摘要： 针对多工况不同载荷运行条件下故障识别困难，且传统的卷积神经网络(Convolutional Neural Networks，CNN)对故障特征的提取能力不佳的问题，提出了融合残差自注意力机制(Residual Self-attention Mechanism，RSAM)的残差多尺度空洞卷积-长短期记忆神经网络(Residual Multi-scale Dilated Convolution-long Short-term Memory Neural Network，RMSDCNN-LSTM)的齿轮箱故障诊断方法。首先，设计一种残差多尺度空洞卷积结构，用于捕捉多尺度下的空间特征，通过RSAM增强关键故障特征表达；其次，联合长短期记忆神经网络(Long Short-term Memory，LSTM)建模时序依赖关系；最后，采用Softmax(归一化)分类器实现齿轮箱故障诊断。实验结果表明，该模型能高效提取故障特征，通过使用华中科技大学齿轮箱数据集(HUST数据集)对比其他模型，验证了其更高的诊断精度(98.8 %)，通过风力发电机行星齿轮箱数据集(WT数据集)证明该方法的适用性(训练准确度99 %)，其能根据多工况混合数据实现故障诊断。

关键词: 故障诊断, 残差自注意力机制, 残差多尺度神经网络, 齿轮箱, 多工况