1.基于新型胶囊网络的刀具破损监测系统，包括信号采集模块(1)、数据处理模块(2)和新型胶囊网络模型(3)，其特征在于：所述信号采集模块(1)与数据处理模块(2)建立数据连接，数据处理模块(2)与新型胶囊网络模型(3)建立数据连接。

2.根据权利要求1所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述信号采集模块(1)包括振动信号采集子模块(10)和声发射信号采集子模块(11)。

3.根据权利要求1所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述数据处理模块(2)包括信号融合子模块(20)、分段处理子模块(21)和数据集划分子模块(22)。

4.根据权利要求1所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述新型胶囊网络模型(3)包括多尺度卷积层(30)、批量归一化层(31)、胶囊网络层(32)和分类层(33)，且多尺度卷积层(30)的输出端通过批量归一化层(31)与胶囊网络层(32)建立数据连接，胶囊网络层(32)的输出端与分类层(33)建立数据连接。

5.根据权利要求4所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述多尺度卷积层(30)包括宽核卷积层(300)和小卷积核层(301)。

6.根据权利要求4所述的基于新型胶囊网络的刀具破损监测系统，其特征在于：所述胶囊网络层(32)包括普通卷积层(320)、主胶囊层(321)和数字胶囊层(322)。

7.基于新型胶囊网络的刀具破损监测系统的监测方法，包括步骤一，数据获取和预处理；步骤二，搭建新型胶囊网络模型；步骤三，模型训练；步骤四，模型测试；其特征在于：其中上述步骤一中，采集数控机床车削加工过程中，正常和细微崩刃状态刀具，在不同切削参数的加工过程中所产生的振动信号和声发射信号；由信号采集模块(1)进行采集，并将所采集到的信号输送给数据处理模块(2)，数据处理模块(2)去除进刀和退刀过程中的信号数据，取其平稳加工阶段的信号数据，然后将不同种类传感器信号融合后进行分割，得到多个等长度的时间序列样本；根据分割得到的多个样本数据根据对应的刀具状态贴上标签，并且将样本与标签组合成数据集，选取数据集的85％作为训练集，15％作为测试集；

其中上述步骤二中，构建多尺度卷积层(30)、批量归一化层(31)、胶囊网络层(32)和分类层(33)，完成新型胶囊网络模型(3)的搭建；其中，批量归一化层(31)即BN层，用以将数据的分布拉回一致；胶囊网络层(32)用以将多尺度卷积层(30)的标量输出胶囊化为向量；分类层(33)对数字胶囊层(322)中输出的预测向量求其二范数来表征不同刀具状态的概率，其公式为：

Pj＝‖vj‖

其中，Pj表示模型输出的概率值；

其中上述步骤三中，将上述步骤一中所得到的训练集输入到步骤二中所构建的新型胶囊网络模型(3)中，利用Adam优化算法，采用的损失函数由间隔损失和重构损失结合来计算总损失，其表达式为：

+ 2 ‑ 2

Lj＝Tjmax(0,m‑‖vj‖) +λ(1‑Tj)max(0,‖vj‖‑m)其中，vj表示模型预测出的向量；‖vj‖代表模型输出的概率值，下标j表示刀具状态类+

别；Tj为分类指示函数，当输入的样本类别与状态类别j为同一类别时Tj＝1，否则Tj＝0；m‑

为上边界，取固定值为0.9；m 为下边界，取固定值为0.1；λ为比例系数，用来调整两项损失的比例，取值为0.5；在模型的整个训练过程中，使用批处理的方法分批训练样本，训练完成后选择损失值最小，准确率最高的模型作为最终模型；

其中上述步骤四中，将上述步骤一中所得到的测试集输入到步骤三中所得到的最终模型中进行测试，预测刀具的状态。

8.根据权利要求7所述的基于新型胶囊网络的刀具破损监测系统的监测方法，其特征在于：所述步骤二中，多尺度卷积层(30)的第一层为宽核卷积层(300)，第二层和第三层为小卷积核层(301)。