一种用于机械设备故障诊断的信号特征提取方法及系统

摘要

本发明属于机械设备故障诊断技术领域，具体公开了一种用于机械设备故障诊断的信号特征提取方法及系统，方法包括：获取机械设备时域信号数据Sl；将最后一个数据变为第二行的第一个数据，当第二行填满时，下一次排列时则增加一行；最终得到l行1列的新矩阵S1；对于上述过程中的所有矩阵Sl，Sl‑1，Sl‑2，...，S1，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量，对于这些行向量分别计算标准差，选取标准差数值的前n个结果组成数据Sl的故障信号频谱特征向量；本发明实现了数据压缩，削弱原始振动信号中的噪声，实现了特征分离，减少非故障信息对模型学习的干扰。

权利要求

1.一种用于机械设备故障诊断的信号特征提取方法，其特征在于，包括：获取机械设备时域信号数据 ；

所述数据 为一行l列矩阵，将最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据 变为两行l‑1列的新矩阵 ；

将新矩阵 的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l‑2列的新矩阵 ；依此类推，直至得到两行 列的新矩阵；

其中， 表示数据样本的第1个数据， 表示数据样本的第2个数据，依此类推，表示样本最后一个数据；

将新矩阵 第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行 ‑1列的新矩阵 ；

依次类推，最终得到l行1列的新矩阵 ；

对于上述过程中的所有矩阵 ， ， ，...， ，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量 ， ， ，...， ，对于行向量 ， ,，...， 分别计算标准差，选取标准差数值的前n个结果组成数据 的故障信号频谱特征向量，n为设定值；

将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。

2.如权利要求1所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，分别获取机械设备在正常和各种不同故障状态下的原始时域信号数据，对每个状态下的原始时域信号数据进行不重叠的连续滑窗取样，分割成多个数据样本；

采用权利要求1所述的信号特征提取方法对每一个数据样本进行故障信号频谱特征向量提取；

将提取到的所有故障信号频谱特征向量构成训练数据集，利用所述训练数据集进行神经网络模型的训练，得到机械设备故障诊断模型。

3.如权利要求2所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，还包括：对于上述过程中的所有矩阵 ， ， ，...， ，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量 ， ， ，...， ，对于列向量 ， ,，...， 分别计算标准差，选取标准差数值的前m个结果组成数据 的故障信号分布特征向量，m为设定值。

4.如权利要求1所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，所述机械设备时域信号为机械设备周期性的时域振动信号。

5.如权利要求1所述的一种用于机械设备故障诊断的信号特征提取方法，其特征在于，矩阵 的列数为i，行数为 ；其中，i为矩阵的下标，i=l，l‑1，l‑2，l‑3，…，1；l为矩阵的总个数， 为向上取整函数。

6.一种用于机械设备故障诊断的信号特征提取系统，其特征在于，包括：数据获取模块，用于获取机械设备时域信号数据 ；

数据压缩模块，用于将一行l列矩阵 的最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据 变为两行l‑1列的新矩阵 ；

将新矩阵 的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l‑2列的新矩阵 ；依此类推，直至得到两行 列的新矩阵；

其中， 表示数据样本的第1个数据， 表示数据样本的第2个数据，依此类推，表示样本最后一个数据；

将新矩阵 第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行 ‑1列的新矩阵 ；

依次类推，最终得到l行1列的新矩阵 ；

频谱特征提取模块，用于对于上述过程中的所有矩阵 ， ， ，...， ，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量 ， ， ，...， ，对于行向量 ， , ，...， 分别计算标准差，选取标准差数值的前n个结果组成数据的故障信号频谱特征向量，n为设定值；

故障诊断模块，用于将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。

7.如权利要求6所述的一种用于机械设备故障诊断的信号特征提取系统，其特征在于，还包括：分布特征提取模块，用于对于上述过程中的所有矩阵 ， ， ，...， ，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量 ， ， ，...，，对于列向量 ， , ，...， 分别计算标准差，选取标准差数值的前m个结果组成数据 的故障信号分布特征向量，m为设定值。

