摘要： 针对现有卷积神经网络对局部特征和全局特征提取不充分和泛化性不足的问题，提出增强型注意力机制(Enhanced Spatial-Channel Attention，ESCA)结合MKConvNeXt 的滚动轴承故障诊断模型。首先，采用连续小波变换(Continuous Wavelet Transform，CWT)对原始的一维振动信号进行时频转换得到二维图像，用作模型输入；其次，将ConvNeXt 网络中的7×7 卷积核重新构造为1 个3×3 卷积核串联1 个5×5 卷积核的组合，并在该串联组合后接入ESCA得到增强型注意力机制结合MKConvNeXt模型MKConvNeXt-ESCA；最后分别使用帕德博恩大学滚动轴承混合故障数据和华中科技大学滚动轴承复合故障数据进行试验以验证MKConvNeXt-ESCA模型诊断性能。实验结果验证了所构建模型识别滚动轴承故障的有效性，对于帕德博恩数据集取得99.7 %的准确率，对于华中科技数据集诊断准确率为100 %，证明所提MKConvNeXt-ESCA模型能够充分提取特征信息且泛化性能良好。

关键词: 故障诊断, 滚动轴承, 增强型注意力机制, 卷积神经网络, 连续小波变换