电机以其结构简单可靠、成本低廉、易于控制的特点，普遍应用于日常生活，在家用和工业社会中发挥着不可或缺的作用。电机通常处于长时间工作状态下，在恶劣环境侵蚀和长时间运行磨损之后，容易发生故障，导致安全隐患或直接造成恶劣的安全事故。 传统的故障诊断方法主要是基于模型和数据驱动来进行故障诊断。基于模型的故障诊断方法是通过分析不同域（如时域、频域或时频域）的信号特征而开发的。而数据驱动的方法是通过机器学习算法实现的，如人工神经网络、支持向量机、随机森林、极限学习机等。但是这种方法依赖丰富的领域专家知识，限制了在实际应用中的推广。深度学习因为其可以自动学习海量数据之间的层次特征和相关性的特点，在自然语言处理、语音识别、图像识别等方案显示出巨大的应用潜力和优势，成为了克服其上述缺点的新解决方案。与传统机器学习算法相比，深度学习方法在处理高维、非线性、复杂关联的数据时表现出更为优越的性能。此外，深度学习模型的高度自动化和端到端的学习能力，使其能够更好地适应实际应用中的复杂场景，从而显著提高了故障诊断的准确性和可靠性。 然而，大多数故障诊断方法仅使用单通道信号作为深度学习模型的输入。单传感器信号只能反映电机系统运行的局部状态，难以全面、准确地揭示电机故障的复杂特性；其次，单一信号的可靠性和抗干扰能力有限，容易受到环境噪声的影响，导致诊断结果的不稳定，进而影响其在实际场景中的应用效果。为了提高故障诊断的准确性和鲁棒性，研究者们逐渐将多传感器信息融合的思想引入到故障诊断中。 而多传感器信号融合方法通过获取电机不同部位的多种物理信号，如振动、温度、电流等，综合多维度信息，可以更全面地反映电机的运行状态。多传感器数据的融合，不仅有助于提高特征提取的精度，还可以增强故障诊断的抗干扰能力。基于多传感器信号的融合方法，可以弥补单通道信号诊断的不足，从而提升电机故障诊断的准确性和稳定性。目前，研究者们正积极探索利用深度学习模型对多传感器信号进行融合分析，以期实现更高效、更精确的故障诊断。大多数现有的数据融合方法通过简单的特征拼接或加权融合来实现传感器数据的集成，但这种方式未能充分挖掘不同传感器之间的互补性信息，导致各传感器提取的特征未能得到高效利用。此外，现有方法通常缺乏对多传感器之间依赖关系的有效建模，使得各传感器的特征信息无法相互增强，进而削弱了多传感器融合在复杂任务中的效果。注意力机制可以为不同特征赋予权重来突出重要特征，同时抑制无关特征，但其主要基于局部特征相关性进行权重分配，容易忽视传感器之间的全局依赖关系。