【摘要】为提高机械装备的可靠性、降低事故发生率，对旋转机械中的滚动轴承开展故障诊断具有重要意义。基于深度学习的故障诊断方法是当下的研究热点。工业现场采集到的数据往往包含较强的噪声，这严重影响到了模型的性能。此外，有限的标签数据使得模型的训练更加困难。为此，本文提出了一种基于通道注意力机制的多尺度卷积自编码器（Multi-scale Convolutional Auto-encoder based on Channel Attention Mechanism, 简称 MSCAE-CAM），通过嵌入多尺度卷积层和注意力机制模块提升模型在噪声环境下的特征提取能力。在实验室轴承数据集上的实验结果表明，本文方法相较于其他主流方法对噪声有着更强的鲁棒性。