旋转机械在现代工业中起着非常重要的作用,其部件的故障可能导致机器故障、生产延误和灾难性事故,造成巨大的经济损失。因此,近几十年来,旋转机械的状态监测越来越受到重视。而滚动轴承作为一种在旋转机械中使用最广泛并且最容易出故障的零件。其对于旋转机械正常运转起到至关重要的作用。因此滚动轴承的故障诊断一直是故障诊断领域研究的焦点。近年来,随着人工智能和深度学习等技术在工业生产任务中的广泛应用,深度学习在滚动轴承故障诊断中的应用成为一大研究热点。本文针对滚动轴承在变负载工况下和高噪声环境下故障诊断困难的问题,分别运用了基于混合域注意力的卷积神经网络的方法和提出了结合混合域注意力的残差收缩网络模型,为解决了这两大难题提出了新思路新方法。(1)变工况下滚动轴承故障诊断过去对于滚动轴承故障诊断的研究多集中在相同工况下的诊断,并且都取得了很高的诊断准确率。但是对于变工况下的故障诊断问题的研究成果还比较少,而且诊断准确率也大多偏低。本文针对这一问题运用了基于混合域注意力机制结合一维卷积神经网络的故障诊断方法。本文为了验证混合域注意力方法对于处理该问题的优越性,根据注意力关注角度的不同实现了针对故障诊断问题的三种注意力模型,分别是时间域注意力模型(Time Attention简称TA)、通道域注意力模型(Channel Attention简称CA)还有时间通道域共同作用的混合域注意力模型(Mix Attention简称MA)。通过将三种不同模块插入到一维卷积神经网络(CNN1D)的每个卷积层之间得到三种诊断模型CNN1D-TA、CNN1D-CA和CNN1D-MA。通过实验对比分析了三种诊断模型在变工况环境下的诊断准确率。结果证明基于混合域注意力的一维卷积神经网络CNN1D-MA模型,在变工况下的平均准确率高达97.47%,远高于过去研究的传统诊断模型如 FFT-SVM、FFT-MLP、FFT-DNN 平均准确率高 10%～20%,相比未添加注意力模块的CNN1D模型平均准确率高3.78%;比CNN1D-TA 模型高 2.09%;比 CNN1D-CA 模型高 1.77%。(2)噪声环境下的滚动轴承故障诊断实际工业生产中滚动轴承的工作环境复杂,一旦产生较大的噪声干扰将会对轴承的维护诊断带来难题。如果由于噪声干扰导致诊断错误或者不准确影响设备维护,一旦因此带来设备故障,不仅影响生产导致经济损失,严重的还可能造成安全事故,因此保证高噪声环境下的诊断准确率非常重要。本文针对高噪声环境下的滚动轴承故障诊断问题,基于已有的噪声环境下表现出色的逐通道的深度残差收缩网络(DRSN-CW),结合了混合域注意力模型,提出了改进后的混合域注意力深度残差收缩网络(DRSN-MA)。通过给原始轴承振动信号添加-5dB～5dB信噪比高斯白噪声模拟实际生产噪声环境,设计了 11组信噪比不同的实验。使用10折交叉验证对比改进前后模型的准确率。实验结果显示改进后的DRSN-MA模型相比改进前的DRSN-CW在平均准确率上提升了 0.4%,但是在-5dB的高噪声环境下提升了 3%,因此可以得出改进后的DRSN-MA模型性能有所提升并且在高噪声环境下更加稳定。