8.如权利要求7所述的一种用于机械设备故障诊断的信号特征提取系统，其特征在于，还包括：原始数据校验模块，用于基于所述故障信号分布特征向量校验原始时域信号数据分割是否合理。

9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1‑5任一项所述的用于机械设备故障诊断的信号特征提取方法。

10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1‑5任一项所述的用于机械设备故障诊断的信号特征提取方法。

说明书

一种用于机械设备故障诊断的信号特征提取方法及系统

技术领域

[0001] 本发明涉及机械设备故障诊断技术领域，尤其涉及一种用于机械设备故障诊断的信号特征提取方法及系统。

背景技术

[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

[0003] 机械设备长期高负荷运转，会对其零部件造成磨损。其表面的轻微缺陷就可能导致整个装置系统的运行故障，引起机械设备报废或造成重大经济损失。故障诊断是一种了解和掌握机器在运行过程中的状态、确定其整体或局部正常或异常、早期发现故障及其原因、并能预报故障发展趋势的技术。对设备进行故障诊断可以及时发现因设备个别零部件的早期缺陷。有效避免整个机械设备系统运行故障造成的人员伤亡和财产损失。因此，开展机械设备故障诊断对提高设备运行的安全性有着重要意义。

[0004] 机械装置在处于工作状态时，其内部的轴承、齿轮等机械零部件会产生周期性振动信号。通过对振动信号分析可以有效的定性或定量的对机械转置故障情况进行诊断或预测。基于振动信号的故障诊断数据测量简单、诊断速度快、诊断精度高。在选择机械中广泛应用。

[0005] 机械设备往往结构复杂，工作时系统中存在多个零部件不同的运动状态，其产生的信号互相调制、相互叠加，造成测量的振动信号表现出复杂的非线性特征。在利用传统的滤波降噪方法处理信号时，滤除干扰噪声的同时不可避免的将部分有用的信号一并滤除，导致信号的有用信息丢失。

[0006] 近几年深度学习在各行各业发挥着重要的应用价值。在故障诊断领域，利用深度学习模型进行机械装置的故障诊断时，需要将原始数据分割为训练集和测试集。将训练集输入故障诊断模型进行参数的学习，之后将测试集输入故障诊断模型进行模型故障诊断并对模型性能评估。由于原始信号成分复杂，除了有用的故障信号外还包含噪声和其他非故障信号。这些非故障信号使故障诊断模型不能专注于学习故障特征，降低了模型的性能。为了屏蔽干扰信号，学习到有价值的故障信号特征，往往需要采用结构复杂、层数较大的深度学习模型，增加了模型训练和预测的计算量和计算时间。

发明内容

[0007] 为了解决上述问题，本发明提出了一种用于机械设备故障诊断的信号特征提取方法及系统，可以有效提取并分离出故障信号频谱特征与故障信号分布特征，削弱原始振动信号中的噪声，并能够对数据量进行充分压缩，将压缩数据量后的特征数据做为故障诊断模型的输入可以减少模型的计算量和计算时间。

[0008] 在一些实施方式中，采用如下技术方案：

[0009] 一种用于机械设备故障诊断的信号特征提取方法，包括：

[0010] 获取机械设备时域信号数据 ；

[0011] 所述数据 为一行l列矩阵，将最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据 变为两行l‑1列的新矩阵 ；

[0012] 将新矩阵 的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l‑2列的新矩阵 ；依此类推，直至得到两行 列的新矩阵 ；

[0013] 将新矩阵 第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行 ‑1列的新矩阵 ；

[0014] 依次类推，最终得到 行1列的新矩阵 ；

[0015] 对于上述过程中的所有矩阵 ， ， ，...， ，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量 ， ， ，...， ，对于行向量 ，
， ，...， 分别计算标准差，选取标准差数值的前n个结果组成数据 的
故障信号频谱特征向量，n为设定值；

[0016] 将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。

[0017] 在另一些实施方式中，采用如下技术方案：

[0018] 一种用于机械设备故障诊断的信号特征提取系统，包括：

[0019] 数据获取模块，用于获取机械设备时域信号数据 ；

[0020] 数据压缩模块，用于将一行l列矩阵 的最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据 变为两行l‑1列的新矩阵 ；

