由于滚动轴承工况复杂多变、环境噪声干扰大,基于混合域的特征提取维数高且计算复杂、混合域特征常存在冗余导致引入不利于诊断的干扰成分。在滚动轴承故障诊断领域,传统极限学习机(ExtremeLearningMachine,ELM)分类模型会随机生成输入层权值与隐含层节点偏置等网络参数,造成部分隐含层节点失效。同时,ELM分类预测精度与隐含层节点数密切相关,但过多隐含层节点数会导致模型泛化能力的下降,从而最终影响轴承故障分类诊断的能力。故本文提出基于多聚类特征选择(Multi-clusterFeatureSelection,MCFS)对特征空间进行优选,并利用差分进化灰狼优化(DifferentialEvolutionGreyWolfOptimizer)算法优化ELM故障诊断模型。该方法将有望应用于复合故障诊断等领域,为智能故障诊断技术提供参考。