1.一种基于变转速的二维活塞泵健康状态评估方法，其特征在于：其包括以下步骤：S1、数据采集：采集反映二维活塞泵正常状态和故障状态的振动信号，作为原始状态数据；

S2、数据预处理分析：对步骤S1采集的二维活塞泵振动信号原始状态数据进行GLCT时频分析，提取振动信号的瞬时转速频率；

S3、提取角域振动信号和阶次域特征参数，其包括以下子步骤：S31、对步骤S21提取的瞬时转速频率进行数据拟合处理，采用分段多阶多项式拟合方法截取瞬时频率的频率上升阶段的数据进行数据拟合，获得数据拟合曲线，并根据拟合曲线得到阶次谱；

S32、对于二维活塞泵的角域振动信号s(l)，等角度间隔采样的数据长度为L，则角域振动信号s(l)的峰值指标Cf、脉冲指标If和峭度指标KV的计算公式分别如下：其中，Srms为均方根值，Smax为峰值， 为绝对平均幅值，β为峭度；

均方根值Srms的计算公式为：

峰值Smax的计算公式为：

Smax＝max(|s(l)|)

绝对平均幅值 的计算公式为：

峭度β的计算公式为：

令角域振动信号s(l)阶次谱为Sl(m)，其中l＝1,2,…,L，m为阶次数据长度变量，取m＝

1,2,…,Dmax，其中Dmax为最大阶次，则定义阶次谱均方根值Y1如下：并利用Y1的大小衡量整个阶次谱的振动能量强度；

S33、利用阶次谱的11、22、33及44阶次对应下的幅值作为阶次域特征参数进行分析：式中，n为区间内阶次谱数据的个数，Y2、Y3、Y4、Y5分别为阶次谱的11、22、33及44阶次对应下的幅值；

S4、故障诊断模型训练与优化，具体包括以下子步骤：

S41、构建故障诊断模型：将Cf、If、KV、Y1、Y2、Y3、Y4、Y5作为CPA‑SVM优化分类算法的训练特征参数构建故障诊断模型，并按照比例将样本库划分为训练样本集和测试样本集，之后将训练样本集作为故障诊断模型的输入，状态标签作为故障诊断模型的输出；

S42、在SVM的分类准确率的目标函数下，将大范围下的惩罚因子c和径向基数g利用CPA优化算法对模型参数进行精确寻优；

S43、采用优化后的CPA‑SVM进行故障分类模型训练，得到最优模型参数为best c与best g，从而得到训练和优化后的故障诊断模型；

S5、模型验证：调用训练和优化后的故障诊断模型，将测试样本集作为训练和优化后故障诊断模型的输入，状态标签作为训练和优化后的故障诊断模型的输出，对诊断模型的综合性能进行验证；

S6、模型诊断：将二维活塞泵的振动信号输入训练和优化后的故障诊断模型，所述故障诊断模型输出状态标签值，获得健康状态分类识别结果。

2.根据权利要求1所述的基于变转速的二维活塞泵健康状态评估方法，其特征在于：步骤S2具体包括以下子步骤：步骤S21、构建原始STFT公式如下：

其中，w(u‑t′)为某一个窗口；u为某一个短时间；

步骤S22、在STFT公式的基础上使用一系列离散解调算子近似最佳解调算子得出基于离散解调算子的STFT公式如下：

步骤S23、对于每个TF点(t’，w)，如果离散解调算子 接近信号的调制成分，其IF周围的TF表示具有较高的能量集中度，其振幅|S(t’,w,c)|在所有值中达到最大值，之后对每个TF点，根据振幅|S(t’,w,c)|，得到参数c的最佳参数c'：提出的时频分析方法的时频表示为：

GS(t',w)＝S(t',w,c')

