为提升非线性BDI 指数的预测效果，分析了多种预 测模型对BDI 指数的单步及多步预测结果，借助“分解-重 构-预测”思路，设计构建了VMD-FFT-LSTM 组合预测模 型． 首先，通过VMD 算法分解出BDI 指数的IMF 分量; 然 后，结合BDI 指数周期理论与FFT 算法计算的周期结果 重构IMF，达到降噪的目的; 最后，运用LSTM 模型对重构 序列进行多步预测． 对比多步预测结果，VMD-FFT-LSTM 组合模型预测结果在精度及稳定性上表现更好，解决了 SVＲ 模型多步预测结果易

针对论文：基于ＶＭＤ的故障特征信号提取方法，本人对论文中的仿真信号部分进行了复现，首先产生仿真信号；其次，利用VMD对信号进行分解，运用排列熵确定含高噪分量，然后对低噪分量进行重构；最后，将重构的信号进行分解，发现分量与最初的原始仿真信号基本一致。说明去噪效果较好。

滚动轴承故障冲击特征易被工频载波信号淹没，而传统的信号降噪方法对工频干扰不具有针对性，所以将工频陷波理论引入到轴承故障诊断中。由于陷波的窄带滤波特性，其对中心频率及带宽参数变化较为敏感，通过粒子群多参数寻优，以时域峭度最大原则对陷波器中心频率及带宽进行自适应选取，以时域波形匹配方差作为评价指标验证陷波对故障冲击特性的还原能力。试验分析表明自适应陷波可以有效地从工频调制信号中解调出故障冲击特征，对陷波后信号进行包络谱分析，其故障特征谱线得到增强，辅助以集合经验模态分解(EEMD)、变分模态分解(V