[0021] 将新矩阵 的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l‑2列的新矩阵 ；依此类推，直至得到两行 列的新矩阵 ；

[0022] 将新矩阵 第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行 ‑1列的新矩阵 ；

[0023] 依次类推，最终得到 行1列的新矩阵 ；

[0024] 频谱特征提取模块，用于对于上述过程中的所有矩阵 ， ， ，...，，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量 ， ，
，...， ，对于行向量 ， ， ，...， 分别计算标准差，选取标准差数值的前
n个结果组成数据 的故障信号频谱特征向量，n为设定值；

[0025] 故障诊断模块，用于将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。

[0026] 在另一些实施方式中，采用如下技术方案：

[0027] 一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的用于机械设备故障诊断的信号特征提取方法。

[0028] 在另一些实施方式中，采用如下技术方案：

[0029] 一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的用于机械设备故障诊断的信号特征提取方法。

[0030] 与现有技术相比，本发明的有益效果是：

[0031] （1）本发明对获取的原始机械设备时域信号数据进行矩阵变换处理，分离提取出故障信号的频谱特征与分布特征，实现了数据压缩，削弱原始振动信号中的噪声，可以使故障诊断模型专注于故障信号频谱特征学习，减少非故障信息对模型学习的干扰，增加模型的故障诊断性能。将压缩数据量后的特征数据做为故障诊断模型的输入可以减少模型的计算量和计算时间。

[0032] 本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

[0033] 图1为本发明实施例中的用于机械设备故障诊断的信号特征提取方法流程图；

[0034] 图2为本实施例实验中同一故障信号不同位置的三组样本数据；

[0035] 图3（a）为图2的样本数据分离得到的故障信号频谱特征数据；

[0036] 图3（b）为图2的样本数据分离得到的故障信号分布特征数据。

具体实施方式

[0037] 应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

[0038] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0039] 实施例一

[0040] 在一个或多个实施方式中，公开了一种一种用于机械设备故障诊断的信号特征提取方法，结合图1，具体包括如下过程：

[0041] （1）获取机械设备时域信号数据 ； 表示数据样本的第1个数据， 表示数据样本的第2个数据，依此类推， 表示样本最后一个数据， 表示中的总数据个数， 为1行 列的矩阵。

[0042] 本实施例采集的是机械设备周期性的时域振动信号；在机械设备关键零部件位置设置加速度传感器，机械设备运转时，零部件等机械结构有规律的运转会产生具有周期性的振动信号，这些振动信号会被加速度传感器采集。这些振动信号中包含机械设备零部件因磨损、断裂等故障产生的周期性冲击信号。

[0043] （2）将数据 的最后一个数据 变为第二行的第一个数据，第二行其余位置补零，将数据 变为两行l‑1列的新矩阵 ； 。 为2行列的矩阵。

[0044] （3）将新矩阵 的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l‑2列的新矩阵 ；， 为2行 列的矩阵。

[0045] 依此类推，不断递减前一个矩阵的列，将数据依次排列至下一行，直至第二行中所有补入的零元素都去除，得到两行 列的新矩阵 。

[0046] 比如： ， 为两行 列的矩阵；

[0047] ， 为两行 列的矩阵。

[0048] （4）当第二行填满时，下一次排列时则增加一行，即：将新矩阵 第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行 ‑1列的新矩阵 ；

[0049] 依次类推，最终得到 行1列的新矩阵 ； 。

[0050] 通过上述步骤，得到了 个矩阵，分别表示为 ， ， ，...， ，其列数分别为 ， ， ，...，1，其行数分别为1， ， ，...，
。其中行数的计算公式为 ， 为向上取整函数， 为对应矩阵的下
标。

[0051] （5）对于上述过程中的所有矩阵 ， ， ，...， ，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量 ， ， ，...， ；

[0052] （6）对于行向量 ， ， ，...， 分别计算标准差，得到 个结果，分别记为 ， ， ，...， 。将结果按角标由小到大排序，并将前 个结果记为
记为 ， 。其中 为样本 的进行特征压缩提取后的故障
信号频谱特征向量。

[0053] （7）对于上述过程中的所有矩阵 ， ， ，...， ，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量 ， ， ，...， ；

