针对轴承信号微弱的问题，目前有以下几种方式来改善。如常用方法有：窗函数方法、非参数方法以及参数方法等。其中非参数方法包括AR模型、Prony指数模型等；参数方法中最为代表性的是MUSIC(多信号分类)方法，该方法通过对相关矩阵的特征分解、信号空间的划分以及对谱空间的求取，最终实现了对故障频率的精确估计。
Zoom-MUSIC方法用来缩短MUSIC方法本身的时间资源消耗，该方法可以通过对数据段不同长度的选取，进而改变所细化频带的分辨率；中ZMUSIC方法即Zoom-MUSIC算法是基于频移和抽取一个离散时间信号，确定在一个频带[f1,f1+Fp]内的频谱；设定截止频率然后进行低通频域滤波，这里低通滤波器的设计是为了防止高频成分在低频频带内发生混叠现象；实现过程还包括一个降低采样率的整数值分频器，依据一定的采样原则对数据进行缩短来实现对时间的消耗减少。由于经典的多信号分析方法有着数据量越多、维数越多，运行时间便越呈现出一种指数型增长的趋势，逐渐出现了一些关于它的改进方法，如波束空间求根MUSIC算法。该算法使用波束空间来将信号分为信号子空间和噪声子空间两部分。
此外，高分辨率的方法还包括旋转不变算法，简称ESPRIT算法，该方法通过构造相关矩阵及广义特征值的求解，而避免了以上方法在求根、以及谱空间搜索上的迭代花费，减少了在实现过程中的时间和资源消耗。同样，也有文献来对比Root-NUSIC方法与ESPRIT两种方法的性能，然后此基础上使用加窗FFT实现间谐波精确估计的实例。
鉴于此，采用一种改进的TLS-ESPRIT方法对旋转机械进行故障诊断，该算法不依赖于信号子空间与噪声子空间的差异即可准确识别信号中的频率分量，在谐波幅值较小以及不同噪声干扰下均表现出较好的性能，不仅借助TLS-ESPRIT 算法弥补了FFT 算法频谱分辨率的不足，同时还可提前计算出频谱中真实频率对应的频谱位置。
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
