1.一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，该方法包括以下步骤：步骤1，构建网格优化算法模型：

在取值范围内初始化网格优化的网点位置向量，根据位置向量对原始振动信号进行VMD分解，构建以VMD的分解次数和惩罚因子为位置向量的网格优化算法；

步骤2，计算步骤1中VMD分解后每组固有模态分量IMFs间的平均皮尔逊相关系数；

步骤3，构建VMD优化参数集：

根据步骤2求得的IMFs间的平均皮尔逊相关系数，获得每组分解次数下对应的最佳惩罚因子值，构成VMD优化参数集；

步骤4，采用步骤3构建的VMD优化参数集中的参数组分解原始振动信号，计算每组参数下分解得到IMFs的包络功率谱峰度值KEPS；

步骤5，采用步骤3构建的VMD优化参数集中的参数组分解原始振动信号，计算每组参数下分解得到每个IMFs与原始振动信号间的相关系数C；

步骤6，计算KEPS和C的积，得到融合冲击指数SII，计算每组参数下分解IMFs的平均融合冲击指数，最小平均融合冲击指数所在的位置向量即为最佳网点位置向量；

步骤7，输出步骤6获得的最佳网点位置向量，得到VMD的分解参数组合；

步骤8，根据步骤7获得的VMD的分解参数组合对原始振动信号进行VMD分解，将分解出IMF分量相加得到的重构信号，即得到降噪后信号。

2.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤1中VMD分解的分解次数K的取值范围[2,16]，步长为1；惩罚因子α的取值范围[1000,14000]，步长为50。

3.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤2的具体过程为：VMD分解原始振动信号得到IMFs后，根据式(1)计算每组IMFs之间的平均皮尔逊相关系数；

其中，Xi、Yi分别为输入的两个信号，

4.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤3的具体过程为：根据式(2)求出每个分解次数下的最小平均皮尔逊相关系数对应的最佳惩罚因子；

5.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤4的具体过程为：首先，根据式(3)至式(9)算每组IMF的包络功率谱峰度值：fA(n)＝f(n)+j·Hilbert{f(n)}                     (3)其中，f(n)作为IMF的真实信号，fA(n)为IMF的解析信号，其下标re和im分别代表实部和虚部，fE(n)为包络信号，Hilbert{}代表希尔伯特变换；

然后，根据式(5)对包络信号进行离散傅里叶变换，得到IMF的包络谱；

然后，根据式(6)求得IMF信号的包络功率谱

最后，根据式(7)求得IMF信号的包络功率谱峰度；

其中，m2，m4分别代表二阶和四阶中心矩。

6.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤5的具体过程为：根据式(8)计算每组参数下分解得到每个IMF与原始振动信号间的相关系数C；

其中，uk表示为作为VMD分解分量之一的IMF，下角标k为分解分量中的第k个分量，f为原始信号，E[]代表数学期望。

7.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤6的具体过程为：通过式(9)计算融合冲击指数SII，根据式(10)计算每组参数下分解IMFs的平均融合冲击指数；

SII＝KEPS·|C|         (9)

最小平均融合冲击指数所在的位置向量即为最佳网点位置向量即为最优

8.根据权利要求7所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤8的具体过程为：根据得到的最优参数组合 对原始信号进行VMD分解，将分解的出 个IMF分量相加得到重构信号得到降噪后的信号。