1.一种VMD-SCO-MCNN的智能化轴承故障诊断方法，其特征在于，包括以下步骤：步骤一：获取轴承在正常情况及不同故障类型下的待训练振动信号；

步骤二：采用变分模态分解对振动信号进行降噪预处理，对信号分解、去噪、重构而生成新振动信号；

步骤三：将新振动信号通过短时傅里叶变换转换为二维时频图像；

步骤四：设置鲨鱼合作优化算法所需参数；

所述鲨鱼合作优化算法所需参数，包括白鳍礁鲨个体数量M、鲨鱼领袖比例Mp，0

所述鲨鱼合作优化算法是一种全新的元启发式群智能搜索优化算法，该算法包含白鳍礁鲨和灰礁鲨两种不同类型个体相互协作，在初始化阶段后，其搜索步骤要反复计算六个关键阶段：(1)领袖选举；(2)生成灰礁鲨；(3)构建捕猎团队；(4)团队围捕：(5)追逐；(6)放弃追逐；

在初始化阶段，随机生成M条白鳍礁鲨，其表达式为：

Bi0＝lb+(ub-lb)×rand(0,1)

其中，Bi代表第i条白鳍礁鲨个体的位置，上标0代表是初始化阶段，则Bi0代表第i条白鳍礁鲨在初始化阶段的位置；i＝1,2,…M，lb为搜索域的下限，ub为搜索域的上限，Bi0，lb，ub都是N维向量，其中N代表求解问题维度，rand(0,1)代表0～1之间的随机数组成的N维向量；

(1)在领袖选举阶段，计算M条白鳍礁鲨的适应度值，选取适应度值最优的P条白鳍礁鲨作为领袖：P＝round(M×Mp)

其中，P为领袖白鳍礁鲨的数量，Mp为鲨鱼领袖比例，round()函数代表对括号内的数值四舍五入取整数；

(2)在生成灰礁鲨阶段，对于选举出来的P条领袖白鳍礁鲨，在每个领袖周围的团队搜索范围Tp内随机生成不同数量的灰礁鲨，灰礁鲨的数量与白鳍礁鲨领袖的适应度值有关，每个领袖周围生成的灰礁鲨的数量表示为：Sat＝SH×(1-(Fat-Fmint)/(Fmaxt-Fmint))其中，SH最大灰礁鲨数量，上标t代表当前循环的次数，Sat为第a条白鳍礁鲨领袖周围生成的灰礁鲨的数量，a＝1,2,…P，Fa是第a条白鳍礁鲨领袖的适应度值，Fmaxt和Fmint是a条白鳍礁鲨领袖中适应度值的最大值和最小值；

而生成的每条灰礁鲨的位置为：

Hajt＝BAat+(ub-lb)×rand(0,1)×Tp

其中，Hajt代表第a条白鳍礁鲨领袖周边生成的第j条灰礁鲨的位置，BAat为第a条白鳍礁鲨领袖的位置，Hajt和BAat均是N维向量；

(3)在构建捕猎团队阶段，对于白鳍礁鲨领袖，将该领袖以及由该领袖生成的灰礁鲨组成一个捕猎团队，对于非领袖的白鳍礁鲨，则由各白鳍礁鲨个体分别组成一个捕猎团队；

(4)在团队围捕阶段，首先计算每个团队中每条鲨鱼的适应度值，其次计算每个团队的团队平均适应度值FTit和平均位置BSit，最后通过平均适应度值对比，得到适应度值最优团队的平均适应度值FTmint和平均位置BSmint，以及最差团队的平均适应度值FTmaxt；

(5)在追逐阶段，首先，对于每个团队，该团队白鳍礁鲨位置移动至全队适应度值最优的位置；其次，对于非适应度值最优团队，该团队中的白鳍礁鲨会向着最优团队平均位置的方向进行移动，其移动的步长大小Di和团队平均适应度值有关：Dit＝St×(ub-lb)×(FTit-FTmint)/(FTmaxt-FTmint)其中，St为最大移动步长比，则非最优团队的白鳍礁鲨位置会更新为：

Bit+1＝Bit+Dit×(BSmint-Bit)

其中，Bit+1为第t+1次循环第i条白鳍礁鲨个体的位置；

最后，删除所有灰礁鲨；

(6)在放弃追逐阶段，每经过D轮迭代次数，删除平均适应度值最差的M×DP条团队中的白鳍礁鲨，并在搜索域范围内，按照初始化阶段的方法重新生成M×DP条白鳍礁鲨，其中D为放弃追逐迭代次数，DP为放弃追逐比例；

六个关键阶段计算完成后，判断是否完成迭代，若迭代完成，则搜索结束，输出最优位置，若迭代未完成，则进入下一轮迭代；

步骤五：以二维时频图像为输入，通过鲨鱼合作优化算法优化多尺度卷积神经网络的超参数；

步骤六：基于优化后的超参数，训练得到基于VMD-SCO-MCNN的智能化轴承故障诊断方法的轴承故障诊断模型；

步骤七：将待诊断的故障诊断信号进行降噪预处理，通过短时傅里叶变换转化为二维时频图像，并将图像输入到训练好的变分模态分解-鲨鱼合作优化算法-多尺度卷积神经网络的轴承故障诊断模型中，实现轴承故障诊断。

2.如权利要求1所述的一种VMD-SCO-MCNN的智能化轴承故障诊断方法，其特征在于，步骤二中，所述降噪预处理包括以下流程：设置进行变分模态分解降噪所需的固有模态函数数量、惩罚因子；将原始信号使用变分模态分解算法分解信号以获得多个固有模态函数分量；将固有模态函数按照中心频率从高到低排列，并计算每个固有模态函数的相关性，相关性最低的固有模态函数，则将其标记为噪声固有模态函数；去除所有标记为噪声的固有模态函数，并将剩余的固有模态函数相加以获得去噪后的重构信号。

3.如权利要求1所述的一种VMD-SCO-MCNN的智能化轴承故障诊断方法，其特征在于，步骤五中，所述多尺度卷积神经网络包含三个不同尺度的卷积核，所述超参数包括卷积层神经元个数、池化层大小、全连接层神经元个数、批大小。