1.一种轴承劣化分析和故障诊断方法，其特征在于，包括如下步骤：

步骤1：获取机械生产过程中轴承的振动信号，包括与轴承工作面的裂痕、波纹相关和与轴承弹性相关的振动；其中与轴承表面裂痕、波纹相关振动能够反映其损伤的情况；

步骤2：对采集的轴承数据进行信号分解和特征降维处理；轴承的振动数据作为变分模态提取分解模型的输入，VME分解模型把轴承振动信号分解为多个不同频率的分量，对分解后的信号利用深度置信网络DBN进行特征提取，得到高维特征集；高维特征集数据作为均匀流形逼近与投影模型UMAP的输入，通过UMAP对重构的高维度数据集进行特征降维，去除无效信息的变量输入；

步骤3：建立基于深度置信网络和极限学习机混合模型DBN‑ELM的轴承劣化分析和故障诊断模型，利用改进的自适应差分进化算法OAGDE同步优化VME分解模型的近似中心频率wd和二次惩罚项α与DBN‑ELM的轴承劣化分析和故障诊断模型的权重，所述改进的自适应差分进化算法包括：反向学习构建新的初始化群，添加适应度距离平衡策略优化自适应差分进化配对池；改进的自适应差分进化算法OAGDE对DBN‑ELM模型的优化流程步骤为：步骤3.1：设置AGDE算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；

步骤3.2：利用反向学习构建新的AGDE算法初始种群，反向学习的公式为：其中，a表示种群上界限，b表示种群下界限，γ为初始种群个体，为反向种群个体；

步骤3.3：根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为Xpbest；

步骤3.4：通过CR的值判断是否需要变异操作，CR的自适应更新公式如下：步骤3.5：根据CR和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：其中， 是迭代后的粒子，F是[0,1]之间的随机值，是当前最优和最差配对池对迭代的影响因子， 为最佳个体配对池， 为中间个体配对池， 为最差个体配对池；

步骤3.6：将标准AGDE算法中的变异配对池转化为FDB指导的配对池，计算公式如下：其中， 为最佳个体配对池， 为中间个体配对池， 为最差个体配对池，为FDB指导配对池；

步骤3.7：迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入步骤3.2；否则，结束运行，输出最终运行结果；

步骤4：通过轴承振动信号与改进的自适应差分进化算法对建立的基于DBN‑ELM的轴承劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

步骤5：利用步骤4中训练优化后的轴承劣化分析和故障诊断模型对机械生产过程中轴承数据在线劣化分析和故障诊断，得到对应的诊断结果。

2.根据权利要求1所述的一种轴承劣化分析和故障诊断方法，其特征在于，所述步骤2中利用AGDE‑VME分解模型把振动数据分解为多个不同频率的分解步骤如下：步骤2.1：构建和求解变分问题是VME的主要内容，约束变分模型公式如下：其中，f(t)代表的是输入信号；fr(t)代表剩余信号；wd代表近似中心频率；θ是狄拉克分布；α是二次惩罚项；ud(t)代表期望模态；β(t)代表滤波器的脉冲响应；

步骤2.2：将拉格朗日乘法算子λ和二次惩罚项α引入用于解决重建约束问题，增广拉格朗日函数公式如下：步骤2.3：对上述变分问题使用交替方向乘子算法和傅里叶变换进行求解，交替更新n+1和λ 可得出新的表达式如下所示：

步骤2.4：近似中心频率wd和惩罚因子α决定了VME的降噪性能，因此，选取正确的wd和α是VME算法准确分解信号的关键。

3.根据权利要求1所述的一种轴承劣化分析和故障诊断方法，其特征在于，所述深度置信网络DBN由2个RBM和一个BP分类器组成。

4.根据权利要求1所述的一种轴承劣化分析和故障诊断方法，其特征在于，所述步骤2中通过UMAP对重构的高维度数据集进行特征降维具体步骤如下：步骤2.5：设X＝{x1,…,xn}为输入数据集，对于每个xi，定义ρi和σi：其中，ρi的选择要确保至少有一个边缘权值为1的数据点与xi相连，σi为长度尺度参数；

步骤2.6： 为有向加权图，利用 的对称性质可得到无向加权图G，设A为G的加权邻接矩阵，可以得到一个对称矩阵：其中，利用邻接矩阵B定义了无向加权邻域图G， 是Hadamard乘积；

步骤2.7：UMAP沿顶点和边界分别施加斥力和引力来推导出一个由点集{yi},i＝1...N组成的等效加权图H；再使用交叉熵度量计算H和加权邻域图G之间的差异，使H的拓扑结构与G捕获的源数据相匹配，就可以得到数据整体拓扑的低维表示。

5.一种基于权利要求1所述的轴承劣化分析和故障诊断方法的轴承劣化分析和故障诊断系统，其特征在于，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、劣化分析和故障诊断模块；

数据采集模块，用于获取机械生产过程中轴承的振动信号，包括与轴承工作面的裂痕、波纹相关和与轴承弹性相关的振动，其中与轴承表面裂痕、波纹相关振动能够反映其损伤的情况；

数据处理模块，对采集的轴承数据进行信号分解和特征降维处理；轴承的振动数据作为变分模态提取分解模型的输入，VME分解模型把轴承振动信号分解为多个不同频率的分量，对分解后的信号利用深度置信网络DBN进行特征提取，得到高维特征集；高维特征集数据作为均匀流形逼近与投影模型UMAP的输入，通过UMAP对重构的高维度数据集进行特征降维，去除无效信息的变量输入；

模型训练模块，通过轴承振动信号与改进的自适应差分进化算法对建立的基于DBN‑ELM的轴承劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

智能优化模块，利用改进的自适应差分进化算法OAGDE同步优化VME分解模型的近似中心频率wd和二次惩罚项α与DBN‑ELM的轴承劣化分析和故障诊断模型的权重，模块内部包含一种改进的自适应差分进化算法程序，改进的自适应差分进化算法包括：反向学习构建新的初始化群，添加适应度距离平衡策略优化自适应差分进化配对池；

劣化分析和故障诊断模块，模型优化模块中训练优化后的轴承劣化分析和故障诊断模型对机械生产过程中轴承数据在线劣化分析和故障诊断，得到对应的诊断结果。