1.基于差分进化神经网络的行星齿轮故障诊断方法，其特征在于：包括如下步骤：
s1、确定故障模式类型，通过传感器获取行星齿轮的振动信号；
s2、采用经验小波变换方法分解所述振动信号，所述经验小波变换通过二分k均值划分频谱；
s3、根据时频域指标选择差异较大的信号分量，并将该信号分量的时频域指标形成特征矩阵；
s4、通过t-sne特征降维方法对所述特征矩阵降维；
s5、利用概率神经网络故障诊断模型进行故障类型诊断，所述概率神经网络的光滑因子δ通过差分进化优化算法优化后选取最优的δ值。
2.根据权利要求1所述基于差分进化神经网络的行星齿轮故障诊断方法，其特征在于：所述故障模式类型包括故障种类和故障位置，故障种类包括行星齿轮正常、太阳轮断齿故障、行星轮断齿故障、齿圈断齿故障和太阳轮点蚀故障，故障位置包括太阳轮故障、行星轮故障和齿圈故障。
3.根据权利要求1所述基于差分进化神经网络的行星齿轮故障诊断方法，其特征在于：步骤s2具体包括：
s21、将步骤s1获取的振动信号进行傅里叶变换，得到原始振动信号的频谱图；
s22、通过二分k-means方法确定若干阈值；
s23、将s22中的阈值作为频谱划分的边界，将原始振动信号的频谱分割成若干频带区间；
s24、在每个频带上建立滤波器，提取具有紧支撑的调幅调频分量；
s25、构建经验小波函数，筛选含有所述故障模式的频率的imf信号分量；
s26、计算各个imf信号分量指标。
4.根据权利要求3所述基于差分进化神经网络的行星齿轮故障诊断方法，其特征在于：步骤s22包括：
s221、将频谱所有幅值作为一个簇，利用k-means聚类算法将其分成两个子簇；
s222、分别计每个子簇的误差平方和，计算公式为：
其中，wi表示权重值，y*表示该子簇所有幅值点的平均值；
s223、选择使平方和误差sse最小的子簇利用k-means算法将其分成两子簇；
s224、重复s222-s223操作，直到将频谱幅值点分成k个簇。
5.根据权利要求1所述基于差分进化神经网络的行星齿轮故障诊断方法，其特征在于：步骤s5所述构建概率神经网络模型包括如下步骤：
s51、构建概率神经网络模型；
s52、通过差分进化方法优化得到平滑因子δ，将该平滑因子输入步骤s51中的概率神经网络模型中，根据所述概率神经网络模型的输出结果输入故障诊断评价指标模型中进行诊断结果准确率的判断；
s53、判断是否达到预设优化次数，若是，则进行步骤s54，若否，重复步骤s52；
s54、选择准确率达到最大值时的平滑因子δ，得到最终优化的概率神经网络模型；
s55、输入测试样本矩阵，检验构建的概率神经网络的准确性；
s56、将步骤s4得到的特征矩阵输入最终概率神经网络模型中诊断故障种类和故障位置。
6.根据权利要求5所述基于差分进化神经网络的行星齿轮故障诊断方法，其特征在于：所述差分进化具体过程包括：
s521、初始化平滑因子种群；
s522、对所述平滑因子种群的个体进行变异、交叉和选择操作，产生新个体平滑因子δ；
s523、判断是否达到迭代次数，若是，则进入步骤s524，否则，重复进行步骤s522；
s524、终止差分进化迭代运算。
7.根据权利要求5所述基于差分进化神经网络的行星齿轮故障诊断方法，其特征在于：所述故障诊断评价指标模型为：
其中，p表示训练样本中真正为故障样本的样本率，tp为训练样本中的故障样本数量，fp为训练样本中为非故障的样本数量。