；

其中，所述利用分数阶算法对所述初始基于分数阶梯度的BP神经网络模型进行分类训练，得到训练完备的基于分数阶梯度的BP神经网络模型，包括：将所述多组训练数据集输入至所述初始基于分数阶梯度的BP神经网络模型，得到各层节点的输出；

根据误差函数计算各个节点的分数阶梯度更新权值矩阵，并设置迭代次数加一；

重复输入所述训练数据集至所述初始基于分数阶梯度的BP神经网络模型，直至所述迭代次数达到预设值，得到训练完备的基于分数阶梯度的BP神经网络模型；

所述将所述多组训练数据集输入至所述初始基于分数阶梯度的BP神经网络模型，得到各层节点的输出，包括：获取所述初始基于分数阶梯度的BP神经网络模型的输入层神经元数、隐藏层神经元数和输出层神经元数，输入层与隐含层之间的第一连接权值矩阵，以及隐含层与输入层之间的第二连接权值矩阵；

根据所述多组训练数据集，利用隐含层和输出层的激活函数，得到各层节点的输出；

所述根据误差函数计算各个节点的分数阶梯度更新权值矩阵，包括：根据第一连接权值矩和第二连接权值矩阵，利用误差函数，确定权值连接矩阵的更新公式；

根据所述权值连接矩阵的更新公式，确定各个节点的所述分数阶梯度更新权值矩阵；

另外，最终基于分数阶优化的BP神经网络的第 次权值连接矩阵的更新公式如下：。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述对所述多个振动信号样本进行变分模态分解，确定多组一维奇异值故障特征向量样本，包括：根据正余弦算法确定所述变分模态分解的参数，其中，所述参数为本征模态振动信号分量的个数和惩罚因子；

对所述振动信号进行所述变分模态分解，得到多个所述本征模态振动信号分量；

对所述多个本征模态振动信号分量进行奇异值分解，确定所述振动信号的一维奇异值故障特征向量。

3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述根据正余弦算法确定所述变分模态分解的参数，包括：获取候选解的数量、最大迭代次数、所述本征模态振动信号分量的所述个数的下界、所述惩罚因子的下界和适应度函数；利用正余弦更新函数迭代计算，确定所述变分模态分解的参数。

4.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述对所述多个本征模态振动信号分量进行奇异值分解，确定所述振动信号的一维奇异值故障特征向量，包括：根据所述本征模态振动信号分量，利用希尔伯特变换，确定其对应的初始单边频谱；

根据中心频率，调整所述初始单边频谱至基带，得到调整后的单边频谱；

根据所述单边频谱，通过正则化与高斯平滑，预估所述单边频谱的频带带宽，根据所述频带带宽和约束条件，确定变分模型；

将所述多个本征模态振动信号分量输入至所述变分模型，确定所述振动信号的一维奇异值故障特征向量。

5.一种滚动轴承故障诊断装置，其特征在于，包括：

训练数据获取模块，用于获取滚动轴承在不同故障工况下的多组振动信号样本，并对应设置故障分类标签，构成训练数据集；

初始模型建立模块，用于建立初始基于分数阶梯度的BP神经网络模型，其中，所述初始基于分数阶梯度的BP神经网络模型对所述振动信号进行变分模态分解，确定一维奇异值故障特征向量；

模型训练模块，用于将所述多组振动信号样本输入至所述初始基于分数阶梯度的BP神经网络模型，输出对应的所述故障分类标签，利用分数阶算法对所述初始基于分数阶梯度的BP神经网络模型进行分类训练，得到训练完备的基于分数阶梯度的BP神经网络模型；

故障诊断模块，用于利用所述训练完备的基于分数阶梯度的BP神经网络模型，进行滚动轴承故障诊断；

其中，所述利用分数阶算法对所述初始基于分数阶梯度的BP神经网络模型进行分类训练，得到训练完备的基于分数阶梯度的BP神经网络模型，包括：将所述多组训练数据集输入至所述初始基于分数阶梯度的BP神经网络模型，得到各层节点的输出；

根据误差函数计算各个节点的分数阶梯度更新权值矩阵，并设置迭代次数加一；

重复输入所述训练数据集至所述初始基于分数阶梯度的BP神经网络模型，直至所述迭代次数达到预设值，得到训练完备的基于分数阶梯度的BP神经网络模型；

所述将所述多组训练数据集输入至所述初始基于分数阶梯度的BP神经网络模型，得到各层节点的输出，包括：获取所述初始基于分数阶梯度的BP神经网络模型的输入层神经元数、隐藏层神经元数和输出层神经元数，输入层与隐含层之间的第一连接权值矩阵，以及隐含层与输入层之间的第二连接权值矩阵；

根据所述多组训练数据集，利用隐含层和输出层的激活函数，得到各层节点的输出；

所述根据误差函数计算各个节点的分数阶梯度更新权值矩阵，包括：根据第一连接权值矩和第二连接权值矩阵，利用误差函数，确定权值连接矩阵的更新公式；

根据所述权值连接矩阵的更新公式，确定各个节点的所述分数阶梯度更新权值矩阵；

另外，最终基于分数阶优化的BP神经网络的第 次权值连接矩阵的更新公式如下：。

6.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1‑4任一项所述的滚动轴承故障诊断方法。

7.一种计算机可读存储介质，其特征在于，程序介质存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至4中任一所述的滚动轴承故障诊断方法。