[0054] （8）对于列向量 ， ， ，...， 分别计算标准差，得到 个结果，分别记为 ， ， ，...， 。将结果按角标由小到大排序，并将前 个结果记为记
为 ， 。其中 为样本 的进行特征压缩提取后的故障信号分
布特征向量。

[0055] 本实施例中，特征向量 中包含了样本 中故障信号的频谱特征，其长度是样本的四分之一，特征向量 中包含了样本 中故障信号的分布特征，实现了对故障频谱与分布特征的分离和提取，同时压缩了数据量。

[0056] （9）将得到的故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。

[0057] 本实施例中，对神经网络模型进行训练时，分别获取机械设备在正常和各种不同故障状态下的原始时域信号数据，对每个状态下的原始时域信号数据进行不重叠的连续滑窗取样，分割成多个数据样本；采用上述的信号特征提取方法对每一个数据样本进行信号特征向量分离提取；将提取到的所有故障信号频谱特征向量构成训练数据集，利用训练数据集进行神经网络模型的训练，得到机械设备故障诊断模型。

[0058] 同时，可以基于故障信号分布特征向量校验原始时域信号数据分割是否合理，具体过程如下：

[0059] 比较每一个数据样本提取到的故障信号分布特征向量，如果各个数据样本提取到的故障信号分布特征向量相同或相近，则表明原始时域信号数据分割合理，否则，数据分割不合理。

[0060] 本实施例中，机械设备故障诊断模型选用含有3个全连接层的多层感知机做为故障诊断模型，训练所选取的样本数批量大小为32，优化器选择Adam（学习率自适应调整），激活函数选择ReLU。

[0061] 为了验证本实施例特征提取方法的效果，使用公开数据集CWRU进行验证，原始数据包含正常数据1组、内圈故障数据3组、滚珠故障3组、外圈故障3组。

[0062] 对某一类型时域信号数据进行不重叠连续滑窗采样，并将其划分为训练集和测试集。为了保证每个样本至少覆盖一个故障周期，样本长度设置为l=1024个采样点。这样每种故障类别共得到100组训练数据和20组测试数据共120组数据。10个类别一共包含1000组训练数据和200组测试数据共1200组数据，将其中一组数据记为S1024，。

[0063] 对每组数据进行进行列方向上的压缩处理，首先对于数据样本S1024，进行列方向上的压缩处理，具体方法为：取出S1024的最后一数据S1024，并做为新矩阵的第一行；将S1024做为新矩阵第二行的第一个数据，其余位置补零，将这个新矩阵记为S1023，。S1023为2行，1023列的矩阵。

[0064] 然后，取出S1023第一行数据的最后一个，并放入第二行的第一个位置，依次得到：

[0065] ，S1022为2行，1022列的矩阵。

[0066] ，S1021为2行，1021列的矩阵；

[0067] ，S1020为2行，1020列的矩阵；...

[0068] ，S512为2行，512列的矩阵；...

[0069] 依此类推，不断递减前一个矩阵的列，将数据依次排列至下一行，当最后一行填满时，下一次排列时则增加一行；

[0070] 最后将得到：

[0071] ，S1为1024行，1列的矩阵。

[0072] 通过上述步骤，得到了1024个矩阵，分别表示为S1024，S1023，S1022，...，S1，其列数分别为1024，1023，1022，...，1，其行数分别为1，2，2，...，1024。其中行数的计算公式为， 为向上取整函数，i为对应矩阵的下标。

[0073] 分别将S1024，S1023，S1022，...，S1在列方向上求和，即保证列数不变，行数变为1。记为r1024，r1023，r1022，...，r1。

[0074] 将r1024，r1023，r1022，...，r1分别计算标准差，得到1024个结果，分别记为a1024，a1023，a1022，...，a1。将结果按角标由小到大排序，并将前256个结果记为记为R，。其中R为样本S1024的进行特征压缩提取后的故障信号频谱特征
向量，特征向量R包含了样本S1024中故障信号的频谱特征，其长度是样本S1024的四分之一；基于故障信号频谱特征向量进行机械设备故障诊断。

