1.一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，包括以下步骤：S1、从采集的机械运行状态信号中提取时域统计特征和频域统计特征；

S2、采用机械故障诊断训练样本集训练支持向量机模型；

S3、以果蝇算法为框架，融入蝙蝠算法的回声定位思想，设计出改进果蝇-蝙蝠参数优化方法，并采用该方法来寻找支持向量机的全局最优参数；

S4、将步骤S3得到的全局最优参数代入支持向量机，完成基于支持向量机的故障诊断模型的构建。

2.根据权利要求1所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，步骤S2中所述支持向量机模型包括：s.t.yi(wTφ(xi)+b)-1+εi≥0；

其中，|| ||2表示二范数；w表示超平面的法向量，wT表示w向量的转置；C表示惩罚参数；

εi表示松弛变量；yi表示对第i个超平面分类的标签；b表示位移量，即到超平面的距离；φ(xi)表示经过核函数处理后的样本点xi；N表示支持向量机的维度。

3.根据权利要求2所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述核函数为高斯核函数，其表达式为：其中，g表示核参数，xi、xj均表示样本点；j∈(1,2,...,N)。

4.根据权利要求1所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述步骤S3具体包括：S301、对步骤S2所得支持向量机的参数进行赋值，支持向量机的惩罚参数表示为C，核参数表示为g，并将(C,g)记为果蝇种群的初始位置；

S302、给每个果蝇附上随机方向和距离，Ci＝C+rand，gi＝g+rand；其中，Ci表示更新后的惩罚参数值；gi表示更新后的核参数值；rand表示服从均匀分布的随机数；

S303、若该随机数rand小于根据蝙蝠算法设定的第一参数ri，则对果蝇种群进行局部搜索：Ci＝Ci+0.01×randn，gi＝gi+0.01×randn，randn表示服从标准正态分布的随机数；否则跳转至下一步；

S304、对所得的果蝇种群位置代入评价函数中，计算其适应度值；评价函数表示为：function(Ci,gi)表示(Ci,gi)参数对应的错误分类率；Se为分错类的训练样本数量，S为训练样本总数量；

S305、计算评价函数的最小值，即当前最优解：Fitnessbest＝min(function(Ci,gi))；

S306、对所得当前最优解的结果进行全局搜索：如果该当前最优解Fitnessbest优于全局最优值best，且根据蝙蝠算法设定的第二参数Ai大于生成的随机数rand，则接受当前最优值，并将当前最优值赋给全局最优值，即best＝Fitnessbest，将步骤S302的初始位置更新为最优果蝇个体对应的位置，即(C,g)→(Cbest,gbest)；否则放弃该当前最优值，并维持步骤S302的初始位置；

S307、将步骤S306所确定的初始位置，返回步骤S302，直至满足迭代终止条件，此时记录下最优的参数值。

5.根据权利要求4所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，在步骤S306对步骤S302中的初始位置更新后，若更新后的初始位置超出参数的取值区间，则需要对每个果蝇的初始位置进行映射处理，将其映射到所在区间内：Ci＝CLB+U(0，1)×(CUB-CLB)；

gi＝gLB+U(0，1)×(gUB-gLB)；

其中，CLB为C对应的下边界，gLB为g对应的下边界；CUB为C对应的上边界，gUB为g对应的上边界；U(0，1)为在区间[0，1]上的均匀分布随机数。

6.根据权利要求4所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述根据蝙蝠算法设定的第一参数ri为蝙蝠算法中的脉冲发射频率，该参数ri随着运算时间的推进而递增：t+1 0

ri ＝ri[1-exp(-γt)]

其中，rit+1表示t次循环时的第一参数；t为时间，ri0为初始发射频率，ri0的取值范围为[0，1]；γ为常数。

7.根据权利要求4所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述根据蝙蝠算法设定的第二参数Ai为蝙蝠算法中的响度，该参数为：其中，α为常数，取值范围为[0.85,0.95]； 表示在t+1时刻的第二参数； 表示为在t时刻的第二参数。