1.一种砂轮磨损状态监测方法，其特征在于，包括：

获取砂轮磨削过程的磨削力信号和振动信号，以及获取数据库中的历史砂轮磨损状态训练样本；所述历史砂轮磨损状态训练样本包括历史砂轮磨削过程的历史磨削力信号和历史振动信号及对应的历史砂轮磨损状态信息；

对所述磨削力信号和所述振动信号进行拼接，得到特征分量矩阵；

利用鲸鱼优化算法，基于所述历史砂轮磨削过程的历史磨削力信号和历史振动信号及对应的历史砂轮磨损状态信息，构建改进CNN-GRU模型，得到最佳性能监测模型；

将所述特征分量矩阵输入所述最佳性能监测模型，计算得到砂轮磨损状态信息；

对所述磨削力信号和所述振动信号进行拼接，得到特征分量矩阵，包括：对所述磨削力信号进行去噪处理，得到去噪后的磨削力信号；

对所述振动信号进行辛几何模态分解，得到辛几何模态分量；

拼接所述去噪后的磨削力信号和所述辛几何模态分量，得到特征分量矩阵；

利用鲸鱼优化算法，基于所述历史砂轮磨削过程的历史磨削力信号和历史振动信号及对应的历史砂轮磨损状态信息，构建改进CNN-GRU模型，得到最佳性能监测模型，包括：对所述历史砂轮磨削过程的历史磨削力信号和历史振动信号进行拼接，得到历史特征分量矩阵；

构建与所述历史特征分量矩阵对应的改进CNN-GRU模型，得到初步检测模型；

利用鲸鱼优化算法，根据所述历史特征分量矩阵中用于训练的数据及对应的历史砂轮磨损状态信息，训练所述初步检测模型，得到训练后的初步检测模型；

根据所述历史特征分量矩阵中未用于训练的数据，检验所述训练后的初步检测模型，得到最佳性能监测模型；

其中，构建与所述历史特征分量矩阵对应的改进CNN-GRU模型，得到初步检测模型，包括：在预设的CNN-GRU模型中添加批标准化层和双层的由双向GRU结构组成的BiGRU单元，得到第一CNN-GRU模型；

在所述第一CNN-GRU模型中各层所述BiGRU单元后面分别设置Dropout层，得到第二CNN-GRU模型；

在所述第二CNN-GRU模型中引入Self-Attention机制，用以构建与所述历史特征分量矩阵对应的改进CNN-GRU模型，得到初步检测模型。

2.根据权利要求1所述的砂轮磨损状态监测方法，其特征在于，利用鲸鱼优化算法，根据所述历史特征分量矩阵中用于训练的数据及对应的历史砂轮磨损状态信息，训练所述初步检测模型，得到训练后的初步检测模型，包括：将所述历史特征分量矩阵中用于训练的数据输入至所述初步检测模型，得到对应的砂轮磨损状态输出；

根据所述历史特征分量矩阵中用于训练的数据及对应的历史砂轮磨损状态信息和所述对应的轮磨损状态输出，确定训练误差；

通过鲸鱼优化算法，基于所述训练误差，调整所述初步检测模型的参数和超参数，得到最优参数和最优超参数，并利用所述最优参数和所述最优超参数，优化所述初步检测模型，得到所述训练后的初步检测模型。

3.根据权利要求2所述的砂轮磨损状态监测方法，其特征在于，将所述历史特征分量矩阵中用于训练的数据输入至所述初步检测模型，得到对应的砂轮磨损状态输出之前，还包括：初始化所述初步检测模型的参数。

4.根据权利要求1所述的砂轮磨损状态监测方法，其特征在于，通过鲸鱼优化算法，基于所述训练误差，调整所述初步检测模型的参数和超参数，得到最优参数和最优超参数，并利用所述最优参数和所述最优超参数，优化所述初步检测模型，得到所述训练后的初步检测模型，包括：基于所述训练误差，调整所述初步检测模型的参数，得到最优参数，并利用所述最优参数，优化所述初步检测模型，得到初步训练后的初步检测模型；

通过鲸鱼优化算法，优化所述初步训练后的初步检测模型的超参数，得到最优超参数；

利用所述最优超参数，优化所述初步训练后的初步检测模型，得到所述训练后的初步检测模型。

5.根据权利要求4所述的砂轮磨损状态监测方法，其特征在于，通过鲸鱼优化算法，优化所述初步训练后的初步检测模型的超参数，得到最优超参数，包括：设置待优化超参数，并将所述待优化超参数初始化；

通过预设的迭代方式和预设的错误率计算公式，对所述待优化超参数进行迭代的同时计算每次迭代后的错误率；

从每次迭代后的错误率中提取最小值，并将所述最小值对应的迭代后的待优化超参数确定为最优超参数。

6.一种砂轮磨损状态监测装置，其特征在于，包括：

获取模块，用于获取砂轮磨削过程的磨削力信号和振动信号，以及获取数据库中的历史砂轮磨损状态训练样本；所述历史砂轮磨损状态训练样本包括历史砂轮磨削过程的历史磨削力信号和历史振动信号及对应的历史砂轮磨损状态信息；

拼接模块，用于对所述磨削力信号和所述振动信号进行拼接，得到特征分量矩阵；

构建模块，用于利用鲸鱼优化算法，基于所述历史砂轮磨削过程的历史磨削力信号和历史振动信号及对应的历史砂轮磨损状态信息，构建改进CNN-GRU模型，得到最佳性能监测模型；

计算模块，用于将所述特征分量矩阵输入所述最佳性能监测模型，计算得到砂轮磨损状态信息；

所述拼接模块包括：

去噪子模块，用于对所述磨削力信号进行去噪处理，得到去噪后的磨削力信号；

分解子模块，用于对所述振动信号进行辛几何模态分解，得到辛几何模态分量；

第一拼接子模块，用于拼接所述去噪后的磨削力信号和所述辛几何模态分量，得到特征分量矩阵；

所述构建模块包括：

第二拼接子子模块，用于对所述历史砂轮磨削过程的历史磨削力信号和历史振动信号进行拼接，得到历史特征分量矩阵；

构建子模块，用于利用鲸鱼优化算法，基于所述历史特征分量矩阵及对应的历史砂轮磨损状态信息，构建改进CNN-GRU模型，得到最佳性能监测模型；

所述构建子模块包括：

构建单元，用于构建与所述历史特征分量矩阵对应的改进CNN-GRU模型，得到初步检测模型；

训练单元，用于利用鲸鱼优化算法，根据所述历史特征分量矩阵中用于训练的数据及对应的历史砂轮磨损状态信息，训练所述初步检测模型，得到训练后的初步检测模型；

检验单元，用于根据所述历史特征分量矩阵中未用于训练的数据，检验所述训练后的初步检测模型，得到最佳性能监测模型；

所述构建单元包括：

添加子单元，用于在预设的CNN-GRU模型中添加批标准化层和双层的由双向GRU结构组成的BiGRU单元，得到第一CNN-GRU模型；

设置子单元，用于在所述第一CNN-GRU模型中各层所述BiGRU单元后面分别设置Dropout层，得到第二CNN-GRU模型；

引入子单元，用于在所述第二CNN-GRU模型中引入Self-Attention机制，用以构建与所述历史特征分量矩阵对应的改进CNN-GRU模型，得到初步检测模型。