摘要： 针对复杂环境下轴承故障特征提取困难以及数据量不足的问题，提出一种基于自注意力机制生成对抗网络(Self-Attention Generative Adversarial Networks, SAGAN)和改进残差网络(Improved Deep Residual Network，IResNet)的轴承故障诊断方法(SAGAN_IResNet)。首先，利用连续小波变换(ContinuousWavelet Transform，CWT)将原始振动信号转换为二维时频图像，得到适合生成模型和诊断模型输入的数据；其次，使用自注意力机制生成对抗性网络生成与原始样本分布相似的新样本，对数据进行扩充，解决轴承故障数据量不足的问题；最后，构建一个基于改进残差网络的轴承故障诊断模型，将多头注意力机制与残差网络相结合，自适应获取全局特征信息，缓解梯度弥散与网络退化的问题，进而提高模型在强噪声与变负载下进行轴承故障诊断准确率。采用凯斯西储大学轴承数据集进行验证，结果表明，所提方法在少样本、强噪声、变负载的情况下，具有较强的轴承故障诊断性能。

关键词: 故障诊断, 连续小波变换, 多头注意力机制, 深度残差网络