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；

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；

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，而对四类样本进行分类时，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{(x

式中，w为超平面的权值向量，b为超平面的阈值，x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ξ式中，C为惩罚参数，ξ

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(x式中，α

通过对式(22)的求解，得到决策函数的表达式：最后再结合测试集输入式(19)所求得的向量T，获得最终的预测类别。

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。

4.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2.2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u其中：

5.根据权利要求4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u其中，

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，

重复上述迭代更新过程，不断更新各个模态分量u

6.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2.3中，包络熵-相关性指标按下式计算：包络熵是指对各模态函数作希尔伯特变换后得到的包络信号，经信息熵的形式得到的熵值，该值反映了模态函数的稀疏特性；值越大，表示模态函数越稀疏，包含的特征信息越少；值越小，表示模态函数包含的特征信息越多；包络熵的求取由式(6)表示：式中：h(j)为模态函数作希尔伯特变换后得到的包络信号，p相关系数的大小表示两变量之间的相关性，若某模态分量与原信号相关系数越大，说明与原信号的相关性越大，相关系数求取由式(7)表示；

式中：cov()表示协方差，σ()表示方差，IMF于是，包络熵-相关性指标可由式(8)计算得到，通过适应度函数I来评价[K,α]参数组合对VMD分解效果影响的好坏；若VMD算法对信号分解的效果较好即I越小，则表示模态函数包含的特征信息越多且与原信号的相关性也越大：I＝E

式中：I为包络熵-相关性指标，E

7.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2.4中，麻雀搜索算法中发现者、加入者、警戒者位置的迭代更新可按下列式子进行计算：在麻雀搜索算法中主要通过麻雀进行食物的寻找，每只麻雀的位置x由n只麻雀组成，其种群集合X可表示为：于是，n只麻雀所对应的适应度值可表示为：

n只麻雀中按行为可分为发现者、加入者和警戒者，发现者主要扮演继续搜索食物的身份，加入者主要跟随发现者觅食，而警戒者作为警戒侦查，一旦发现危险就放弃食物；其中，发现者的位置在每次迭代过程中更新描述如下：其中，t为当前的迭代次数，X

加入者的位置在每次迭代过程中更新描述如下：

其中，t为当前的迭代次数，Q为服从正态分布的随机数，X警戒者的位置在每次迭代过程中更新描述如下：

其中，t为当前的迭代次数，X

8.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4中，计算各模态分量的多尺度排列熵，构成特征向量，具体步骤为：首先，根据式(14)对分解得到的模态函数进行粗粒化处理，可以得到不同尺度下的时间序列：其中，{u

其次，将粗粒化后的时间序列进行相空间重构，得到：U

其中，m表示嵌入维数，τ表示延迟时间；

可以将U

于是，排列熵的计算可用式(17)来表示：

H

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＝[H

其中，H