1.一种基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，包括以下步骤：步骤(1)在电机空载稳定运行下，模拟四种电机故障，即轴承错位、定子绕组匝间短路、转子断条和外圈轴承损坏，采集电机故障状态下定子电流信号，获得来自五种耦合负载变化下的时间序列数据，即时间序列的电机故障状态电流信号；

步骤(2)使用频率变换将时间序列的电机故障状态电流信号从时域转换成频域，并完成数据预处理；将预处理后信号从频谱转换为频率图(PLT)，并且进行必要的归一化计算，将数据分为测试及训练数据，记录存储数据，建立故障数据库，从而完成对电机故障的特征提取；

步骤(3)提出一种基于电磁学(FA)和萤火虫算法(EA)的混合模型(EFA)，设所有萤火虫都被磁化，萤火虫的电荷取决于其目标值，并且，所有萤火虫都可以参与到搜索、处理中，从而确保在勘探阶段，EFA的萤火虫可以迅速找到目标领域，在开发阶段，EFA的萤火虫可以在这些区域执行有效的局部搜索，并找到最佳解决方案；

步骤(4)构建EFA‑BP分类算法，利用EFA对BP神经网络的权值及偏移量参数进行训练，从而完成对测试用健康及故障电机的状况及故障类型的分类。

2.根据权利要求1所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，所述步骤(1)中，五种耦合负载变化情况分别为0、25％、50％、75％和100％，用钳形电流互感器测量流过电动机的定子电流，获取四种电机故障，即轴承错位、定子绕组匝间短路、转子断条和外圈轴承损坏的状态数据，即呈时间序列的电机故障状态电流信号，将故障状态信号进行存储。

3.根据权利要求1所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，所述步骤(2)中，使用频率变换将时间序列的电机故障状态电流信号从时域转换成频域，并完成数据预处理的具体过程为：步骤(2)a：利用离散傅立叶变换(DFT)将之前生成的时间序列电机电流信号转换为频谱，具体定义如下：

2πi/N

WN＝e

其中，A(n)是离散傅立叶变换的复数表达式；WN是复傅立叶级数中的第N个根；X(j)给定采样信号，j＝0,1,…,N‑1，N是采样点；

步骤(2)b：预处理，对以上频谱数据实施三个数据预处理方案：第一，设所有电机故障不会超过500Hz，利用数据剪裁预处理技术，将电机状态数据截断在0‑500Hz范围内；

第二，再次对数据进行剪裁，将不重要的信号频率幅值更改为零，用以避免噪音；

第三，令工作频率及其边带频率的信号幅值远大于其他模态频率。

4.根据权利要求3所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，所述步骤(2)中将预处理后信号从频谱转换为频率图，具体为：步骤(2)c：定义度量空间M，并令B(j)∈M，即先前定义的频谱B的第j列上的点，则频率图定义为第j列和第i行上的信号之差，再除以分辨率，定义式如下：T

PLT(j,i)＝(B(j)‑B(i))/λ其中，λ是映射分辨率，用以衡量第j列和第i行上的信号B(j)，B(i)间的误差，由此，矩阵PLT(j,i)被转换为颜色映射，对其数据进行归一化后，映射到RGB图。

5.根据权利要求1所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，所述步骤(3)中基于电磁学和萤火虫算法的混合模型EFA，具体如下：步骤(3)a：初始化

首先，将萤火虫的初始种群设置均匀分布在上下边界内，具体定义如下：xo＝blk+β(buk‑blk)

