滚动轴承作为旋转机械的基础部件,广泛应用于工程机械、航空航天、高铁动车等重要领域。建立可靠的健康状态检测系统,是保证旋转机械在工业过程中平稳运行的关键。在实际工程应用中,滚动轴承往往工作在负载与转速变化的条件下,由于其运行状态复杂多变,产生的振动信号特征分布差异性较大?而基于信号处理的特征提取结合分类器的传统智能诊断方法,过于依赖专家经验和先验知识,无法满足变工况条件下,滚动轴承振动信号特征提取与故障识别的要求。因此,针对该问题提出了一种基于深度学习的端到端的滚动轴承故障诊断方法,实现从原始信号到分类结果的直接映射?首先,通过卷积神经网络(CNN)将振动数据映射到非线性空间域,从大量原始信号中挖掘与轴承运行状态相关的信息。利用CNN对输入信号的微小位移、缩放具有不变性的特点,自适应提取变工况下滚动轴承故障特征。其次,针对不同工况下的轴承振动信号表现形式具有差异性,且故障发生时信号的局部突变性特点,提出将注意力机制思想融入CNN结构中,建立特征通道之间的依赖关系,更好地推理不同表现形式数据之间的关联性,进一步提高变工况下轴承振动特征的敏感性。最后,利用数据增强方法获得更加丰富多样的训练样本,使提出的深度神经网络得到更充分的学习,有效避免过拟合?通过进一步分析振动信号的特点,为了学习到对信号位移具有不变性的特征,设计了注意力机制CNN模型中超参数的选择方案,降低故障诊断算法的设计难度。实验表明,所提基于注意力机制CNN故障诊断模型可实现变工况下的滚动轴承多状态识别与分类,与其他方法相比,其可获得更高的准确率。