摘要： 针对噪声环境中滚动轴承故障特征提取困难以及诊断准确率不高的问题，提出一种基于Levy 飞行策略改进的麻雀搜索算法(Sparrow Search Algorithm，SSA)来优化K最近邻(K-Nearest Neighbor，KNN)分类器的轴承故障诊断方法。首先，采用小波分析技术对原始振动信号进行去噪处理，以提取信号的时域特征，从而准确表征不同的故障状态，确保在噪声干扰下特征能够清晰反映故障模式。然后，通过设计莱维飞行(Levy Flight)策略改进SSA(Levy-Flight-Based SSA，LSSA)，对KNN参数进行优化，进一步增强分类器的泛化能力，并提高模型在复杂噪声环境中的诊断性能。实验结果表明，所提方法的故障诊断准确率达到95 %以上，相较于传统方法具有更强的鲁棒性和更高的诊断精度，尤其在噪声环境中表现更加突出。该方法有效降低了噪声对故障诊断精度的影响，显著提升了滚动轴承故障诊断的准确性和稳定性，为实际工程中的轴承故障诊断提供了一种可靠的解决方案。

关键词: 故障诊断, 滚动轴承, Levy飞行, 麻雀搜索算法, K最近邻