1.一种基于特征选择和GWO‑BP的水轮发电机转子故障诊断方法，其特征在于，包括如下步骤：步骤1：收集水轮发电机转子在正常情况和匝间短路故障情况下的实验数据，并进行数据预处理；

步骤2：通过计算频域信号对应的数学统计特征以及频域特征这两种方法，提取转子振动信号数据的混合特征，构建高维特征集；

步骤3：建立GWO‑BP分类器模型，并将步骤2中每个特征输入GWO‑BP模型训练多次，求出平均识别率；比较每个特征对故障的识别率，筛选掉识别率低于一定百分数的特征参数，并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到模型训练，取出在相对较低的维中具有较高的识别效果的特征；

步骤4：将降维后的特征参数按照一定的比例随机分为训练样本和测试样本作为GWO‑BP分类器输入并重新训练GWO‑BP分类器，直到满足分类准确率；

步骤5：根据以上步骤得到基于特征选择和GWO‑BP分类器的数据提取和故障诊断整体模型，利用该模型实现对转子实验数据的深层特征提取和故障诊断。

2.根据权利要求1所述的基于特征选择和GWO‑BP的水轮发电机转子故障诊断方法，其特征在于：所述步骤2中的数据进行特征提取，共包括16个特征，其中，频域信号对应的数学统计特征包括均值、标准差、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量；频域特征包括重心频率、均方频率、均方根频率、频率方差、频率标准差、频域幅值平均值、偏度指标、峭度指标。

3.根据权利要求1所述的基于特征选择和GWO‑BP的水轮发电机转子故障诊断方法，其特征在于，所述步骤3具体步骤如下：步骤1：初始化GWO的参数，初始化向量参数A、C，灰狼种群N、最大迭代次数t、收敛因子a；

A＝2ar1‑a，C＝2r2

其中，t是当前的迭代次数，A和C是系数向量，a是一个从2线性减少到0的数字，r1和r2是

0到1之间的随机向量；

步骤2：计算每个灰狼的适应度值，保存适应度最优的三个个体为α，β，δ，对应位置分别为Xα，Xβ，Xδ；灰狼位置计算公式如下：D＝|CXP(t)‑X(t)|，X(t+1)＝Xp(t)‑AD其中，XP(t)是猎物的当前位置，X(t)是t代灰狼个体位置，D是当前灰狼和猎物之间的距离；

步骤3：更新种群中各个灰狼的位置；

Dα＝|C1·Xα(t)‑X(t)|，Dβ＝|C2·Xβ(t)‑X(t)|，Dδ＝|C3·Xδ(t)‑X(t)|，Xα(t+1)＝Xα(t)‑A1Dα，Xβ(t+1)＝Xβ(t)‑A2Dβ，Xδ(t+1)＝Xδ(t)‑A3Dδ，其中，X(t+1)是灰狼更新后的最新位置；

步骤4：更新收敛因子a和向量参数A、C的值；

步骤5：计算灰狼的个体适应度值，对每个灰狼在新位置上的适应度值与更新之前的适应度进行比较，若新的适应度值高于更新之前的，则新的适应度值代替更新之前的适应度值作为最优适应度，并且新狼位置替代原有位置；若新的适应度值低于或等于更新之前的，则适应度值保持不变；

步骤6：判断是否达到最大的迭代次数t，若达到则结束迭代过程；如果未达到，则t＝t+

1且返回步骤2，直到达到迭代要求为止，则当前的适应度值最小的狼群位置Xα所对应的BP神经网络的训练模型即为训练好的神经网络模型。

4.根据权利要求1所述的基于特征选择和GWO‑BP的水轮发电机转子故障诊断方法，其特征在于：所述步骤3中将每个混合特征输入模型训练5次并比较故障平均识别率，选择识别率高于60％的前13个特征参数，并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到GWO‑BP模型中进行训练和测试。

5.根据权利要求4所述的基于特征选择和GWO‑BP的水轮发电机转子故障诊断方法，其特征在于：所述步骤3中并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到GWO‑BP模型中的具体操作为：设定步骤3中筛选掉识别率低于一定百分数的特征参数，剩余特征参数个数为n个，分别为X1～Xn，并且X1～Xn特征对应的识别率已经由低到高顺序依次排序，在进行模型训练时：第一次将X1特征参数输入到GWO‑BP模型中训练；

第二次将X1和X2特征参数输入到GWO‑BP模型中训练；

第三次将X1、X2和X3特征参数输入到GWO‑BP模型中训练；

…

第n次将X1～Xn特征参数输入到GWO‑BP模型中训练；

对上述的特征维数进行多次训练和测试，再取测试结果的平均特征识别率，根据训练结果对比平均特征识别率，前a维比前b维的特征识别率，相对b维之前的特征识别率提升幅度较小，此时取前b维特征，其中n>a>b。