为了提高滚动轴承故障诊断精度，提出一种基于偏心线性判别分析（Eccentric Linear Discriminant Analysis，ELDA）降维算法与经海洋捕食者算法（Marine Predators Algorithm，MPA）优化的支持向量机（Support Vector Machine，SVM）相结合的滚动轴承故障诊断方法。首先对轴承信号应用时域和频域分析方法构建高维特征集，其次应用自适应最大似然估计方法（Adaptive Maximum Likelihood Estimation，AMLE）进行固有维度估计，利用ELDA算法进行二次特征提取，充分挖掘敏感特征，降低冗余特征对故障诊断的影响；最后将低维敏感可分矩阵输入到MPA-SVM分类器中识别故障类型。实验分析表明，所提方法能有效缩短训练时长并提高诊断准确率。

针对3 层小波包分解（Wavelet Packet Decomposition，WPD）忽略了1 和2 层分解信号以及核极限学习机（Kernel Extreme Learning Machine，KELM）参数选择困难的问题，提出一种基于小波包散布熵-mRMR 特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3 层的14 个小波包散布熵（Dispersion Entropy，DE）应用最大相关最小冗余算法（max-relevance and min-redundancy，mRMR）进行特征排序，确定最佳向量维度；然后应用哈里斯鹰优化算法（Harris Hawks Optimization，HHO）实现对KELM参数的优化；最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明，将mRMR特征选取功能和HHO-KELM聚类功能进行有效结合，可实现故障诊断过程中对分解信号的充分利用，与将只用到第3 层分解信号的小波包散布熵输入到KELM的故障分类方法相比，识别准确率提高11.38 %。