1.一种基于改进VMD与SVM的变频涡旋压缩机故障诊断方法，其特征在于，包括以下步骤：步骤1：进行变频涡旋压缩机振动测试试验，采集不同故障状态下的振动加速度信号；步骤2：采用麻雀搜索算法(SSA)优化变分模态分解(VMD)算法，获得待分析信号分解效果最佳的分解参数；步骤3：利用最优[K,α]参数组合完成VMD分解，得到所有的模态分量；步骤4：计算各模态分量的多尺度排列熵，构成特征向量；步骤5：将特征向量集输入至基于支持向量机分类器中，进行训练，并预测分类。2.根据权利要求1所述的基于改进VMD与SVM的变频涡旋压缩机故障诊断方法，其特征在于，步骤1中，采集不同故障状态下的振动加速度信号主要在变频涡旋压缩机正常状态、涡旋盘故障、轴承故障、曲轴故障状态下，按照一定的采样频率分别进行多次采样，得到各个状态下的振动加速度信号。3.根据权利要求1所述的基于改进VMD与SVM的变频涡旋压缩机故障诊断方法，其特征在于，步骤2的具体过程为：利用包络熵‑相关性指标作为适应度函数，引入麻雀搜索算法寻找变分模态分解VMD的最佳参数组合，优化算法实现的具体步骤为：步骤2.1：设定VMD分解参数范围，对麻雀搜索算法进行初始化参数设置；步骤2.2：在VMD分解参数范围内随机初始化麻雀位置[K,α]，对采集到的振动数据进行VMD分解，获得K个IMF分量；步骤2.3：计算不同IMF分量信号的包络熵‑相关性指标，其中的最小值即为每只麻雀的适应度值，并对每只麻雀进行排序；步骤2.4：迭代更新发现者、加入者、警戒者位置，计算每只麻雀的适应度值，并更新麻雀的空间位置[K,α]；步骤2.5：判断是否到达最大迭代次数，若到达则退出优化流程，得出最佳分解层数K及惩罚因子α，若不满足则继续对信号进行VMD分解后返回步骤2.3。4.根据权利要求3所述的改进VMD与SVM的变频涡旋压缩机故障诊断方法，其特征在于，步骤2.1中，变分模态分解(VMD)分解的初始化参数主要包括：VMD分解层数K及惩罚因子α，麻雀搜索算法的初始化参数主要包括：麻雀的种群N、发现者比例PD、发现者比例1‑PD、预警值ST，最大循环次数M。5.根据权利要求3所述的基于改进VMD与SVM的变频涡旋压缩机故障诊断方法，其特征在于，步骤2.2中，变分模态分解(VMD)分解可看作将原始振动信号f(t)分解成K个内禀模态函数uk(t)，k∈{1,2,…,K}，使得分解得到的所有内禀模态函数(BIMF)估计带宽之和最小，首先对每个模态函数uk(t)都进行希尔伯特变换，然后加入预估解析信号的中心频率其中：表示对时间t求偏导数，δ(t)为冲击函数，uk(t)为各模态分量，wk为各个模态分量的中心频率，j为虚数符号，*表示卷积，f为实际的信号，K为分解得到的模态函数个数。6.根据权利要求5所述的基于改进VMD与SVM的变频涡旋压缩机故障诊断方法，其特征在于，约束变分问题的求解，可通过引入保持约束条件严格性的拉格朗日乘数λ和决定重构信号带宽的惩罚因子α，将约束变分问题转换为非约束变分问题，其扩展的拉格朗日方程如式(2)所示：其中，α为决定重构信号带宽的惩罚因子，λ为拉格朗日乘数，<>表示向量内积形式；采用交替方向乘数法得到式(2)的鞍点，并分别在频域内不断迭代更新uk，wk和λ，其中，模态分量uk和模态分量对应的中心频率wk分别由式(3)和式(4)在频域内迭代更新：其中，为当前剩余量的维纳(Wiener)滤波结果，为当前迭代的模态函数中心频率，为频域状态下的模态函数，^表示近似等于；为频域状态下的拉格朗

日乘子，^表示近似等于；n为当前的迭代次数；在每次更新得到对应的模态分量及其对应的中心频率后，由式(5)更新拉格朗日乘数λ：其中，τ为更新因子，为实际频域振动信号，^表示近似等于；

重复上述迭代更新过程，不断更新各个模态分量uk、模态分量对应的中心频率wk以及拉格朗日乘数λ这三个参数，直到迭代后满足判别精度ε (ε＞0 ) ，若

中为2；于是，n只麻雀所对应的适应度值可表示为：

10，为粗粒化后的时间序列；其次，将粗粒化后的时间序列进行相空间重构，得到：Ui＝[ui,ui+τ,…,ui+(m‑1)τ]  (15)其中，m表示嵌入维数，τ表示延迟时间；可以将Ui中m个元素以升序的方式来排列，即Ui＝[ui,ui+τ,…,ui+(m‑1)τ]；如果rj＜rk时，则如果存在时，则根据r的大小来进行排序；因此，对于统计序列重

构后每个Ui都有m！种排列方式，若用w表示任意一种排列方式，T(w)表示出现的次数，则w出

现的概率为：于是，排列熵的计算可用式(17)来表示：HPE＝‑∑P(w)ln[P(w)]  (17)对式(17)进行归一化处理后为：

最后，重复上述计算过程，计算出所有模态分量的多尺度排列熵后，构建出特征向量T：T＝[H1,H2,…,HK]  (19)其中，HK为第K个模态分量的多尺度排列熵，K为改进VMD分解得到的模态函数个数。10.根据权利要求1所述的基于改进VMD与SVM的变频涡旋压缩机故障诊断方法，其特征在于，步骤5中，将特征向量集输入至基于支持向量机分类器中，进行训练，并预测分类；支持向量机(SVM)算法为：寻找一个最优分类超平面使得两类样本集到超平面的距离和最大，由于SVM只能对两类数据样本进行分类，而在本发明中是对四类样本进行分类的，因此可采用一对多的方法构造四个两类分类器实现四类样本的分类，其中，两分类器实现的具体步骤为：首先，给出变频涡旋压缩机的训练样本集{(xi,yi) ,i＝1,2,…,n,x∈Rn,y∈±1}，超平面可由方程(wT·x)+b＝0确定，w为权值向量，b为阈值，为了使所有样本都能够正确的分类并还能具备一定的分类间隔，就要满足以下条件：yi(wTxi+b)≥1,i＝1,2,…,n，n为涡旋压缩机的测试集样本数，可以得到超平面的分类间隔为因此可将超平面最优问题转化

为在约束条件下对式(20)的优化求解：

式中，w为超平面的权值向量，b为超平面的阈值，xi为给定的训练样本集的特征，yi为给定的训练样本集的结果标签，n为涡旋压缩机的测试集样本数；由于采集到的振动原始信号含有大量的噪音，为了使SVM能处理离群点，引入松弛变量ξi后，则新的优化目标为：式中，C为惩罚参数，ξi为松弛变量，n为涡旋压缩机的测试集样本数；接着，利用拉格朗日方程式的对偶形式，将式子(21)转化为二次规划问题，因高维特征空间维度很高，w无法表达，引入核函数K(xi,xj)，对α求极大，式子变为：式中，αi,αj是拉格朗日算子，i是第i个涡旋压缩机的测试样本所对应的拉格朗日算子，j是第j个涡旋压缩机的测试样本所对应的拉格朗日算子，C为惩罚参数，K(xi,xj)为核函数，n为涡旋压缩机的测试集样本数；通过对式(22)的求解，得到决策函数的表达式：