摘要： 针对滚动轴承故障诊断模型易受轴承工作环境噪声以及运行数据样本数量影响的特点，提出一种并行大核注意力机制卷积神经网络（PLKACNN）。首先，将一维时间序列通过短时傅里叶变换转化成二维图像作为模型的输入，使用并行大核注意力机制实现对不同维度的故障特征的提取；其次，将并行支路所得的特征图进行堆叠以获得整体信息，最终通过整合卷积层以及全连接层对整体信息进行学习以及分类。结果表明PLKACNN能够有效识别滚动轴承故障程度和故障位置，在带噪数据集上获得平均98.5 %的准确率，并且在带噪小样本实验中获得92.81 %平均准确率，证明所提PLKACNN具有较好的噪声鲁棒性以及泛化能力。

关键词: 故障诊断, 滚动轴承, 深度学习, 短时傅里叶变换, 大核注意力机制