传统的信号处理方法在处理振动和声音信号时，往往无法充分反映轴承的运行状态，导致故障检测的准确性不足。信号单一，容易受到周围环境的干扰，影响设备可靠性的判断。该文提出了一种基于VMD（variational modal decomposition，变分模态分解）和KPCA（kernel principal component analysis，核主成分分析）的声音和振动信号融合算法，用于轴承故障诊断。VMD 算法对信号进行高效分解以减少混叠现象，而 KPCA 通过核函数增强了特征提取能力。该算法融合了振动和声学信号的特点，可以实现信息的互补，提高诊断的准确性和鲁棒性。在本研究中，通过分析正常和多种故障状态的信号，实现了数据的高效处理和准确诊断。实验结果表明，本文提出的 VMD-KPCA 算法在提高故障识别率的同时表现出优异的鲁棒性，具有良好的实际应用前景。未来的研究可以进一步探索该算法的优化，以满足工业实际应用的需求。

轴承故障,信号融合,VMD,KPCA