滚动轴承作为电机的重要组成部件,其运行工况复杂多变且服役环境恶劣,导致轴承容易出现故障,进而降低整个电机系统的可靠性。传统的电机轴承故障诊断方法多采用时域或频域信号处理方法,提取振动信号中的故障特征信息,然而,电机轴承故障振动信号往往表现出强噪声、非线性、非平稳等特点,导致故障特征信息难以提取。基于数据驱动的机器学习算法如支持向量机、随机森林等已经应用到故障诊断中,但是机器学习算法都是配合其他信号处理算法使用,只是在最后一步作为分类器,不能直接使用原信号,不是端到端的模型,在信号处理中会造成信息的丢失,局限性显著。因此,针对以上问题,本论文开展了基于注意力机制的深度学习技术进行电机轴承故障诊断的研究,具体研究内容如下:（1）提出了基于注意力机制的Seq2Seq编解码器模型进行故障诊断。Seq2Seq模型是一种专门处理时间序列的模型,其中编解码器均采用双向长短期记忆神经网络（Bi LSTM）,这种结构可以有效避免“梯度消失”的现象。传统编解码器在编码较长的输入序列时会出现造成信息丢失,从而使解码器难以获得有效数据信息。因此针对此问题引入注意力机制,增强其局部特征学习能力,有效保留上下文信息。对此模型使用凯斯西储大学的数据集对模型进行训练和测试,其在测试集上对于各类故障的识别精度分别达到了98.38%、95.44%、93.25%、94.21%,证明了模型的有效性;（2）针对Seq2Seq编解码器无法并行处理序列问题,提出采用Transformer模型进行故障信号处理。基于注意力机制的Seq2Seq模型由于其编解码器都是由双向长短期记忆神经网络结构组成,这就决定了Seq2Seq模型只能按照时间顺序处理信息,使得计算效率大大降低。本文采用Transformer模型可以并行处理数据,加速了计算。同时大量使用注意力机制对于理解时间序列以及特征提取有促进作用,进一步提高了模型对各类故障的识别精度。本研究结果证明了注意力机制对于故障诊断的有效性,为电机轴承故障诊断的智能化提供了思路,为未来进一步实现电机故障诊断智能化奠定了基础。