技术特征：
1.基于信号分辨率增强的机械智能故障诊断方法，其特征在于，包括以下步骤：步骤1，对原始输入样本进行全连接操作，经过隐层特征映射输出四通道的低分辨率特征，全连接神经网络层采用式(8)-(10)所示：f1(x
lr
；w1)＝φ(w1*x
lr
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)f2(x
lr
；w2)＝φ(w2*f1(x
lr
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)f3(x
lr
；w3)＝φ(w3*f2(x
lr
))
ꢀꢀꢀꢀꢀꢀꢀ
(10)其中，x
lr
为低分辨率样本，w
i
，i∈(1,2，3)为第i层网络的权重，激活函数φ为relu，第一、二和第三层全连接层分别为64、32和4通道，为了实现分辨率增强操作，将低分辨率数据x
lr
通过全连接神经层输出到亚像素全连接层；步骤2，通过亚像素全连接层，将四通道的低分辨率特征进行周期性的排列，最终得到一组高分辨率特征，进而实现了样本分辨率的增强，亚像素全连接层由全连接层和元素排列构成，根据公式(11)得到全连接层输出r2(r＝2)通道与输入数据维数相同的数据，x
sr
＝f4(x
lr
)＝ps(w3*f2(x
lr
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)其中，x
sr
是espfcn网络生成的高分辨率样本，ps算子能够将张量的形状由h
×
w
×
c
·
r2重新排列成rh
×
rw
×
c，ps算子的数学描述如式(12)所示：ps(t)
p,q
＝t
|p/r|
·
|q/r|
·
r
·
mod(q/r)+mod(p/r)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)其实质是对四通道的低分辨率特征进行周期性的排列，最终得到一组高分辨率特征；步骤3，使用均方误差度量真实低分辨率样本与生成的低分辨率特征的差异程度，其计算公式如下：2.如权利要求1所述的基于信号分辨率增强的机械智能故障诊断方法，其特征在于，原始输入样本中包含的点数通过式(13)计算得到：3.如权利要求1所述的基于信号分辨率增强的机械智能故障诊断方法，其特征在于，利用皮尔逊相关系数pcc评估生成样本与原始高分辨率样本之间的相似性，pcc的值越大，表示两者之间的相关性越强，pcc的计算公式如(15)所示：其中，x表示espfcn生成的样本，y表示原始高分辨率样本，cov(
·
,
·
)是协方差，σ
x
和σ
y
分别是x和y的标准差，μ
x
和μ
y
分别是x和y的均值，e是期望，espfcn与原始高分辨率样本的pcc为0.81，说明这两类样本之间的相似性较强。