针对旋转机械轴承故障诊断中振动信号噪声干扰强、特征提取依赖人工设计等导致的故障诊断不准确问题，提出了一种融合轴承动力学机理与Kolmogorov⁃Arnold网络（KAN）的物理注意力Transformer模型。首先，基于Hertz接触理论推导轴承内圈、外圈及滚动体故障特征频率方程，构建频域掩码引导注意力机制聚焦故障敏感频带；其次，设计KAN⁃Transformer架构，通过KAN的多尺度分解能力自适应解析振动信号的时频特征，结合Transformer的全局注意力实现长程依赖建模；最后，在凯斯西储大学（CWRU）轴承数据集上验证了模型的性能。结果表明，该模型的准确率达99.75%，显著优于传统模型。研究结果为旋转机械轴承故障诊断提供了一种高精度、高鲁棒性且物理可解释的解决方案。
