1.一种基于组群式稀疏自编码及群智能的电机故障检测方法，其特征在于，包括如下步骤：步骤1，采集来自电机的故障信号，包括电机正常状态、绕组匝间短路、转子局部退磁三类情况下的直流母线电流和相电流，建立以故障数据为基础的故障案例库；

步骤2，建立一种组群式稀疏自编码器(GSAE)实现框架，并使用Majorization‑Minimization(M‑M)方法求解，利用该稀疏特征提取网络对原始输入电机故障数据进行特征提取；所述组群式稀疏自编码器实现框架具体如下：

1)设定输入参数及类别

设X为输入数据，则：

X＝{X1,…,Xc}

其中， X1是第一类(class1)，X2是第二类

(class2)，c是类的数量，{n1,n2,…nc}是每一类中的数据点数，数据组织的规则是：属于类别1的列最先出现，然后是类别2的数据列，依此类推，一直到最后类别c的数据列；

2)定义损失函数

引入基于正则化的l2,1‑范数来定义损失函数，定义如下：j→

其中，||·||2,1＝∑j|||Z |||2是l2‑范数的行之和，由j指定；φ是一个非线性激活函数，W和U分别是编码和解码权重，λ为参数，因此，第二项的l2,1‑范数适用于两种情况，即φ(WX)或仅适用于WX；

步骤3，对群智能算法进行改进，实现综合自身及社会因素的粒子群算法(SS‑PSO)；所述SS‑PSO算法通过随机方式使用其他子群最优位置gbest，并保留每个子群自身最优位置gbest，同时将两种最优位置用于子群中粒子的速度与最优位置的更新；

所述SS‑PSO算法完整更新公式如下：

其中，β1＝1‑η，β2＝η，η为(0，1)之间的随机数；β1为小于1的线性递减函数；β2为小于1的线性递增函数；w称为惯性权重，c1和c2称为学习因子，r1,r2∈(0,1)为两个独立的随机数，vi(t)，vi(t+1)是第i个粒子在第t及t+1次迭代的速度，xi(t)，xi(t+1)是其在第t及第t+1次迭代的位置，pbest为粒子最优位置，gbest为子群自身最优位置；

同时定义其适应度函数为：

其中，O为目标输出向量，Y为网络的实际输出向量；

步骤4，建立SS‑PSO‑ANN深度分类器模型，利用改进粒子群算法SS‑PSO对ANN网络权值及阈值进行优化处理；

步骤5，针对基于GSAE网络提取出的优质稀疏特征，利用SS‑PSO‑ANN分类器进行电机故障的有效诊断。

2.根据权利要求1所述的基于组群式稀疏自编码及群智能的电机故障检测方法，其特征在于，所述步骤2中的利用Majorization‑Minimization(M‑M)方法进行稀疏自编码求解的具体操作为：

1)求取解码权重U，采取封闭形式的线性最小二乘回归问题求取解码权重U：其中，k表示迭代次数，即第k次迭代；

2)求取编码权重W，采用M‑M算法求取编码权重W：

2.1)构造平滑函数G0(W)：

设J(W)是最小化目标函数，对于初始点ω0，通过ω0构造平滑函数G0(W),其取值在远离ω0时比J(W)大，而在ω0点时取值相同，即构造易于最小化的平滑函数G0(W)；在每一步迭代中，Gk(W)被最小化以获得下一次迭代值，从而定义实际损耗函数J(W)的Gk(Z)，如下：其中，a是矩阵 的最大特征值，I是身份矩阵，通过简化Gk(Z)，可以得到：

2.2)重写优化函数

令：

优化函数重写为：

2.3)替换非线性问题为简单线性问题的梯度下降

式中， σ是梯度下降的步长；

T T ‑1 T

设： V为Xc的行关联度，D＝diag(|VW| )，求解编码权重W：W＝T

P‑VT。

3.根据权利要求1所述的基于组群式稀疏自编码及群智能的电机故障检测方法，其特征在于，所述步骤4中的SS‑PSO‑ANN深度分类器模型的具体步骤为：步骤4.1：构建并初始化三层BP神经网络，网络层数设计为3层，即输入层、输出层、隐含层；设计输入层节点为4个，代表霍尔电流传感器采集的电机母线电流与三相电流，以及转速转矩仪配合转速转矩传感器实时测量的转矩与转速；确定隐含层节点数为10个；基于电机故障诊断的应用对象，即诊断电机正常状态、绕组匝间短路、转子局部退磁三种类型，设计输出节点为3个；

步骤4.2：初始化粒子群，确定加速系数c1,c2、惯性因子ω、确定粒子数量、迭代次数、设计r1,r2取值为[0，1]之间随机数以及粒子维数d；

所述粒子维数为：d＝p+n2+q+n3

其中，p为输入/隐含层连接权个数；q为隐含层/输出层连接权个数；n2为隐含层阈值个数；n3为输出层阈值个数；

步骤4.3：利用适应度函数，计算个体最优值pit、全局最优值pgt、子群最优值prt；

步骤4.4：更新粒子当前速度与位置，利用SS‑PSO算法更新公式更新各粒子速度vt+1及位置xt+1信息；

步骤4.5：更新最优值，根据SS‑PSO算法适应度函数公式来比较当前最优值与全局最优值pgt、个体最优值pit以及子群最优值prt三者关系，若当前最优值优于其中任何一个参数，即将其替换；

步骤4.6：若迭代次数k大于最大迭代次数k1或评价用误差值大于给定值，则程序停止迭代并转步骤4.7，否则，程序转新一轮粒子状态更新，即步骤4.4；

步骤4.7：保存该组全局最优值，根据适应度函数比较各分组输出全局最优粒子位置，并将位置最优一组的全局最优位置映射为神经网络权值及阈值。

4.根据权利要求3所述的基于组群式稀疏自编码及群智能的电机故障检测方法，其特征在于，所述步骤4.3中计算个体最优值pit、全局最优值pgt、子群最优值prt时，先初始化各个粒子的初始位置及速度为随机数，将各个粒子不同维数所代表的连接权或阈值带入BP神经网络的结构参数计算公式中，分别计算网络隐含层节点及输出层节点的输出，通过适应度函数计算网络实际输出与目标输出的均方误差，最后，经比较获得初始化全局最优点pgt、个体最优点pit以及子群最优点prt。

5.根据权利要求1至4任一所述的基于组群式稀疏自编码及群智能的电机故障检测方法，其特征在于，所述步骤1包括：(1)采用张力控制器输出电流控制磁粉制动器的制动转矩大小；

(2)使用霍尔电流传感器采集电流信号，使用转速转矩传感器实现实时转矩与转速的测量；

(3)利用数据采集卡结合霍尔电流传感器采集电机母线电流与三相电流，转速转矩仪配合转速转矩传感器实现实时转矩与转速的测量。