摘要： 针对滚动轴承原始信号复杂，以致故障冲击信号被噪声“淹没”的问题，提出利用自适应噪声完备集合经验模态分解算法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)联合挤压与激励网络(Squeeze-and-Excitation Network，SENET)内嵌时序卷积神经网络(Temporal Convolutional neural Network，TCN)的滚动轴承故障诊断方法。首先对原始信号进行CEEMDAN分解，得到一系列固有模态分量(Intrinsic Mode Functions，IMF)，以剔除干扰信息，然后提取重构信号的时域特征，最后输入复合神经网络(Squeeze-and-Excitation Network-Support Vector Machine，SETCN-SVM)进行分类。将复合网络CEEMDAN-SETCN-SVM与单一时序网络TCN-SVM模型相比，实验结果表明，采用所提方法能有效提取故障特征，其分类准确率达到100 %。

关键词: 故障诊断, 滚动轴承, 信号重构, CEEMDAN分解, SE注意力机制