1.一种增强扩展深度置信网络的轧机故障诊断方法，其特征在于：其包括如下步骤：S1、采集轧机的齿轮箱和轧辊轴承的故障振动信号：

通过轧机设备诊断系统获取轧机各种故障状态下的齿轮箱和轧辊轴承的故障振动信号；

S2、对采集的故障振动信号进行快速傅里叶变换：

利用快速傅里叶变换实现故障振动信号从时域到频域的快速变换，以进行后续的故障振动信号特征的提取；

S3、利用频谱图中的傅里叶系数作为输入，相应的齿轮箱和轧辊轴承的故障诊断信号作为输出，进行增强扩展深度置信网络的训练，得到神经网络故障诊断模型；

其中增强扩展深度置信网络RSDBN的训练具体包括以下子步骤：S31、在预训练阶段：将特征向量输入第一个增强扩展玻尔兹曼向量机RSRBM，通过条件概率和CD‑k采样逐层训练每一个增强扩展玻尔兹曼向量机RSRBM，从而输出得到较优参数，具体计算公式如下：(0) (0) (0) (0) (0) (0)

W ←W +α(<ν h >0‑<ν h >1)

(0) (0)

a0←a0+α(<ν >0‑<ν >1)

(0) (0)

b0←b0+α(0‑1)

(i) (i) (i) (i‑1) (i) (i) (i‑1) (i)W ←W +α(<(v +v )h >0‑<(v +v )h >1)(i) (i‑1) (i) (i‑1)

ai←ai+α(0‑1)(i) (i)

bj←bj+α(0‑1)

(0) (0) (0)

式中，h 是第一个RSRBM的隐藏层，v 是第一个RSRBM的可见层，W 是隐藏层和可见(0) (i) (i)层的权重，b 是隐藏层的偏置，h 是第i个RSRBM的隐藏层，v 是第i个RSRBM的可见层，W(i) (i)是隐藏层和可见层的权重，b 是隐藏层的偏置，<>0是RSRBM的原始数据，<>1是CD‑k采样后的RSRBM的真实数据；

S32：对步骤S31得到的输出参数进行精调后得到神经网络故障诊断模型：在RSDBN的顶层加入Softmax分类器，通过BP神经网络算法，结合数据标签对整个RSDBN网络进行自上而下的有效监督训练，同时根据结果实时微调各层RSRBM的权重矩阵与偏置矩阵，保证全局参数最优；

S4、获取待诊断的轧机齿轮箱和轧辊轴承的故障振动信号，将其执行步骤S1‑S3后得到的齿轮箱和轧辊轴承的频谱图中的傅里叶系数输入步骤S3中得到的神经网络故障诊断模型中，得到轧机齿轮箱和轧辊轴承的诊断结果；

S5、对步骤S4得到的诊断结果进行对比，判断诊断结果的准确率，其包括以下子步骤：S51、将增强扩展深度置信网络与其他深度学习网络在相同的输入特征向量下，比较诊断结果的准确率，所述轧机中齿轮箱的故障状态包括大齿轮点蚀且小齿轮磨损、大齿轮断齿且小齿轮磨损、大齿轮正常且小齿轮磨损、大齿轮正常且小齿轮正常4种状态；所述轧机中轧辊轴承的故障状态包括内圈故障、外圈故障和正常3种状态；

S52、使用RSDBN与深度学习结构进行比较，深度学习结构包括深度置信网络、卷积神经网络、深度神经网络和支持向量机，使用轧机齿轮箱和轧辊轴承的不均衡样本中采集的训练集和测试集进行准确率比较，用RSDBN计算出的Acc的结果能够表明每个故障类别诊断结果的准确率；

式中结果TP为预测正确，且预测为正面，FP为预测错误，且预测为正面；FN为预测错误，且预测为负面；Acc的值越高，则准确率越高。

2.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法，其特征在于：所述步骤S3中训练增强扩展深度置信网络时，使用轧机齿轮箱和轧辊轴承的训练集为300到

500个。

3.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法，其特征在于：所述步骤S4中测试已经训练的增强扩展深度置信网络时，使用轧机齿轮箱和轧辊轴承的测试集为600到1000个。

4.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法，其特征在于：步骤S52中，训练集样本为180个，测试集分别为Dataset A、DatasetB和Dataset C，每个测试集的样本数分别为600、800、1000个。

5.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法，其特征在于：所述的增强扩展深度置信网络为多输入多输出的神经网络，其网络结构分为三层，三层网络结构分别为输入层、隐藏层和输出层，选择逻辑斯谛函数作为隐含层的激活函数，逻辑斯谛函数具体为：其中，x是神经网络的输入，e是指数函数exp的缩写，f(x)是神经网络的输出。

6.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法，其特征在于：所述增强扩展深度置信网络针对轧机中齿轮箱时输出采用四个二进制元素组成的向量，(1 0 

0 0)表示大齿轮点蚀和小齿轮磨损故障，(0 1 0 0)表示大齿轮断齿和小齿轮磨损故障，(0 

0 1 0)表示大齿轮正常和小齿轮磨损故障，(0 0 0 1)表示大齿轮正常和小齿轮正常状态。

7.根据权利要求6所述的增强扩展深度置信网络的轧机故障诊断方法，其特征在于：针对轧机中轧辊轴承时输出采用三个二进制元素组成的向量，(1 0 0)表示内圈故障，(0 1 

0)表示外圈故障，(0 0 1)表示正常状态。