摘要： 针对滚动轴承在强背景噪声环境下故障诊断性能不佳，已有基于深度学习和降噪处理的故障诊断模型规模较大，复杂度较高导致难以实际部署的问题，提出一种基于高斯滤波（Gaussian-filter）和多尺度卷积神经网络（Multi-Scale Convolution Neural Network，MSCNN）的滚动轴承故障诊断方法，可在噪声环境中实现低复杂度、高精度的故障诊断，并对不同负载情况具有高鲁棒性。该方法首先构造适应不同信噪比的最佳滤波核，然后对有噪信号进行降噪处理，最后使用MSCNN自适应提取信号多尺度特征，实现多类别故障诊断。实验结果表明，与当下最先进的各种故障诊断方法相比，该方法在各种强度噪声下均具有较高故障诊断精度，且在时间和空间维度上具有较低的复杂度，有望在工业生产中得到实际应用。

关键词: 故障诊断, 降噪, 深度学习, 高斯滤波, 卷积神经网络