南乌拉尔国立大学的科学家们开发出一种诊断滚动轴承缺陷的新方法，该方法可以显著提高诊断准确率并加快故障检测速度。南乌拉尔国立大学高等经济与科学学院设备与系统技术自诊断和自控研究实验室副主任弗拉基米尔·西尼岑及其年轻同事奥尔加·伊布里亚耶娃、维多利亚·埃列梅耶娃和穆罕默德·穆罕默德于2025年初在国际知名期刊《算法》（Algorithms）上发表了这一成果。
滚动轴承的应用范围十分广泛，从航空航天到数控机床，无所不包。因此，一种非接触式的轴承诊断方法至关重要——它不仅可以识别现有缺陷，还可以预防和预警故障。
随着神经网络和模式识别技术的出现，这些方法也开始应用于轴承监测。轴承振动的声学信号经过初步处理，研究其频谱，识别特征，然后神经网络对特征进行分类，并得出轴承状况的结论。
为了提高这种诊断方法的准确性，通常使用复杂神经网络的深度学习方法，这需要大量的计算和时间成本，以及大量的训练数据。
南乌拉尔国立大学的弗拉基米尔·西尼岑和他的同事提出了一种使用LPC算法（线性预测编码）处理神经网络信号的方法，然后再将其传输到神经网络。这种方法广为人知，主要用于识别人类语音并在计算机上进行合成。
LPC算法易于实现。因此，传输到神经网络的数据（特征向量）并不太多——只有50个值。一个简单的神经网络无需深度学习就足以处理它
。这显著加快了信号处理速度。
南乌拉尔国立大学的科学家在测试数据集上测试了新算法，在检测缺陷方面实现了几乎 100% 的准确率，并且与之前使用的混合模型混合 MLP-CNN（使用卷积神经网络和多层光谱仪）相比，在计算速度上也具有优势。