1.一种基于改进灰狼优化算法的电机轴承故障诊断方法，其特征在于，包括以下步骤：采集电机轴承的振动信号样本进行特征提取得到对应的特征向量；

定义解空间和适应度函数，初始化灰狼优化算法，通过特征向量训练和测试每个支持向量机参数，每个支持向量机参数分别对应灰狼优化算法中每个灰狼个体在一维空间内的灰狼个体位置；

采用Skew Tent映射初始化种群，将每个灰狼个体在一维空间的灰狼个体位置映射到所述解空间中得到对应的解空间位置；

利用适应度函数根据所述振动信号样本计算每个灰狼个体的适应度值；

根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置；

确定当前迭代次数对应的变异概率，当预定值达到所述变异概率时对灰狼个体执行自适应差分变异操作，当所述预定值未达到所述变异概率时对超出解空间范围的灰狼个体作随机重置处理；

重新计算每个灰狼个体的适应度值，若当前迭代次数未达到预定迭代次数时，则令迭代次数加一并再次执行所述根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新灰狼个体的解空间位置的步骤；

若当前迭代次数达到所述预定迭代次数时，则将适应度值最优的灰狼个体的解空间位置作为支持向量机的参数，并利用参数优化后的支持向量机进行电机轴承的故障诊断。

2.根据权利要求1所述的方法，其特征在于，所述采用Skew Tent映射初始化种群，包括按照如下公式得到每个灰狼个体在所述解空间中的解空间位置：Xk＝Lb+(Ub‑Lb)·xk；

式中xk表示第k个灰狼个体在一维空间的灰狼个体位置，xk+1表示第k+1个灰狼个体在一维空间的灰狼个体位置，u为(0,1)之间的随机数，Xk表示第k个灰狼个体在一维空间的灰狼个体位置xk映射得到的解空间位置，解空间取值范围的最小值Lb和最大值Ub，k为参数。

3.根据权利要求1所述的方法，其特征在于，所述利用适应度函数根据所述振动信号样本计算每个灰狼个体的适应度值，包括：将所述振动信号样本分为训练集和测试集，用所述训练集训练每个灰狼个体对应的支持向量机，并将所述测试集输入到所述支持向量机中进行测试，将得到的准确率的倒数作为所述灰狼个体的适应度值。

4.根据权利要求1所述的方法，其特征在于，所述根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置，包括：选取当前迭代次数下计算得到的适应度值最优的若干个灰狼个体作为目标灰狼个体并确定每个所述目标灰狼个体的解空间位置；选取历史各次迭代中适应度值最优的一个灰狼个体作为历史最优灰狼个体并确定所述历史最优灰狼个体的解空间位置；

基于灰狼优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的精英决策位置分量；

基于教学优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的社会学习位置分量；

基于粒子群优化算法根据所述历史最优灰狼个体的解空间位置确定每个待更新灰狼个体对应的个体经验位置分量；

根据每个待更新灰狼个体对应的精英决策位置分量、社会学习位置分量和个体经验位置分量确定所述待更新灰狼个体的更新后的解空间位置。

5.根据权利要求4所述的方法，其特征在于，所述基于灰狼优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的精英决策位置分量，包括对于每个待更新灰狼个体按照如下公式进行计算：M(t)＝N(t)‑A·|C·N(t)‑X(t)|；

式中t为当前迭代次数，A为收敛因子，C为摆动因子，X(t)为所述待更新灰狼个体的第t次迭代时的解空间位置，N(t)为第t次迭代时提取得到的目标灰狼个体解空间位置，M(t)为第t次迭代时计算得到的所述待更新灰狼个体对应的精英决策位置分量；

其中收敛因子A的计算公式为：

A＝2a·r1‑a；

式中a为距离控制参数，r1为(0,1)之间的随机数，

其中摆动因子C的计算公式为：

C＝2·r2；

式中r2为(0,1)之间的随机数，

所述距离控制参数a的计算公式为：

式中ainitial和afinal为距离控制参数的初始值和终止值，Tmax为预定迭代次数。

6.根据权利要求4所述的方法，其特征在于，所述基于教学优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的社会学习位置分量，包括：按照如下公式计算社会学习位置分量T(t)：

T(t)＝N(t)‑TF·Xaverage(t)；

式中Xaverage(t)为第t代时所有灰狼个体的解空间位置计算得到的种群平均解空间位置，N(t)第t次迭代时提取得到的目标灰狼个体解空间位置，其中教学因子TF的计算公式为：

TF＝round[1+rand(0,1)]；

函数round()表示进行四舍五入运算，函数rand()表示产生括号范围内的随机数。

7.根据权利要求4所述的方法，其特征在于，所述基于粒子群优化算法根据所述历史最优灰狼个体的解空间位置确定每个待更新灰狼个体对应的个体经验位置分量，包括按照如下公式计算个体经验位置分量R为：R＝Xbest‑X(t)；

式中Xbest为所述历史最优灰狼个体的解空间位置，X(t)为所述待更新灰狼个体的第t次迭代时的解空间位置。

8.根据权利要求4所述的方法，其特征在于，每个所述待更新灰狼个体对应至少两个精英决策位置分量，每个所述待更新灰狼个体对应至少两个社会学习位置分量；

则所述根据每个待更新灰狼个体对应的精英决策位置分量、社会学习位置分量和个体经验位置分量确定所述待更新灰狼个体的更新后的解空间位置，包括按照如下计算公式计算所述更新灰狼个体的位置X(t+1)为：式中b1为精英决策因子，b2为社会学习因子，b3为个体经验因子，M(t)为第t次迭代时计算得到的所述待更新灰狼个体对应的精英决策位置分量，T(t)为第t次迭代时计算得到的所述待更新灰狼个体对应的社会学习位置分量，R为个体经验位置分量。

9.根据权利要求1所述的方法，其特征在于，所述对灰狼个体执行自适应差分变异操作，包括：根据当前迭代次数计算缩放因子，所述缩放因子f(t)的计算公式为：其中，Tmax为预定迭代次数，t为当前迭代次数；

自适应差分变异表达式为：

Xnew,i＝Xold,i+f(t)·(Xj‑Xk)；

式中Xj和Xk表示种群中随机选择两灰狼个体的解空间位置，Xnew,i为自适应差分变异后第i个灰狼个体的解空间位置，Xold,i为自适应差分变异前第i个灰狼个体的解空间位置，且i、j、k两两不相等。

10.根据权利要求1所述的方法，其特征在于，所述对超出解空间范围的灰狼个体作随机重置处理，包括：将超出解空间边界的灰狼个体解空间位置定义到所述解空间内。