1.一种基于IWOA‑ELM的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

1)采集滚动轴承在某一种负荷状态下的正常轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承的振动信号f(t)，确保采集得到的振动信号f(t)中，每组信号有N个样本，每个样本有n个数据采样点；

2)将步骤1)中的每组轴承振动信号f(t)分解成k个本征模态分量uk，同时满足每个本征模态的估计带宽之和最小且各本征模态函数之和等于输入的轴承振动信号f(t)；

3)对步骤2)所得的k个本征模态，计算各本征模态分量的能量熵，并构建高维特征向量，将所述高维特征向量作为故障特征向量输入模型中；

4)通过在鲸鱼算法的基础上应用新的种群初始化方案、改进的种群狩猎策略、强化学习选择收敛因子、t分布‑levy飞行变异策略获得改进鲸鱼算法优化极限学习机确定最优的输入权重和偏差，获得IWOA‑ELM模型；

5)将高维特征向量划分为训练集和测试集，并输入到IWOA‑ELM分类器中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态，实现滚动轴承的故障诊断；

所述步骤4)中，所述改进鲸鱼算法优化极限学习机工作的具体步骤为：

4.1)参数初始化，包括种群大小、最大迭代次数、上界、下界、动态权重最大值和最小值；

4.2)种群初始化，采用改进Tent混沌映射、反向学习和劣势种群随机交换协同使用产生初始化种群，使得初始种群具有一定质量和多样性；

所述改进Tent混沌映射表达式为：

其中，rand(0,1)是[0,1]范围内的随机数，使用改进Tent混沌映射产生初始种群时随机生成，根据上式迭代产生整个种群的初始解；

所述反向学习思想是对原始解执行反向操作，具体表达式为：

xi＝lb+rand(ub‑lb)

x′i＝lb+ub‑xi

应用反向学习思想对随机生成的NP个初始解XNP＝{x1,x2,...,xNP}进行反向学习得到NP个反向解X'NP＝{x'1,x'2,...,x'NP}；

将改进Tent混沌映射和反向学习生成的初始解混合成一个具有2NP个初始解的群体，然后根据适应度值排序选出适应度值较小的NP个初始解；

所述劣势种群随机交换为：对所述适应度值较小的NP个初始解，随机选取两个不同个体1和个体2，并对每个个体随机抽取互不重复的K个位置，将个体1的K个位置替换到个体2中，同理对个体2执行同样操作，产生两个新的初始解个体；然后计算每个个体的适应度值并于前NP个较小的初始解比较，选出适应度值较小的NP个初始解；

4.3)改进狩猎方式

当 时鲸鱼种群进行收缩捕食，此阶段包括p<0.5时种群进行收缩包围，p≥0.5种群进行螺旋式移动，数学表达式如下：其中a为收敛因子；T为最大迭代次数；t为当前迭代次数； 与 均为随机向量，其取值范围为[0,1]； 和 是系数向量； 是当前最佳鲸鱼个体位置； 是当前鲸群个体位置，||表示绝对值操作，D表示距离，·是逐元素相乘符号；

当 且p<0.5时鲸鱼种群进行随机捕食，采用一种随机跳跃策略来更有效地选择搜索代理；

4.4)强化学习选择收敛因子

Q学习是一种模型无关的强化学习算法，通过代理多步学习求出最大折扣回报的行动，得到最优行动策略；若将收敛因子调整策略看成行动，则鲸鱼个体选择最优调整策略便转化为代理选择最优行动；

4.4.1)设定参数：收敛因子取值范围amax，amin；计算Q所需个体进化步数m；折扣因子给γ；算法迭代次数；

4.4.2)对于每个个体，利用以下给定的n个行动产生n个新后代，并设定t＝1

4.4.3)Do while t

其中：fp(a)为父代鲸鱼个体对应的适应度函数值，fo(a)为选择行动a后生成的子代鲸鱼个体对应的适应度函数值；

4.4.4)利用下式计算每个进化策略对应的Q，选择使Q最大化的行动所对应的a值为当前a值，同时忽略其他n‑1个a值(1) 2 (2) m (m)