其中，buk，blk分别是第k个坐标的上边界和下边界；β是在[0,1]内的随机数；

步骤(3)b：局部搜索，局部搜索过程通过下式完成：t

其中，ε是随机数向量，α是第t次迭代的权衡系数，L(s)是分布函数；

步骤(3)c：萤火虫的飞行运动

首先，EFA的萤火虫激发吸引力Fg和排斥力Fr，第i个萤火虫仅受来自下一个更好和更坏萤火虫的Fg及Fr的影响，然后，根据其目标函数值对所有萤火虫进行排名；种群中的所有萤火虫都基于EA方式进行运动，通过这种方式，可以缓解来自许多萤火虫的干扰，并快速找到最佳解决方案，磁性萤火虫飞行运动过程如下式：其中，Fg和Fr是吸引力和斥力，由下式定义：qi是第i点的电荷，其定义如下：

f(x)是目标函数。

6.根据权利要求5所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，所述步骤(3)a中的β采用Logistic映射来确定，其映射表达式如下：βn+1＝μ1βn(1‑βn),βn∈(0,1)式中，控制参数μ1∈(0,4]，当3.75＜μ1≤4产生混沌现象，产生的解βn+1∈(0,1)，控制参数μ1越靠近4，解的取值范围越接近平均分布在整个[0,1]区域。

7.根据权利要求5所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征t在于，所述步骤(3)b中ε参数、α以及L(s)通过如下方式确定：

1)采用混沌映射方程中的Tent映射来确定ε参数，其映射表达式如下：式中，当控制参数μ2∈(0,1)，将产生解xn+1∈(0,1)，当μ2＝0.5时，将产生均匀分布序列，此时的混沌系统呈短周期状态，当初值x＝μ2时，系统将变为周期系统；

t

2)α是第t次迭代的权衡系数，计算表达式如下：t t

α＝α0γ

t

其中，α0是初始权衡系数；α是第t次迭代的处的权衡系数；γ是自适应参数0＜γ＜1；

3)L(s)是分布函数，其定义如下：

其中，s是幂律分布，τ是指数，u和v的计算遵循正态分布，具体如下：σv＝1

Γ(z)是伽马函数，由以下公式确定：

8.根据权利要求1所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，所述步骤(4)中，构建EFA‑BP分类算法，利用EFA对BP神经网络的权值及偏移量参数进行训练，具体为：步骤(4)a：确定BP神经网络的基本结构，对神经网络的结构进行搭建，对其相关参数进行初始化处理；

步骤(4)b：利用基于电磁学和萤火虫算法的混合模型EFA的萤火虫初始化BP算法中的权值及偏移量参数，针对每一个具体的萤火虫个体，将其设置成荧光度及感知半径；

步骤(4)c：计算BP网络的输入层节点、隐层节点及输出层节点的输出值，并针对每个萤火虫个体，对其适应度进行计算，把其中的最大值进行有效存储；

步骤(4)d：基于荧光强度，将每一个萤火虫个体进行不断更新，在该个体感知范围内搜索未知邻域，进行飞行移动更新，利用EFA对其权值及偏移量参数进行训练；

步骤(4)e：在位置更新后，根据萤火虫个体所计算的适应度值，判断其是否达到训练目标的终止条件，如果满足则执行下一步，否则，将返回至前一步；

适应度值判断误差公式如下：

其中，Dj为目标输出，Yj为实际输出；

步骤(4)f：将接收的位置信息转换为神经网络对应的权值与阈值；

步骤(4)g：判断是否满足终止条件，即达到设定的误差目标，若达到，则输出结果，结束算法；否则返回(d)，继续训练，直至达成终止条件。

9.根据权利要求8所述的基于频率图及EFA‑BP深度学习的电机故障诊断方法，其特征在于，所述步骤(4)c的具体过程如下：(1)将电机故障数据输入BP神经网络，正向计算输入层第i个神经元的输出Yi为：Yi＝f(xi)

其中，xi电机故障数据；

(2)计算隐层输出：

第h神经元的输出为：

Yh＝f(Ih)

其中，whi、θi为隐层神经元的权值与阈值；

(3)计算输出层所有神经元的输出值：

第j个输出神经元的输出公式如下：

Yj＝f(Ij)

其中，wjh，θj为输出层神经元的权值与阈值。