摘要： 针对齿轮箱故障诊断方法中缺乏多尺度特征分析能力以及深层网络结构中梯度消失或爆炸的问题，提出一种多尺度全维动态卷积残差网络(Multi - Scale Full - Dimensional Dynamic Convolutional Residual Network，MFDCResNet)以用于齿轮箱故障诊断。首先，利用全维动态卷积(Omni-dimensional Dynamic Convolution，ODConv)动态调整卷积核权重的能力，获取更加全面的故障特征信息；其次，引入一种改进的金字塔切分注意力(Pyramid Split Attention，PSA)模块，将高效通道注意力机制(Efficient Channel Attention，ECA)嵌入PSA模块中，以便更充分提取多尺度空间信息和跨维度的关键特征。最后，设计一种双跳跃连接的全维动态残差块，可增强网络对特征信息进行差异化划分的能力，从而提升识别故障特征的能力，并通过叠加模块加深网络层次，实现对融合信号中潜在故障特征的深入挖掘。实验结果表明，所提模型准确率达到98.4 %，由此验证了所提模型的优越性，为齿轮箱故障诊断提供了一种新型有效的智能方法。

关键词: 故障诊断, 全维动态卷积, 金字塔切分注意力, 高效通道注意力机制