1.一种基于深度学习的异步电动机故障监测与诊断方法，其特征在于，包括深度神经网络模型建立和实时运行状态监测两个过程；

所述深度神经网络建立过程包括以下步骤：

步骤S1，数据预处理；

步骤S1.1，获取原始数据；

获取异步电动机在已知工况类型时的电力负荷时间序列，所述电力负荷时间序列的时间跨度为Num1个电力负荷周期，每个电力负荷周期包括Num2个样本时刻，每个样本时刻的电力负荷数据包括电压、电流和功率三个维度的数据；

步骤S1.2，数据图像化；

以电压、电流和功率数据分别作为RGB图像中三个图层的像素点灰度值，将每个电力负荷周期的Num2个样本时刻的电压、电流和功率数据，对RGB图像三个图层的各像素点进行赋值，其中样本时刻的顺序与像素点的行列顺序依次对应，每个电力负荷周期对应得到1张RGB图像，并作为异步电动机的特征图像；每个电力负荷时间序列得到一组RGB图像，并按时间顺序组成异步电动机的特征图像时间序列；

步骤S2，深度神经网络构建；

所述深度神经网络的结构依次包括：输入层、卷积神经网络、内部LSTM网络、外部LSTM网络和输出层；所述输入层、卷积神经网络、内部LSTM网络、外部LSTM网络和输出层依次连接；

步骤S3，模型训练；

以异步电动机的特征图像时间序列和相应的工况类型分别作为输入和输出数据，训练深度神经网络，得到故障诊断模型；

所述实时运行状态监测过程包括以下步骤：

步骤T1，数据预处理；

按照步骤S1所述的数据预处理方法，获取待测异步电动机的特征图像时间序列；

步骤T2，故障诊断；

将待测异步电动机的特征图像时间序列输入至步骤S3得到的故障诊断模型中，由故障诊断模型诊断待测异步电动机的工况类型。

2.根据权利要求1所述的方法，其特征在于，步骤S1.2的具体过程为：步骤S1.2.1，数据缩放：将每个样本时刻的电压、电流和功率数据，均按比例缩放至范围为[0，255]；

步骤S1.2.2，数据分割：将电力负荷时间序列按照电力负荷周期分为Num1个电力负荷时间序列片段；

步骤S1.2.3，数据重构：将每个电力负荷时间序列片段的Num2个电力负荷数据，均重排为Num3*Num4的三维矩阵，共得到Num1个三维矩阵；其中，三维矩阵的各维分别为电压、电流和功率数据；

步骤S1.2.4，图像时间序列生成：以三维矩阵中的电压、电流和功率数据，分别作为RGB图像中三个图层的像素点灰度值，每个三维矩阵得到1张RGB图像，由Num1个三维矩阵得到一组由Num1张RGB图像组成的图像时间序列。

3.根据权利要求1所述的方法，其特征在于，所述电力负荷时间序列包括电压时间序列、电流时间序列和功率时间序列，在步骤S1.2之前还包括步骤S1.1.5，小波阈值去噪：对电压时间序列、电流时间序列和功率时间序列，分别采用小波阈值方法进行去噪处理。

4.根据权利要求3所述的方法，其特征在于，所述采用小波阈值方法对电流时间序列进行去噪处理的具体步骤为：步骤S1.1.5.1，小波分解；

采用db4小波包对电流时间序列进行五层分解，得到相应的小波系数；

步骤S1.1.5.2，阈值确定；

按以下公式计算确定阈值T：

步骤S1.1.5.3，阈值函数选择；

选择软阈值函数对含有噪声系数的小波系数y进行过滤处理，去除高斯噪声系数，得到过滤后的小波系数Tsoft，其中过滤处理函数为：步骤S1.1.5.4，小波重构；

利用过滤后的小波系数进行小波逆变换，得到去噪处理后的电流时间序列；

对电压时间序列和功率时间序列进行去噪处理的方法与电流时间序列的去噪方法相同。

5.根据权利要求1所述的方法，其特征在于，在训练深度神经网络时，初始学习率设置为0.1，训练样本循环次数为5000，并采用梯度下降算法，确定深度神经网络中各神经元的连接权重，得到故障诊断模型。

6.根据权利要求1所述的方法，其特征在于，在训练深度神经网络时：卷积神经网络根据输入的RGB图像提取异步电动机的故障空间特征；内部LSTM网络根据卷积神经网络输出的故障空间特征，提取异步电动机在单个电力负荷周期中的第一时间特征；外部LSTM网络根据内部LSTM网络输出的第一时间特征，提取异步电动机在连续Num1个电力负荷周期中的第二时间特征。

7.根据权利要求1所述的方法，其特征在于，所述工况类型包括：电动机正常工作、定子绕组故障、转子断条故障、错位、动态气隙偏心和轴承齿轮箱故障。

8.根据权利要求1所述的方法，其特征在于，Num1＝5，Num2＝400，Num3＝20，Num4＝20。