[0075] 同时，分别将S1024，S1023，S1022，...，S1在行方向上求和，即保证列数不变，行数变为1。记为c1024，c1023，c1022，...，c1。

[0076] 将c1024，c1023，c1022，...，c1分别计算标准差，得到1024个结果，分别记为b1024，b1023，b1022，...，b1。将结果按角标由小到大排序，并将前256个结果记为记为C，。其中C为样本S1024的进行特征压缩提取后的故障信号分布
特征向量，特征向量C包含了样本S1024中故障信号分布特征向量，其长度是样本S1024的四分之一，基于故障信号分布特征向量，可以校验数据分割是否合理。

[0077] 下面通过实际样本数据对本实施例方法的效果进行实验验证：

[0078] 图2为同一故障信号不同位置的三组样本数据，样本数据的故障信号分布相同（表现为数据样本数据中故障信号相位相同，从图中看竖直方向对齐），其样本数据长度均为1024；采用本实施例的特征提取方法分离提取故障信号频谱特征数据与故障信号分布特征数据，结果如图3（a）‑（b）所示；图3（a）为三组样本数据分离得到的故障信号频谱特征数据，图3（b）为三组样本数据分离得到的故障信号分布特征数据。可以看出，本实施例方法有效分离提取了样本数据的故障信号频谱特征与故障信号分布特征。由于三个样本数据的故障信号分布基本相同，故障信号分布特征数据差异较小，表明数据分割合理。

[0079] 采用实验中的原始样本数据与故障信号频谱特征数据分别对机械设备故障诊断模型进行训练，结果表明，相比于直接用原始数据进行训练，采用故障信号频谱特征数据训练后的模型的测试精度从53%提高到100%，诊断测试精度提高47%。这就验证了本发明所提方法能够有效的从原始数据中提取出故障信号特征。

[0080] 实施例二

[0081] 在一个或多个实施方式中，公开了一种用于机械设备故障诊断的信号特征提取系统，包括：

[0082] 数据获取模块，用于获取机械设备时域信号数据 ；

[0083] 数据压缩模块，用于将一行l列矩阵 的最后一个数据变为第二行的第一个数据，第二行其余位置补零，将数据 变为两行l‑1列的新矩阵 ；

[0084] 将新矩阵 的最后一个数据变为第二行的第一个数据，第二行原有数据向后顺延，除去多余零元素，得到两行l‑2列的新矩阵 ；依此类推，直至得到两行 列的新矩阵 ；

[0085] 将新矩阵 第一行最后一个数据变为第二行的第一个数据，第二行最后一个数据变为第三行的第一个数据，第三行的其余元素补零，得到三行 ‑1列的新矩阵 ；

[0086] 依次类推，最终得到 行1列的新矩阵 ；

[0087] 频谱特征提取模块，用于对于上述过程中的所有矩阵 ， ， ，...， ，分别将列方向上的数据求和，变为列数不变、行数变为1的行向量 ， ， ，...，，对于行向量 ， , ，...， 分别计算标准差，选取标准差数值的前n个结
果组成数据 的故障信号频谱特征向量，n为设定值；

[0088] 故障诊断模块，用于将所述故障信号频谱特征向量输入训练好的神经网络模型中，得到机械设备故障诊断结果。

[0089] 作为可选的方案，还包括：

[0090] 分布特征提取模块，用于对于上述过程中的所有矩阵 ， ， ，...， ，分别将行方向上的数据求和，变为行数不变、列数变为1的列向量 ， ，
，...， ，对于列向量 ， , ，...， 分别计算标准差，选取标准差数值的
前m个结果组成数据 的故障信号分布特征向量，m为设定值。

[0091] 作为可选的方案，还包括：

[0092] 原始数据校验模块，用于基于所述故障信号分布特征向量校验原始时域信号数据分割是否合理。

[0093] 上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。

[0094] 实施例三

[0095] 在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的用于机械设备故障诊断的信号特征提取方法。为了简洁，在此不再赘述。

[0096] 应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0097] 存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

[0098] 在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

[0099] 实施例四

[0100] 在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的用于机械设备故障诊断的信号特征提取方法。

[0101] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。