1.一种基于时序特征线性调制智能超采样的故障诊断方法，包括以下步骤：第一步：获得原始振动信号，对原始信号划分样本得到高采样率信号，然后对原始信号进行下采样，对下采样后的信号进行双三次插值和填充，使其样本长度和高采样率信号相等，得到低采样率信号；

第二步：将高采样率信号和低采样率信号进行配对，使其在时间序列上一一对应，然后将高采样率信号和低采样率信号结合构建训练集，其中低采样率信号为输入数据，高采样率信号为标签数据；

第三步：搭建超采样率网络，包括下采样层、瓶颈层、上采样层和输出层；结合超采样率网络和长短期记忆网络搭建故障诊断模型；

第四步：训练故障诊断模型，过程包括：

首先将训练集输入超采样率网络进行训练，根据损失和评价指标对网络进行调整；

超采样率网络的训练过程使用均方误差损失进行收敛，公式为：其中MSE是均方误差，表示预测值与真实值之间的平均平方差；n表示样本数量，yi表示真实值， 表示预测值；

使用对数谱距离指标评价超采样率信号重建质量；对数谱距离针对单个频率进行测量，公式如下：其中LSD(x，y)是对数谱距离，t表示当前时间帧的索引，T表示时间帧数量；k表示当前频率点的索引，K表示频率点的数量；x表示原始信号，y表示重建信号，X和Y分别是x和y的对数谱功率幅值，X的定义为：2

X＝log|S|，

式中S表示信号的短时傅里叶变换；

将需要进行超采样率的低采样率信号输入超采样率网络，得到预测的超采样率信号；

然后将超采样率信号输入故障诊断模型对模型进行训练，根据损失值调整模型参数，得到训练好的故障诊断模型；

第五步：通过设备采集得到低采样率振动信号，然后将其输入到超采样率网络，获取到高采样率信号，再输入故障诊断网络即输出其健康状态类型。

2.根据权利要求1所述的基于时序特征线性调制智能超采样的故障诊断方法，其特征在于，超采样率网络下采样层和瓶颈层搭建过程如下：

6+k

下采样层包含K个下采样块k＝1，2，...，K，每个下采样块包含min(2 ，512)个长度为

7‑k

max(2 +1，9)且步长为2的卷积滤波器；在每个下采样块中，插值后的低分辨率信号在经过每个卷积滤波器后进行最大池化和激活，得到一维卷积激活张量，然后对信号进行时序特征线性调制；

时序特征线性调制过程如下：

输入一维卷积激活张量 T表示时间维度，C表示通道数量；

(1)将张量F重塑成块张量 定义为：

其中B表示块长度，b表示第b个块张量，t表示第t时间维度，c表示第c个通道；

(2)通过对每个块内的通道进行池化，获得块张量的池化表示 定义为：其中 指对所有时间步上的块张量进行操作；

(3)计算归一化器序列 使用RNN将其应用于池化后的块张量：其中，γb为缩放参数，βb为平移参数，hb，hb‑1分别为时间步b，b‑1的隐藏状态， 指所有通道上的池化块张量，RNN网络整个循环开始于(4)计算归一化块张量 公式为：

其中，γb，c和βb，c分别为第c个通道上的缩放参数和平移参数；

norm

(5)对归一化块张量F 进行重塑，得到自适应归一化激活张量 公式为：其中，F′l，c即为自适应归一化激活张量F′，l是F′的时间步索引，c表示第c个通道；

计算当前时间步t所在的批次索引，t mod B计算当前时间步t在批次中的相对位置；

(6)输出自适应归一化激活张量 经过下采样层滤波后，信号进入瓶颈层，经过卷积和池化操作后，加入Dropout操作，最后激活后再次对信号使用时序特征线性调制。

3.根据权利要求1所述的基于时序特征线性调制智能超采样的故障诊断方法，其特征在于，超采样率网络上采样层搭建过程如下：上采样层对信号进行重建，上采样层包含K个上采样块，每个上采样块k＝1,2,…,K包

7+(K‑k+1) 7‑(K‑k+1)

含min(2 ，512)个长度为max(2 +1，9)的滤波器；

在上采样层中，通过操作将信号时间维度加倍，并将滤波器大小减小；在对上采样块中的卷积张量激活后，对信号进行亚像素混洗；亚像素混洗方法如下：对于上采样块的输入张量，形状为N×Tk×Ck，N为批量大小，Tk为第k个上采样块输入的样本长度，Ck为第k个上采样块输入的通道数；

经过上采样块卷积激活后输出一个形状为N×Tk×Ck/2的张量；子像素层将这个张量重新排序，排序后形状为N×2Tk×Ck/4；最终输出张量形状为N×2Tk×Ck/4下一步对亚像素混洗后的信号进行时序特征线性调制，过程如下：输入亚像素混洗后的一维卷积激活张量 T表示时间维度，C表示通道数量；

(1)将张量F重塑成块张量 定义为：

其中B表示块长度，b表示第b个块张量，t表示第t时间维度，c表示第c个通道；

(2)通过对每个块内的通道进行池化，获得块张量的池化表示 定义为：其中 指对所有时间步上的块张量进行操作；

(3)计算归一化器序列 使用RNN将其应用于池化后的块张量：其中，γb为缩放参数，βb为平移参数，hb，hb‑1分别为时间步b，b‑1的隐藏状态， 指所有通道上的池化块张量，RNN网络整个循环开始于(4)计算归一化块张量 公式为：

其中，γb，c和βb，c分别为第c个通道上的缩放参数和平移参数；

norm

(5)对归一化块张量F 进行重塑，得到自适应归一化激活张量 公式为：其中，F′l，c即为自适应归一化激活张量F′，l是F′的时间步索引，c表示第c个通道；

计算当前时间步t所在的批次索引，t mod B计算当前时间步t在批次中的相对位置；

(6)输出自适应归一化激活张量 在时序特征线性调制操作后加入跳跃连接，将第k个下采样块的特征张量与第(K‑k+1)个上采样块的特征张量堆叠在一起，得到最终的上采样层输出结果。

4.根据权利要求1或2或3所述的基于时序特征线性调制智能超采样的故障诊断方法，其特征在于，超采样率网络最后的输出层对输入所述输出层的信号进行一层卷积后，再进行亚像素混洗，然后添加一个从输入到最终输出的附加残差连接。

5.根据权利要求1所述的基于时序特征线性调制智能超采样的故障诊断方法，其特征在于，故障诊断模型首先使用独热编码对超采样率网络输出的超采样率信号编码，编码后的信号经过长短期记忆网络层、卷积层、池化层和全连接层，输出诊断结果；模型训练使用交叉熵损失函数，公式如下：其中L是交叉熵损失，N表示样本数量，i表示样本索引，c表示类别索引，M表示类别数量，yic是真实标签，表示对于第i个样本，c类的标签，如果第i个样本属于类c，则yic＝1，否则yic＝0，pic表示模型对第i个样本属于类c的预测概率。