多层感知器和卷积神经网络等深度学习模型具有强大的特征表示和非线性映射能力，其在故障诊断中的有效性已得到证实。然而，故障特征通常以不同尺度的形式出现，并且总是受到噪声干扰，这使得现有的基于深度学习的故障诊断方法难以学习机械振动信号中的局部和全局信息。为解决这一问题，我们提出了一种名为MgHNN的多粒度混合神经网络，用于提取鲁棒的故障特征。MgHNN能够将特征表示为具有幅值和相位信息的波函数，这使得网络能够从信号中提取具有一定物理意义的故障特征。在两个故障诊断数据集上的实验结果表明，与基线模型相比，本文提出的方法获得了更好的准确性和复杂性权衡。噪声干扰实验结果表明，本文提出的方法对噪声具有良好的鲁棒性。

论文信息：Z. Yang, B. He, G. Li, P. Lu, B. Cheng and P. Zhang, "Multigrained Hybrid Neural Network for Rotating Machinery Fault Diagnosis Using Joint Local and Global Information," IEEE Transactions on Instrumentation and Measurement, 2023.