一、引言
随着工业智能化的发展，滚动轴承故障诊断的准确性对设备健康管理、预测维护等方面至关重要。在
复杂的工业环境中，传统的方法在噪声环境下往往无法实现精确的故障诊断。为此，我们提出了一种
基于注意力的多尺度卷积神经网络（Attention-based Multi-scale Convolutional
Neural Network，简称 1DMACNN）的滚动轴承故障诊断方法。本文将详细介绍该方法的设计原理
、技术实现及其实验验证过程。
二、背景及现有问题
传统的滚动轴承故障诊断方法在噪声环境下往往无法达到理想的诊断精度。这是因为噪声会干扰故障
特征的提取，使得诊断模型难以准确识别轴承的故障状态。针对这一问题，我们提出了一种新的解决
方案。
三、方法与原理
1. 数据预处理
在进行故障诊断之前，我们需要对原始数据进行预处理。本方法支持一维原始数据的输入，通过对数
据进行归一化等操作，以便于后续的特征提取和模型训练。
2. 网络模型
我们提出了一个基于一维多尺度卷积神经网络的模型（1DMACNN）。该模型通过构建多尺度卷积层，
能够提取不同尺度的故障特征。同时，我们引入了通道注意力机制，使模型能够自适应地选择包含故
障特征的通道，从而提高模型的抗噪能力。
3. 多尺度卷积与注意力机制
多尺度卷积能够提取不同尺度的故障特征。通过引入通道注意力机制，模型可以自适应地选择包含故
障特征的通道，抑制噪声干扰。此外，我们还利用自适应大小的一维卷积调整不同尺度的特征通道权
重，实现不同尺度的特征自适应融合，提高判别性特征提取能力。
4. 模型训练与验证
我们使用凯斯西储大学开源的滚动轴承数据集 CWRU 进行模型的训练和验证。通过对模型进行大量实
验，证明了所提方法的有效性。
四、实验结果与分析
