1.一种基于小波神经网络的网络故障诊断方法，其特征在于，包括步骤如下：S1，获取故障状态和正常状态下的网络数据；

S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；

S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；

S4,输入实时网络状态数据，判断网络是否出现故障；

S5,输出网络故障诊断结果及具体故障类别。

2.根据权利要求1所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，小波神经网络模型的建立过程如下：设定有P组训练数据，N个输入层神经元数，M个输出层神经元数，则第p个样本输入为 ；

第k个隐含层的输出为 ，其中，  为morlet小波函数， 为输入层和第k个隐藏层之间的连接权重，  为小波的尺度因子， 为小波的位移因子；

输出层的输出表达式为：

其中，  为输出层和隐藏层之间的连接权重 ，  p 、n 、m 为整数，；

小波神经网络输出的标准误差函数为：其中，  为第p个样本输出，  为第p个样本期望输出。

3.根据权利要求2所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，改进的灰狼优化算法实现过程如下：S31,根据选择的神经网络模型，确定需要优化的参数数量Q满足条件如下：其中，  是神经网络输入层的神经元个数， 是神经网络隐含层的神经元个数，是神经网络输出层的神经元个数；

S32，确定适应度计算函数：

其中，P为输入样本个数，obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络的计算值；

S33，依据每个灰狼个体的适应度值来确定狼群等级 α、β、δ和ω，将狼群中根据适应度值由小到大进行排序，第一个最小的灰狼个体作为头狼α，第二个体作为头狼β，第三个体作为头狼δ，其余的均为普通狼ω；对于每个灰狼个体，根据α、β、δ狼的位置更新自己的位置，并将新位置的适应度值与α、β、δ的位置适应度值比较，若新位置的适应度值更小，则保留新位置及其适应度值；不断迭代更新个体，达到迭代次数后，停止更新，此时，头狼α的位置，作为优化的小波神经网络权值、尺度因子、位移因子；实现过程如下：S331，灰狼个体将α、β、δ狼的位置假想为猎物的位置，并分别根据α、β、δ狼的位置更新自己的位置，该更新过程的表达式如下：其中，  分别为第 m 次迭代后α、β、δ狼的位置， 是第m代灰狼的位置，  是α、β、δ狼与灰狼之间的距离， 为灰狼ω分别根据头狼α、β、δ的位置更新的位置；C1、C2、C3、A1、A2、A3为协同系数，协同系数C和A的计算公式分别为：其中， 和  为区间[0,1]的随机数，s 是随迭代次数增加从2非线性递减到0的常数， 为优化算法的最大迭代次数；

S332，灰狼个体根据α、β、δ来更新自己的位置，并再次定位猎物的位置；具体表达式如下：

其中，  分别为α狼、β狼、δ狼的位置， 分别为ω狼对α狼、β狼、δ狼的更新权重；

灰狼位置更新公式为：

其中，  为第m代灰狼的更新位置。

4.根据权利要求3所述的基于改进小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，增加了动量因子  后的权值修正公式为:其中，为网络训练的学习率，  分别代表第t次迭代时神经网络的 。

5.一种基于小波神经网络的网络故障诊断设备，其特征在于，主要包括计算模块、存储模块、输入模块、输出模块和软件模块；

所述计算模块包括处理器及系统存储器，完成权利要求1‑4中任一项所述网络故障诊断模型的训练及故障诊断；

所述存储模块用于存储网络故障数据及诊断过程中产生的历史故障模型，通过调用存储设备中的数据，实现网络故障诊断；此外，存储设备的规格需满足大容量数据的读写要求，保证设备在处理大规模网络故障数据时，能快速有序运转；

所述输入模块用于接受实时故障数据，输出模块用于显示故障诊断结果；

所述软件模块包括数据获取模块、数据预处理模块、参数优化模块、训练模块和故障诊断模块；所述数据预处理模块用于原始网络故障数据的数值化、压缩和过滤，统一数据类型，去除故障数据中存在的大量冗余信息；所述参数优化模块用于优化相关诊断模型的参数；所述训练模块用于神经网络训练，形成历史故障数据诊断模型；所述诊断模块用于实时网络故障数据的诊断，形成诊断报告。

6.一种基于小波神经网络的网络故障诊断存储介质，用于存储程序，其特征在于，执行所述程序以实现权利要求1‑4中任一项所述网络故障诊断方法。