最近几年,随着工业对产量和生产规模需求的提高,机械设备结构趋于复杂化,自动化程度逐步提高,通过自动化的机械故障诊断系统实时精准地反馈机械设备的状态信息,是确保设备正常运行的重要手段。传统的机械故障诊断方法主要通过人工观测或通过设备的参数判断其健康状态,其准确率和实时性都较低。随着机器学习算法的深入研究,针对机械设备故障诊断方法的准确率、鲁棒性和实时性已有显著提高,但当受到噪声干扰时会导致故障诊断模型的准确率降低,且在己知故障样本数据不足的情况下,无法及时检测出未知的故障状态。因此,本文针对现有故障诊断模型易受噪声干扰的问题,基于多头注意力机制（Multi-head Attention Mechanism,MHA）和卷积神经网络（Convolutional Neural Network,CNN）提出了一种端到端的自适应机械故障诊断算法MHA-CNN。MHA-CNN网络主要由数据预处理、多头注意力机制网络和卷积神经网络三部分组成。首先,数据预处理模块将输入数据经过小波包分解至第五层的各个节点小波包系数重构得到特征矩阵;然后,使用多头注意力机制网络进一步提取高维特征数据;最后,将提取的高维特征数据和小波包分解得到的特征矩阵经过带权重矩阵的残差连接之后输入到卷积神经网络进行故障分类。MHA-CNN算法的优点有:（1）能够自适应地选择与故障类型相关度更高的频率数据特征来训练网络模型,多头注意力机制的应用增加了提取特征的多样性,且多头之间相互协同有助于网络学习更深层次的数据特征;（2）带权重矩阵的残差连接可以使网络更稳定,有更强的鲁棒性,结合卷积神经网络提升了网络的故障分类准确率;（3）多头并行处理可以提升网络的训练速度,使网络能够达到更高的实时性要求。为了验证MHA-CNN网络的有效性,本文设计了多组对比实验。首先,在CWRU数据集上的5组对比实验和在PU数据集上的4组对比实验验证了 MHA-CNN网络收敛后的准确率高于其它主流算法,收敛速度也较快;然后,结合t-SNE降维技术验证了数据特征随着模型训练次数的增加而更容易区分,通过混淆矩阵分析方法得出模型预测错误的数据主要发生在内圈故障和外圈故障中,在健康状况和滚轮故障的数据没有发生错误预测;最后,通过鲁棒性对比实验验证了 MHA-CNN网络在噪声干扰环境中具备较强的鲁棒性。