频谱计算公式为：

2

Spec(t',w)＝|GS(t',w)|

步骤S24、确定离散解调算子 引入旋转参数a，实现在时频平面上旋转：其中，Ts为采样时，Fs为采样频率；

设旋转参数a有N个值，将时频平面平分成N+1段：

a＝‑π/2+π/(N+1),‑π/2+2·π/(N+1)...‑π/2+N·π/(N+1)；

步骤S25、确保解调算子 能够描述信号中所有可行的调制成分，将离散解调算子的STFT公式重写得到GLCT公式：步骤S26、根据步骤S25的GLCT公式进行GLCT时频分析，提取振动信号的瞬时转速频率S(t′,w,a)。

3.根据权利要求1所述的基于变转速的二维活塞泵健康状态评估方法，其特征在于：步骤S31具体包括以下子步骤：S311、将转速与一阶瞬时频率之间的关系表示为：

其中，f(t)为轴旋转频率，P(t)为参考轴转速；

S312、采用分段多阶多项式拟合方法得到拟合曲线：

2

Rk(t)＝ak+bkt+ckt

其中Rk(t)各段转速曲线的函数式，k为段数序列号，ak、bk、ck为多项式系数；

S313、将转速拟合曲线进行积分方程求解得到等角区间插值鉴相时标时间序列，求解过程为：其中，Tn为键相时标，n为时标序号，T0为初始拟合时间；将上述公式代入拟合曲线公式，通过有效代数解，得到一组等角区间插值鉴相时标时间序列Tn：S314、基于步骤S313得到的等角区间插值鉴相时标时间序列，利用Lagrange值方法完成平滑处理，得到角度域信号；

S315、将步骤S314得到的角度域信号数据进行傅里叶变换，得到阶次谱。

4.根据权利要求1所述的基于变转速的二维活塞泵健康状态评估方法，其特征在于：获取200组数据以4:1的比例进行训练样本集和测试样本集的划分，定义组内迭代次数group_iter＝20、吸引率attraction_rate＝0.8、生长率growth_rate＝2、繁殖率reproduction_rate＝1.8、食肉植物数量nCPlant＝10和猎物数量nPrey＝20。

5.根据权利要求1所述的基于变转速的二维活塞泵健康状态评估方法，其特征在于：步骤S42具体为：通过时频域和阶次分析得到的8个特征向量作为CPA‑SVM优化分类算法的训练特征参数，最后一列的目标标签1、2、3、4是优化分类算法根据特征向量对应的四种不同磨损状态，然后确定c和g的范围，在SVM的分类准确率的目标函数下，将大范围下的c和g再利用CPA优化算法对参数精确寻优。

6.根据权利要求1所述的基于变转速的二维活塞泵健康状态评估方法，其特征在于：步骤S1中通过安装在二维活塞泵上的振动传感器采集振动信号。

7.根据权利要求1所述的基于变转速的二维活塞泵健康状态评估方法，其特征在于：最优参数为best c＝224.6036，best g＝31.5104。

8.根据权利要求1所述的基于变转速的二维活塞泵健康状态评估方法，其特征在于：步骤S42具体步骤为：食肉算法在不断迭代进化寻找合适的SVM参数取值，从而提高SVM分类的准确率，该数学模型能够简化为寻找最优决策向量[c，g]，其中c和g分别表示SVM的惩罚参数向量和核函数向量，以最大化为如下目标：max F＝SVM_Acc

式中，F表示目标函数，SVM_Acc表示SVM的分类准确率，MT表示被正确地划分为相应类别的样本个数，MF表示未被正确地划分为相应类别的个数；首先定义组内迭代次数group_iter＝20、吸引率attraction_rate＝0.8、生长率growth_rate＝2、繁殖率reproduction_rate＝1.8、食肉植物数量nCPlant＝10和猎物数量nPrey＝20，目标函数SVM_Acc中，最大迭代次数T＝40，对于优化算法SVM参数c和g，先通过网格搜索法对参数进行粗略的寻优，确定‑2 8 ‑5 5c和g的范围分别为2 ‑2，即0.25‑256以及2 ‑2即0.03‑32。