摘要： 针对滚动轴承早期故障特征易受强背景噪声影响而难以提取的问题，提出一种基于阿基米德算法（Archimedes Optimization Algorithm，AOA）优化变分模态分解（Variational Mode Decomposition，VMD）和相关最大峭度解卷积（Maximum Correlated Kurtosis Deconvolution，MCKD）参数的滚动轴承故障诊断方法。首先，将不同移位数下相关峭度和现有指标进行对比，选取最优相关峭度指标作为目标函数优化VMD算法中分解层数K和惩罚因子，并基于VMD分解结果选取最优分量；其次，提出一种加权包络谱峭度作为目标函数优化MCKD算法中滤波器长度L 和冲击信号周期T，基于MCKD算法增强最优分量中的冲击成分；最后，通过包络谱分析判断滚动轴承故障类型。仿真和试验结果表明，该方法可以有效提取并增强故障中的冲击成分，实现在强背景噪声下的滚动轴承早期故障诊断。

关键词: 故障诊断, 滚动轴承, 阿基米德算法, 变分模态分解, 最大相关峭度解卷积