1.一种改进胶囊网络优化分层卷积的轴承亚健康识别方法，其特征在于，其步骤为：

1)信号采样：将加速度传感器分别放置于电机壳和风扇的十二点钟方向，MATLAB处理

16通道数据记录器采集的振动信号，12KHz的采样频率下收集信号，驱动端信号的采样频率是48000S/s；

2)降噪处理：对原始数据采用小波变换、小波包变换两种处理数据的方式；其中，小波变换对信号低频部分进行处理，小波包变换对信号高频部分进行处理，在做相应的变换之后用最小值–最大值归一化处理，使得数据在保持原有相对关系的基础上，数值波动范围稳定在[0,1]；

3)特征提取：设置3层的分层卷积结构，设计的卷积核大小分别为1*1，3*3，5*5，然后将

3*3分为3*1和1*3，将5*5分为5*1和1*5，对信号进行多尺度和多角度特征提取，当前一层的卷积层完成卷积操作后，输出数据就会分别输入到这三个不同大小卷积核中进行操作，经过分层卷积后，进入concat连接层，将多个维度卷积核卷积后的结果进行concat，对提取到的特征进行汇总；

4)亚健康状态划分：使用改进的胶囊网络进行亚健康状态的划分；

5)机械设备状态识别：利用实测的轴承数据，识别出轴承的状态。

2.根据权利要求1所述的一种改进胶囊网络优化分层卷积的轴承亚健康识别方法，其特征在于：所述的步骤3)中，具体方法为：

3.1)分别对原始信号用小波变换、小波包变换进行预处理；

3.2)将预处理后的数据分别输入到卷积神经网络conv1、conv2中，进行卷积操作；

3.3)将conv1和conv2卷积后的结果进行汇聚，输入到concat连接层；

3.4)concat后的结果输入conv4中进行卷积操作；

3.5)将conv4卷积后的结果，分别输入到并行多尺度的卷积核中，进行并行卷积处理，多角度进行特征的提取；

3.6)将并行三个尺度的卷积核卷积后的结果输入到下一个concat层进行汇聚；

3.7)将分层卷积神经网络的输出，输入到改进的胶囊网络中进行分类。

3.根据权利要求1所述的一种改进胶囊网络优化分层卷积的轴承亚健康识别方法，其特征在于：所述的步骤4)中，具体方法为：在提出分层的卷积神经网络的基础上，将卷积后的结果输入到改进的胶囊网络进行亚健康识别，改进的胶囊网络采用修剪机制，根据阈值修剪耦合系数，同时，使用参数修正的动态路由更新方法，用低层胶囊耦合系数更新高层胶囊；

4.1)将分层卷积得到的结果输入到主要帽层进行处理，构建向量神经元，将胶囊单元将作为胶囊层的输入，方法是将特征层的每4个通道合并成为一个新的胶囊单元，新组成胶囊单元的每个神经元向量的维度则为4，所得到的胶囊单元的通道数将减少为原来通道数的1/4；

4.2)根据耦合系数的阈值，判定是否需要进行剪枝策略，需要，则将相应的权重矩阵置为0，假设当耦合系数小于一定阈值的时候，就进行剪枝操作，即将耦合系数的值设为0，此后进行的动态路由算法就不用再对其值进行更新；

4.3)使用参数修正的动态路由更新策略，稳定其更新过程，迭代耦合系数cj|i用式(1)表示：其中， 是每个低层胶囊 的存在概率，bj|i是耦合系数的对数，高层胶囊vj的更新用式(2)表示：其中，squash是非线性压缩函数， 是低层胶囊，aj是高层胶囊的概率，vj是高层胶囊。

耦合系数bj|i按照式(3)进行更新：

高层胶囊及其在层中简化符号的概率表示为式(4)：

其中，是所有前一层中的胶囊，v是所有后一层的胶囊，a是概率。

4.4)胶囊层输出的胶囊单元为10个维度为8的向量，每个向量代表每一种故障类型，向量的模代表某个故障类别的概率；将输出的胶囊单元中的每个向量的二范数求出，其计算公式可表达为式(5)：pj＝||vj||(5)

其中，pj代表故障类别的概率值，||vj||代表向量的模。

4.5)在前向传播过程中，经过分层的卷积运算和一层的胶囊运算，在将胶囊运算后输出的向量转化为标量之后，最终输出的是10个概率值，分别对应着十种类型的故障。