CN111626361A - 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法 - Google Patents

Abstract

一种改进胶囊网络优化分层卷积的轴承亚健康识别方法，首先提出多输入分层的CNN，将数据输入到三个并行的不同大小的卷积核中处理，多角度的提取信号中的亚健康信息。然后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，确保动态路由的更新过程更加准确、稳定。最后得到实测的轴承数据。通过本发明方法能正确识别轴承数据的状态。

Description

一种改进胶囊网络优化分层卷积的轴承亚健康识别方法

技术领域

本发明涉及一种改进胶囊网络优化分层卷积的轴承亚健康识别方法，属于滚动轴承故障诊断领域。

背景技术

随着工业应用不断的发展，工厂的设备都趋向大型化和智能化，一直以来离不开的重要问题就是安全，确保工作人员的安全问题会极大提高工厂的经济效益。滚动轴承是旋转设备必不可少的关键性的部件，由于其工作时间较长且工作负荷较大，设备又极其的复杂，因而不免会有零部件的损坏，轻则会影响工厂的效益，重则会对操作者的生命安全产生一定的损害，当机械设备产生故障时，滚动轴承是占比高达30％的部件，所以对其进行状态监测是极具意义且对很多行业都是极具价值。

发明内容

本发明的目的是提供一种改进胶囊网络优化分层卷积的轴承亚健康识别方法。

为实现上述目的，本发明创造采用的技术方案为：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。

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。

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c_j| ⁱ用式(1)表示：

其中，

是每个低层胶囊

的存在概率，b_j|i是耦合系数的对数。高层胶囊v_j的更新用式(2)表示：

其中，squash是非线性压缩函数，

是低层胶囊，a_j是高层胶囊的概率，v_j是高层胶囊。耦合系数b_j|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)将构建好的胶囊单元送入胶囊层，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)：

P_j＝||v_j|| (5)

其中，p_j代表故障类别的概率值，||v_j||代表向量的模值。

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。

本发明创造的有益效果为：

本发明以胶囊网络对卷积神经网络进行优化。针对传统CNN为提高轴承亚健康识别精度不断堆叠卷积层和池化层致使花费大量训练时间的问题，首先提出多输入分层的CNN，将数据输入到三个并行的不同大小的卷积核中处理，多角度的提取信号中的亚健康信息。然后将卷积后的结果输入到改进的胶囊网络进行亚健康识别，解决了CNN不能根据部分来识别整体从而对最后亚健康识别结果产生影响的问题。改进的胶囊网络采用修剪机制，根据阈值修剪耦合系数，避免更新参数时间的浪费。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，确保动态路由的更新过程更加准确、稳定。最后利用实测的轴承数据，比较了本方法与加权排列熵-特征选择型极限学习机、改进遗传算法优化BP神经网络、改进相关向量机优化边缘降噪自动编码器、改进鸡群算法优化RBF神经网络的亚健康识别准确率，证明提出的方法能正确识别轴承的状态，且识别准确率均高于其它四种方法，以此验证本发明的有效性。

附图说明：

图1是改进胶囊网络优化改进CNN的亚健康识别模型。

图2是动态路由更新参数示意图。

图3是改进胶囊网络优化改进CNN的亚健康识别流程图。

图4a为正常状态驱动端振动信号。

图4b为内圈故障驱动端振动信号。

图4c为滚珠故障驱动端振动信号。

图4d为外圈故障驱动端振动信号。

图5a为小波变换后外圈故障频谱图。

图5b为小波变换后内圈故障频谱图。

图5c为小波变换后滚珠故障频谱图。

图5d为小波变换后正常状态频谱图。

图6a为部分样本小波变换前滚珠驱动端振动信号。

图6b为部分样本小波变换后滚珠故障频谱图。

图7a为部分样本小波变换前内圈驱动端振动信号。

图7b为部分样本小波变换后内圈故障频谱图。

图8a为部分样本小波包变换前外圈驱动端振动信号。

图8b为部分样本小波包变换后外圈故障频谱图。

图9a为部分样本小波包变换前正常驱动端振动信号。

图9b为部分样本小波包变换后正常状态频谱图。

图10是识别准确率与剪枝阈值的变化关系图。

图11是三种亚健康识别算法的准确率曲线图。

图12是三种亚健康识别算法的损失曲线图。

具体实施方式

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。

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。

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c_j|i用式(1)表示：

其中，

是每个低层胶囊

的存在概率，b_j|i是耦合系数的对数。高层胶囊v_j的更新用式(2)表示：

其中，squash是非线性压缩函数，

是低层胶囊，a_j是高层胶囊的概率，v_j是高层胶囊。耦合系数b_j|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)将构建好的胶囊单元送入胶囊层，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)：

p_j＝||v_j|| (5)

