1.基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：该方法包括以下步骤：S1：多测量向量的压缩采集；

S2：数据处理；

S3：卷积神级网络模型训练；

S4：识别故障类型。

2.根据权利要求1所述的基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：所述S1具体为：对大型机械装备在不同的位置方向安装L个无线传感器节点，L≥2，然后对L个无线传感器节点对故障源信号进行压缩测量，得到测量值由无线传感器网络进行传输；

多测量向量模型MMV的公式为：

Y＝ΦX＝ΦΨX＝AX       (1)其中X＝{x1,x2,…,xL}xL∈RN为原信号，Φ∈RM×N为测量矩阵，M＜＜N，Y＝{y1,y2,…yL}yL∈RM为测量值矩阵；原信号xL在测量矩阵Φ的线性测量值yL＝ΦxL，又称y是原信号在测量矩阵的线性投影，测量矩阵Φ必须服从有限等距性质RIP；x为X经过稀疏基ΨN×N表示的稀疏系数，A＝ΦΨ,∈RM×N的矩阵，称为感知矩阵求解NP问题：min||x||l s.t.Y＝AX      (2)当L＝1时，该模型成为SMV模型。

3.根据权利要求1所述的基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：所述S2具体为：当L个传感器的测量值经过无线传感器网络出输到云端，组成测量值矩阵Y；将测量值矩阵Y做归一化处理，处理方法如下：计算均值：

计算方差:

处理测量值：

则处理后测量值矩阵为：

4.根据权利要求1所述的基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：所述S3具体为：将采集h种不同类型故障源的信号进行多测量向量的压缩采集的压缩采集，得到测量值矩阵经过数据归一化处理后进行标签构成数据集；数据集的80％为训练数据集，20％为测试数据集，将数据集送入卷积神经网络。

5.根据权利要求4所述的基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：所述卷积神经网络包括：(1)卷积层

卷积层利用卷积核对输入测量值矩阵的局部区域进行卷积运算，提取相应的特征；卷积公式为：式中： 为第l层的第i个被卷积的局部区域， 为第l层的第i个卷积核的第j′个权值，W为卷积核的长度；

(2)激活层

卷积后，对每个卷积的输出值进行非线性变换；神经网络中常用的激活函数为Sigmoid函数、Tanh函数、Relu函数；利用Relu函数做激活函数，函数公式为：式中al(i,j)为卷积层输出yl(i,j)的激活值；

(3)池化层

池化层主要就是减少神经网络的训练参数，起到数据降维为作用；采用均值池化，其公式为：式中：pl(i,j)为第l层的池化输出值，W为池化区域的宽度，al(i,j)为卷积层输出yl(i,j)的激活值(4)全连接层

全连接层是将提取出来的特征进行分类；将最后一次池化层的输出值，拉伸为一维特征向量，作为全连接层的输入；全连接层中隐藏激活函数，最后一层的激活函数采用的是激活Softmax函数，将输入的神经元值转化概率分布；

全连接层的前向传播公式为：

l+1

式中:O 为第l+1层第第j个神经元的输出值， 为第l个神经元与第l+1层第j个神经元之间的权值， 为第l个神经元对第l+1层第j个神经元的偏置值；

当l+1层的隐藏层，采用Relu函数：l+1(i) l+1(j)

a ＝max{0,O }      (7)最后一层激活函数Softmax:

6.根据权利要求5所述的基于无线传感器网络多测量向量的机械装备故障诊断方法，其特征在于：所述S4具体为：将大型机械装备的故障源，经过多测量向量的压缩采集的压缩采集，得到多组测量值，经过无线传感器网络传输后，到达云端组成测量值矩阵，然后进行数据归一化处理后输入训练完成卷积神经网络模型，得到识别故障类型。