Q(a)＝r(a)+γQ(a )+γQ(a )+…+γQ(a )(i)

其中:a,a ∈A,且1≤i≤m,参数m控制计算Q值向前看的步数；

4.5)t分布‑levy飞行变异策略

采用以迭代次数为t分布的自由度参数的t分布变异算子对解的位置进行扰动，使得算法在迭代前期具有较好的全局开发能力，在迭代后期具有良好的局部探索能力，并提高算法的收敛速度；设置t分布变异概率为0.5，针对每只鲸鱼，都生成一个[0,1]的随机数，随机数小于变异概率的鲸鱼为满足变异条件的鲸鱼，执行t分布扰动，具体的位置更新方式如下：其中， 为自适应t分布变异扰动后最优解在第j维的位置， 为变异扰动前最优解在第j维的位置，t(iteration)为自由度参数为迭代次数地t分布；t分布概率密度函数为：如果经t分布扰动后的新解适应度值更好，则替换旧的解；否则，保留旧解；

Levy飞行是一种随机搜索方式，在经过t分布扰动后鲸鱼优化算法采用Levy飞行策略，在最优位置附近进行小范围搜索，有效扩大算法的搜索范围，可种群跳出局部最优，这样形成一个新解，若新解的适应度值好于旧解，则替换它；采用Levy飞行的位置更新公式为：x(t+1)＝x(t)+levy(β)

其中levy(β)是一种生成服从levy分布的随机数的方法；使用正态分布来求解随机数，生成随机数服从levy分布的步骤如下：2

其中u服从正态分布，即u～N(0,σ)，v服从标准正态分布，即v～N(0,1)；σ的取值如下：一般来说，β的取值范围是1≤β≤3。

2.根据权利要求1所述的一种基于IWOA‑ELM的滚动轴承故障诊断方法，其特征在于：所述步骤2)采用变分模态分解方法对四组轴承的振动信号f(t)数据进行分解，具体包括如下步骤：假设将轴承振动信号f(t)分解成为k个本征模态uk，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个本征模态的估计带宽之和最小且所有本征模态之和等于f(t)，因此构造约束变分模型的数学表达式如下所示：式中：k为分解的模态个数，为正整数，{uk}、{ωk}分别对应分解后第k个模态分量和中心频率，t为时间，δ(t)为狄拉克函数，*为卷积运算符；

为求取上述约束变分问题的最优解，引入Lagrange乘法算子λ和二次惩罚因子α，将约束变分问题转变为非约束变分问题，得到增广函数，即式中：α为二次惩罚因子，作用是降低高斯噪声的干扰；利用交替方向乘子迭代算法结合Parseval和傅里叶等距变换，优化得到各本征模态分量和中心频率，从而将轴承振动信号f(t)分解为k个本征模态。

3.根据权利要求1所述的一种基于IWOA‑ELM的滚动轴承故障诊断方法，其特征在于：所述步骤3)计算各本征模态分量的能量熵具体包括如下步骤：原始振动信号f(t)经过迭代滤波分解得到一组IMF分量，计算前k个分量的能量：其中xi对应分解后第i个IMF分量在t时刻的能量，Ex为第i个IMF分量的能量，n为总的IMF分量个数，pi为第i个IMF分量的能量与总能量的比值：得到能量熵Hen：

4.根据权利要求1所述一种基于IWOA‑ELM的滚动轴承故障诊断方法，其特征在于：所述步骤5)滚动轴承的故障诊断具体步骤为：将隐藏层神经元输入权重和偏置作为待优化目标，初始化个体初始值，以极限学习机的错误率为适应度值，将特征集分为训练集与测试集作为极限学习机的输入，求得最小适应度值Fmin和群体极值Gbest和个体极值Pbest；迭代更新最优解、个体极值Pbest与群体极值Gbest，直到取得最佳适应度值或达到最大迭代次数；求得最优隐藏层权重和偏置；改进鲸鱼算法优化极限学习机对故障特征进行分类。