这个算法其实就是先用3个能自己调整参数的小波滤波器从振动信号里扒出不同频率的特征，然后把特征拼在一起送进一个叫胶囊网络的东西里。胶囊网络不像普通神经网络那样只给个数字，而是给出一串向量，能更好地描述特征之间的关系，最后根据向量长度判断是哪种故障。整个过程端到端自动完成，不用手动做时频图，小波参数还能根据数据自己优化，所以对不同的故障模式适应性强。

算法步骤：

切数据：把传感器采集的长段振动信号用滑动窗口切成一个个小片段，每个片段作为一个样本。

小波特征提取：用三个可学习的小波卷积层（拉普拉斯、墨西哥帽、Morlet）分别处理每个样本，每个小波层包含16个可调尺度和平移参数的滤波器，自动学习与故障相关的时频特征，输出16张特征图。

特征合并：把三个小波层输出的特征图拼在一起，得到48张特征图，每张图长度64。

胶囊网络第一层：将48个特征看作48条“路线”，每条路线上的64个值作为特征向量，输入到第一层胶囊层。该层通过自注意力机制计算每条路线的重要性权重，加权求和后生成16个胶囊向量（每个向量16维）。

胶囊网络第二层：将16个胶囊向量作为输入，再次通过自注意力路由，生成4个胶囊向量（对应4种故障类型），每个向量8维。

分类输出：计算每个故障胶囊向量的长度（L2范数），长度越大表示该类别的概率越高，最后用softmax得到最终分类结果。