应对在工业噪声环境下如何提高现有轴承故障诊断方法的鲁棒性能和泛化性能，提出一种卷积自编码器-长短期记忆(Convolutional AutoEncoder-Long Short-Term Memory，CAE-LSTM)并行特征提取模型。该方法使用CAE 编码器冻结的局部空间特征融合长短期记忆-1 维卷积网络(Long Short-Term Memory-1-dimensional Convolutional Neural Network，LSTM-1DCNN)所提取的时序相关性特征完成模型训练，在特征融合过程引入有效通道注意力机制(Efficient Channel Attention，ECA)完成特征的权重分配，实现全局特征信息的充分提取，最终通过Softmax 函数输出轴承的故障诊断结果。在自测和公开的轴承数据集上进行实验验证，其对比实验结果表明：所提出的并行特征提取模型具备优良的轴承故障诊断性能，且具备较好的噪声鲁棒性和泛化能力。

考察汽车传动轴振动特性的指标为1阶约束模态的频率。由此，某商用车传动轴在设计阶段进行模态仿真分析，虽然满足了设计要求，但在整车验证阶段却出现共振，产生了车内共鸣音。针对该问题，改进传动轴模态分析方法，并对传动轴结构进行优化设计，消除共振模态。通过主观评价和噪声测试证实效果良好。