1.一种基于EAS和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述离心泵故障诊断方法包括如下步骤：

步骤1：数据的选择与处理：使用电特征分析技术(ESA)选择电信号作为故障诊断输入数据并归一化处理，采用主元分析(PCA)分析不同故障信号在故障诊断中的贡献率，证实电特征分析技术(ESA)选择的正确性，将选择的故障信号转为灰度图像；

步骤2：建立和训练堆叠胶囊自编码器模型的PCAE：将步骤1中的灰度图像训练集数据提取像素后输入PCAE；

步骤3：建立和训练堆叠胶囊自编码器模型的OCAE：将训练完成的PCAE提取的特征图输入OCAE进行分类。

步骤4：使用测试集验证故障诊断模型准确性。

2.根据权利要求1所述一种基于EAS和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述步骤2具体包括如下步骤：步骤2.1：将图像像素输入PCAE的CNN编码器，编码器将图像划分为部分并推断不同部分的特征图，将CNN编码器提取出的特征图输入基于自注意力池化的全局平均池，降低划分的部分胶囊数量，将池化层输出输入全连接层，根据dm判定该部分胶囊是否存在，若部分胶囊别被判定存在，则使用PCAE的仿射变换解码器将部分胶囊变换到图像的模板Tm，其中， 为仿射变换后的模板；

步骤2.2：图像全部部分胶囊变换完成后，使用dm和 预测模板之间的混合概率：其中， 为图像模板的混合概率，使其得到最优的划分部分与推断特征图的性能。

3.根据权利要求2所述一种基于EAS和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述步骤2.1中的所述特征图包括一个六维姿势xm、一个存在变量dm∈[0,1]和一个表示部分遮挡关系和部分颜色的特殊标识zm∈R，表示为：enc

x1:M,d1:M,z1:M＝h (y)enc

其中，h (y)为CNN编码器。

4.根据权利要求2所述一种基于EAS和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述步骤2.2中，计算重构混合图像与原始图像的似然性的目标函数为：其中，y是原始图像， 为混合概率， 为仿射变换到模板的新部分，cm为预测部分的颜色。

5.根据权利要求1所述一种基于EAS和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述步骤3具体包括如下步骤：步骤3.1：将训练完成的PCAE提取的特征图输入OCAE的基于自下而上注意力机制的Set Transfer编码器，根据输出稀疏激活少量对象胶囊：caps

OV1:K,c1:K,a1:K＝h (x1:M)其中，编码器输出的OV1:K是对象胶囊‑观众仿射矩阵，c1:K是输出的特征向量，a1:K是不caps

同对象胶囊的存在概率，h 是Set Transfer编码器；

步骤3.2：根据a1:K稀疏激活少量对象胶囊，对象胶囊使用多层感知器解码器从c1:K中预测出n个候选部分以及它们的参数：其中，解码器输出的OPk,1:N是对象胶囊‑部分胶囊仿射矩阵，ak,1:N是候选部分的条件概率，λk,1:N是相关的标量标准差， 是对象胶囊的MLP解码器；

步骤3.3：根据候选部分生成一个独立的混合预测部分，并计算混合部分与原始部分的似然性：

步骤3.4：根据部分似然性判定部分是否属于激活的对象胶囊，如不是传递给下一个对象胶囊，通过最大化混合部分与原始部分的似然性，训练对象胶囊，使其拥有最高的分类精度。

6.根据权利要求5所述一种基于EAS和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述步骤3.3中原始部分和混合部分似然度的目标函数为：其中，ak为对象胶囊的存在概率，ak,m为对象胶囊的候选部分存在概率，dm为部分胶囊存在概率，xm为部分的姿势，p(x1:M,d1:M)是原始部分与混合部分的似然度。

7.根据权利要求1所述一种基于EAS和堆叠胶囊自编码器的离心泵故障诊断方法，其特征在于：所述步骤1中从离心泵选择的故障信号为：提取离心泵在在间隙处磨损、出口处有少量沉积物、入口处有沉积物、出口的磨料磨损、叶轮刀片损坏、叶轮气蚀六种故障状态下的扬程、出口速度、入口速度、离心泵转矩、与离心泵相连的电机转矩的五个故障信号。