以下是类型a（原始研究报告）的学术报告：

基于参数优化变分模态分解与深度学习的滚动轴承故障严重程度分类研究

作者及机构
本研究由Vivek Parmar（Thapar理工学院）、Shirshendu Layek（印度信息技术学院Dharwad分校）、Megha Bhushan（塞维利亚大学）等6位研究人员共同完成，发表于《Scientific Reports》2025年第15卷。

学术背景
滚动轴承是旋转机械的核心部件，其故障会引发显著的经济损失。传统诊断方法（如支持向量机、人工神经网络）虽有效但存在精度瓶颈。本研究针对故障严重程度分类的挑战，提出融合参数优化变分模态分解（VMD, Variational Mode Decomposition）与深度学习（DL, Deep Learning）的混合方法，旨在提升分类准确性并适应不同工况。研究目标包括：1）通过粒子群优化（PSO, Particle Swarm Optimization）改进VMD参数；2）开发7种深度学习模型比较性能；3）通过实验数据与标准数据集（Case Western Reserve University）双重验证。

研究方法与流程
1. 数据生成与采集
- 实验设计：在自对准轴承（型号SKF 1205 ETN9）内/外圈人工制造5种尺寸矩形缺陷（最小0.25mm，最大2.05mm），使用电火花加工（EDM）精确控制缺陷尺寸。
- 工况模拟：6种转速（s1-s6）与6种径向载荷（l1-l6）组合，共396组10秒振动信号（采样率51.2kHz），通过加速度计与8通道数据采集系统（DAQ）获取。
- 对照组设置：包含健康轴承数据，形成11类标签（如or1-or5代表外圈缺陷，ir1-ir5代表内圈缺陷）。

1. 信号预处理与优化

   • 参数优化VMD：
     
     • 使用PSO以谱峭度（Spectral Kurtosis）最大化为目标函数，优化VMD的模态数k（1-9）和惩罚因子α（10-50000）。
       
     • 示例：外圈缺陷or1在s1_l1工况下最优参数为k=4、α=2316，提升信号峭度2977.84%。
       
   • 本征模态函数（IMF）筛选：选择峭度最高的IMF（如Figure 11-14所示），其包络谱能清晰显示故障特征频率（如外圈缺陷or4的BPFO峰值）。
     

2. 深度学习模型开发

   • 7种模型架构：
     
     1. 1D-CNN：采用128滤波器的一维卷积层（核大小100），后接最大池化（窗口4）和全连接层（150神经元），最终Softmax分类（结构见Figure 1）。
        
     2. WaveNet：5层残差块结构，每层包含扩张卷积（核大小3）以扩展感受野（Figure 2）。
        
     3. GRU与LSTM：GRU采用64单元因果卷积层（核大小100），LSTM标配遗忘门机制（Figure 3-4）。
        
   • 训练设置：滑动窗口（长度1000，步长50），30个epoch，批量尺寸300，Adam优化器。
     

主要结果
1. VMD优化效果：PSO优化后的VMD显著提升信号特征提取能力。例如，内圈缺陷ir4的原始信号峭度为3.2，优化后IMF1峭度达95.6（Figure 12）。

1. 模型性能比较（Case Study I - CWRU数据集）

   • 1D-CNN与GRU实现100%准确率，全类别无误判（Figure 16）。
     
   • CNN在少数类别（14_ir/14_or）达99.96%，验证模型泛化性。
     

2. 实验数据集（Case Study II）结果

   • 最优模型：1D-CNN综合准确率99.65%，WaveNet（97.05%）和GRU（97.33%）次之（Figure 19）。
     
   • 缺陷敏感性分析：or5类因缺陷尺寸最大（2.02mm），分类精度最低（96.01%），可能与非线性振动加剧有关。
     
   • 传统模型局限：ANN与CNN精度仅81.16%和82.52%，凸显1D-CNN在时序数据处理优势。
     

结论与价值
1. 科学价值：
- 提出PSO-VMD参数优化框架，谱峭度提升超25倍，为故障信号预处理提供新范式。
- 验证1D-CNN在单维振动信号中的优越性，其感受野设计可有效捕捉局部故障特征。

1. 工程应用：
   
   • 模型在实验室数据与标准数据集上均表现稳健，适用于工业现场多变工况。
     
   • 开源数据集（可联系第一作者获取）促进后续研究可比性。
     

研究亮点
1. 方法创新：首次将PSO-VMD与多DL模型集成，通过双案例研究（实验数据+CWRU）严格验证。
2. 技术突破：1D-CNN以99.65%精度超越现有技术（如文献[25]的CNN-STFT方法）。
3. 可解释性：通过包络谱（Figure 11-12）直观展示故障特征提取效果，增强模型可信度。

其他发现
- 超参数敏感性：WaveNet的扩张卷积层数超过5层后性能饱和，提示工业部署时可压缩模型规模。
- 跨域适应性：GRU在CWRU数据集表现优异（100%），但在实验数据中略逊，可能源于轴承类型差异（深沟球轴承vs自对准轴承）。