【摘要】本文针对轴承故障诊断中故障特征提取和故障识别的难点，提出了一种基于 AVMD-TOTEO、门控循环单元（Gated Recurrent Unit,GRU）和卷积神经网络（Convolutional Neural Network,CNN）的轴承故障诊断方法。首先，通过自适应变分模态分解（Adaptive Variational Mode Decomposition,AVMD）对原始数据进行分解和重构，以消除信号中的部分干扰，然后利用三阶太格能量算子（Third-Order Teager Energy Operators,TOTEO）对故障信号中的冲击特征进行增强，突出每个故障信号的特性。最后，将新的故障数据集引入具有全局平均池化（Global Average Pooling,GAP）层的 GRU-CNN-GAP 故障诊断模型中，用于特征提取和故障分类。实验表明，该方法不仅具有良好的故障诊断精度，而且提高了算法的检测速度，具有优于其他模型的诊断性能。