其中，p_j代表故障类别的概率值，||v_j||代表向量的模值。

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。

实施例1：

本发明方案的理论依据：

1.胶囊网络的提出

胶囊网络(CapsNet)是由Hinton等人在2017年提出的，与卷积神经网络不同的是，胶囊网络构建了一组称为胶囊的神经元作为基础，其更看重的是部分与整体的关系来决定训练与学习的结果，当低层胶囊与高层胶囊表达一致的时候，会增加耦合系数，反之则会降低耦合系数。卷积神经网络在一些图像有倾斜或者旋转的识别上仍存在问题，因为其理解的图像粒度更为粗糙，而胶囊网络则使用向量来描述获得多维特征的对象表示，通过低层胶囊与高层胶囊的对应强化表达一致的东西，进而可以准确的进行识别。

胶囊网络的结构如下：

(1)卷积层：就是对输入的数据进行简单的处理以提取特征，由于卷积核小于输入的宽度，因此卷积层具有稀疏交互属性，且是参数共享的，卷积的公式如式(6)所示，胶囊网络的卷积操作与卷积神经网络的卷积操作类似。

其中，

是第l层中第j个特征映射的激活值，

是第l-1层中第j个特征映射的激活值，

和

分别是权重矩阵和偏置。

(2)主要帽层：作用是将不同的特征化分为向量值胶囊，该层可以捕获输入的实例化参数，用公式可以表示成式(7)：

其中，u^l(i,j)是主要胶囊，

是卷积层的激活输出，f_s表示“挤压”功能。假设有i个卷积核和j个局部区域，那么总共产生i*j个初级胶囊。

(3)数字帽层：这一层主要应用压缩和动态路由，在进行一次“挤压”操作和三次动态路由算法后，将结果输出到分类中。

由于胶囊是由长度表示概率的，那么就要将其压缩在0-1范围内，因而有“挤压”函数如式(8)所示：

其中，s_j是“挤压”函数的输入，v_j是“挤压”函数的输出。通过“挤压”函数可以将长度挤压在0-1之间，且

表示方向，

表示缩放倍数，所以可以很好的保存方向特征到更高级别的胶囊。

(4)分类层：用于对最后输出结果进行分类。

针对卷积神经网络不能够很好的根据部分与整体的关系来进行识别的问题，提出改进胶囊网络优化改进CNN的亚健康识别算法，在提出的多输入分层CNN的亚健康是识别算法的基础上，去掉softmax分类器，增加胶囊网络进行最终分类结果的识别，由于胶囊网络更新参数的方法为动态路由策略，因而会在参数更新方面浪费时间，所以提出改进的胶囊网络，在动态路由更新参数时，使用剪枝策略，当耦合系数小于一定的阈值时就采取剪枝操作，将权重矩阵中的值置为0，不再更新低层胶囊与高层胶囊的耦合系数，大大的减少了动态路由更新参数的时间，改进的胶囊网络拓扑结构如附图1所示；另一方面，提出改进动态路由算法，使用前一层中胶囊的存在概率修正耦合系数，使动态路由参数更新的过程更加准确、稳定，改进动态路由更新参数方式附图2所示；最后通过胶囊网络的分类层识别多输入分层卷积的输出。

2.改进胶囊网络优化分层卷积的轴承亚健康识别方法训练流程

改进胶囊网络优化分层卷积的亚健康识别操作流程如附图3所示，具体操作如下：

(1)利用小波变换和小波包变换对输入数据做预处理并进行最小值–最大值归一化。

(2)将小波变换和小波包变换处理得到的数据分别输入到卷积神经网络conv1、conv2中，进行卷积操作，将通过conv1和conv2卷积后得到的结果进行concat汇聚，并将汇聚后的结果输入conv4中再次进行卷积操作，然后将conv4卷积后的结果，分别输入到并行的多个大小的卷积核中，进行并行卷积、多角度提取特征处理。

(3)将分层卷积得到的结果输入到改进的胶囊网络。首先将汇聚后的结果输入到胶囊网络的卷积层进行卷积操作，再输入到主要帽层进行特征提取，根据耦合系数的阈值，判定是否需要进行剪枝策略，若需要，则将相应的权重矩阵置为0，同时使用参数修正的动态路由更新策略，稳定其更新过程，最后根据数字帽层的结果，输出最终的亚健康识别结果。

本发明技术方案的实现过程：

1.信号采样：实验数据的采集工作是通过加速度传感器完成的，将传感器分别放置于电机壳和风扇的十二点钟方向，MATLAB处理数据记录器16通道采集的振动信号，12KHz的采样频率下收集信号，驱动端信号的采样频率是48000S/s，数据分为0HP和3HP负载下，轴承处于正常状态，外环故障、内环故障和滚动故障状态，对应的转速情况分别是1797r/min和1730r/min,故障直径选择的0.007mm，列出四种故障的振动信号如附图4所示。实验数据的选取情况如表1所示：

