1.一种改进BWO‑VMD‑TOPSIS降噪的旋转机械故障诊断方法，包括以下步骤：步骤一：输入旋转机械振动信号；

步骤二：通过中心频率法得到分解层数K值的范围，并设置好惩罚因子α的范围；

步骤三：以最小包络熵作为适应度函数，运用改进的白鲸优化算法对VMD进行参数寻优，得到[K,α]最优组合；

步骤四：基于[K,α]最优组合，对振动信号进行VMD信号分解，得到若干IMF分量；

步骤五：根据各IMF分量的相关性系数、峭度指标和包络熵通过TOPSIS算法构建综合指标，对IMF分量进行筛选、重构；

步骤六：对重构振动信号进行STFT变换，得到二维时频图像，并基于卷积神经网络对重构振动信号的二维时频图像进行故障诊断；

步骤三中，改进的白鲸优化算法，其步骤如下：(1)首先，判定算法处于探索阶段还是开发阶段，即：当Bf>0.5时，算法处于探索阶段；当Bf<0.5时，算法处于开发阶段；(2)若算法判定为开发阶段，则进一步判定算法处于鲸落阶段还是搁浅阶段，即：当Gf

Wf＝0.2‑0.1t/T

Gf＝0.1‑0.05t/T

其中，r0为(0,1)范围内的随机数；t为当前迭代次数；T为最大迭代次数；

搁浅阶段的位置更新公式如下：

t t

其中，r8、r9和r10是(0,1)之间的随机数,Xi 是第i条白鲸的当前位置，Xr 是一条随机的白鲸的当前位置，trnd(nu)为自由度为nu的t分布中的一个随机数，Xstep是搁浅的步长，确定为：其中，C3为与鲸鱼搁浅概率和种群大小相关的步长因子C3＝2Gf×n，ub和lb分别为变量的上界和下界；

步骤五中，所述通过TOPSIS算法构建综合指标，对IMF分量进行筛选、重构，其步骤如下：(1)对步骤四得到的K个IMF分量去除[K/2]个高频分量，其中[]表示向下取整；(2)计算剩余各IMF分量的相关性系数、峭度指标和包络熵；(3)通过TOPSIS算法构建综合指标；(4)通过筛选后的IMF分量进行信号重构。

2.如权利要求1所述的一种改进BWO‑VMD‑TOPSIS降噪的旋转机械故障诊断方法，其特征在于，步骤二中，所述通过中心频率法得到分解层数K值的范围，并设置好惩罚因子α的范围，具体操作如下：首先，将惩罚因子α设置为默认值1000，分别对K取2到10的正整数时进行VMD分解,得到IMF分量并计算各中心频率；其次，计算最后一个IMF分量之间的中心频率误差，将最终连续出现中心频率误差在0.01以内范围的K值确定为最佳的K值范围；最后，惩罚因子α的搜索范围设置为(100，2000)。

3.如权利要求1所述的一种改进BWO‑VMD‑TOPSIS降噪的旋转机械故障诊断方法，其特征在于，步骤三中，所述包络熵定义为：其中a(j)是由VMD分解的K个IMF分量经Hilbert解调后的包络信号,ε(j)是通过计算a(j)的归一化得到的概率分布序列，N为采样点数，计算概率分布序列ε(j)的熵值即为包络熵Ep。

4.如权利要求1所述的一种改进BWO‑VMD‑TOPSIS降噪的旋转机械故障诊断方法，其特征在于，步骤五中，所述通过TOPSIS算法构建综合指标，其步骤如下：

1)根据去除[K/2]个高频分量后剩余各IMF分量的相关性系数的最大值、峭度指标的最大值、包络熵的最小值确定正理想解，根据去除[K/2]个高频分量后剩余各IMF分量的相关性系数的最小值、峭度指标的最小值、包络熵的最大值确定负理想解；

2)计算正负理想解之间的欧式距离；

3)计算去除[K/2]个高频分量后剩余各IMF分量到负理想解之间的欧式距离；

4)以去除[K/2]个高频分量后剩余各IMF分量到负理想解之间的欧式距离与正负理想解之间的欧式距离之比，作为该分量的综合指标。