1.一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，其特征在于，所述方法包括：通过海鸥优化算法自适应求得变分模态分解最佳模态数与二次惩罚因子；

基于所述最佳模态数与二次惩罚因子进行变分模态分解，得到多个分解模态，基于各个分解模态与原始信号之间的相关峰度指标确定振动信号的故障敏感模态；

计算振动信号的故障敏感模态的稀疏性影响指标；所述稀疏性影响指标为峰度均方根指标，所述峰度均方根指标由包络谱的峰度与原始信号的均方根组成；

根据所述稀疏性影响指标，确定滚动轴承的早期故障是否发生；

其中，通过海鸥优化算法自适应求得变分模态分解最佳模态数与二次惩罚因子，包括：初始化海鸥优化算法参数，取K值范围3：7，α值范围500：5000，开始迭代；其中，K表示模态数，α表示二次惩罚因子；

应用变分模态分解对原始信号进行分解，获得多个模态；

计算最小临近模态的平均相关系数；

更新最小临近模态的平均相关系数；

判断是否满足迭代终止条件，如果当前迭代次数小于总次数，则继续迭代并更新海鸥位置，返回执行应用变分模态分解对原始信号进行分解的步骤；如满足迭代终止条件，终止迭代，输出最优K与α值。

2.根据权利要求1所述的一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，其特征在于，平均相关系数的计算公式如下：

其中MC表示平均相关系数，C(uk,uk+1)为第k个模态uk与第k+1个模态uk+1的相关系数，k为所获得的模态数。

3.根据权利要求1所述的一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，其特征在于，相关峰度指标WKI的表达式如下：WKI＝|C|·Ku；

其中C表示分解模态与原始信号之间的相关系数，Ku表示峰度指标，其表达式如下：其中xi、N、μx分别是样本、样本数、时间序列x(t)的均值。

4.根据权利要求3所述的一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，其特征在于，峰度均方根指标KRI表达式如下：

其中RMS表示均方根，其计算公式如下：

其中N表示信号采样数。

5.根据权利要求1所述的一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，其特征在于，根据所述稀疏性影响指标，确定滚动轴承的早期故障是否发生，包括：在当前时刻的稀疏性影响指标值大于采样前期50个点的平均稀疏性影响指标，且该时刻后5个采样点的稀疏性影响指标值均大于前50个采样点的均值时，确定滚动轴承的早期故障已经发生。