表1八组轴承实验数据参数

2.降噪处理：由于小波变换和小波包变换可以分别对信号中低频部分和高频部分提供非常精细的分解，将原始振动信号中的特征充分的保留下来，方便后续的特征提取，所以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。转换后的信号如附图5所示。再做相应的变换以后用最小值–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]，公式如式(9)：

这里，最小值min_A、最大值max_A，v是属性A的原始、v'是归一化后的值。由上述方程可以看出，特征值的最大值和最小值分别对应于1和0。为了更清楚的看到处理前后的差距，截取其中一部分实验的数据(1000个)进行对比，结果分别如附图6、7、8、9所示。

3.特征提取：本发明提出的改进胶囊网络优化分层CNN的亚健康识别算法的性能很大程度取决于卷积核大小、卷积步长、以及剪枝的耦合系数阈值，因而这些参数的取值对最终的亚健康识别结果会产生很大的影响。详细参数如表2所示：

表2分层CNN结构参数

表2详细的列出了多输入分层卷积的改进胶囊网络亚健康识别模型的结构，各个卷积核的大小、步长、输出维度以及是否零补等，本发明实验结果就是基于这些模型参数的。

4.亚健康状态划分：通过改进的胶囊网络可以对不同故障进行更加有效划分,其中剪枝操作的耦合系数也是本文实验要选取的参数之一，耦合系数的阈值会直接影响最终实验结果的准确率，当耦合系数过大的时候，就会致使准确率有所下降，反之耦合系数过小，则起不到剪枝缩短训练时间的目的。亚健康识别准确率与剪枝阈值的变化关系如附图10所示，可以看出当耦合系数的剪枝阈值在0.04后趋于稳定且亚健康的识别效果较好，且在实验时，也特别的注意了时间的变化，当阈值逐渐减小时，亚健康识别的时间差异不大，因而准确率是我们选择阈值的主要标准，所以我们最终选择的剪枝阈值为0.02。

5.机械设备状态识别：选取三次的实验结果计算均值对比分析了不同方法的识别准确率，表3为方法改进前后准确率对比，多输入分层CNN的亚健康识别方法通过softmax分类器进行分类，三次实验亚健康识别准确率分别为98.02％、98.35％、98.11％，三次均值是98.16％；原始胶囊网络亚健康识别方法，三次实验的准确率分别为99.58％、99.40％、99.51％，三次实验均值为99.50％，相比多输入分层CNN+softmax方法，胶囊网络亚健康识别方法在识别准确率上提高了1.34个百分点；改进胶囊网络的亚健康识别方法三次实验的识别准确率分别为99.43％、99.57％、99.49％，三次均值为99.50％，与原始胶囊网络方法相比，改进后的胶囊网络与原始胶囊网络准确率相差不大，为了更直观的看出准确率和误差的变化，设置迭代周期为10次，三种算法进行训练并测试，如附图11所示，三种亚健康算法的识别准确率均比较高，但是可以很明显的看出多输入分层CNN+softmax的亚健康识别算法准确率明显低于原始胶囊网络，改进的胶囊网络相较于原始的胶囊网络前期准准确率明显低于后者，随着迭代周期的增加，准确率基本和原始的胶囊网络相差不大，因而，说明本文提出算法可以较好的进行亚健康识别。另外从附图12可以看出，三只能够算法的损失都接近0，同样，多输入分层CNN+softmax的亚健康识别算法前期误差比较大，比较不稳定，而带有胶囊网络的网络则更加稳定，且改进的胶囊网络与原始的胶囊网络相比损失相差不大，但是前期原始的胶囊网络表现出的效果更好。

表3方法改进前后分类准确率对比

表4为几种不同改进方法在轴承亚健康识别的准确率对比，从表中可以看出，提出的改进胶囊网络优化分层卷积的亚健康识别方法，较加权排列熵-特征选择型极限学习机、改进遗传算法优化BP神经网络、改进相关向量机优化边缘降噪自动编码器、改进鸡群算法优化RBF神经网络在识别的准确率分别提高12.8个百分点、8.3个百分点、4.8个百分点、4.0百分点，验证本文提出的亚健康识别算法是有效的。

表4不同改进方法准确率对比

Claims (3)

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c_j| ⁱ用式(1)表示：

其中，

是每个低层胶囊

的存在概率，b_j|i是耦合系数的对数，高层胶囊v_j的更新用式(2)表示：

其中，squash是非线性压缩函数，

是低层胶囊，a_j是高层胶囊的概率，v_j是高层胶囊。耦合系数b_j|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)：

p_j＝||v_j||(5)

其中，p_j代表故障类别的概率值，||v_j||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。

Images